卡尔曼滤波中噪声估计的脆弱性：优化可应对模型误设
机器学习
2022-07-04 v4 系统与控制
系统与控制
摘要
卡尔曼滤波（KF）的参数传统上由噪声估计确定，因为在 KF 假设下，当参数对应于噪声协方差时，状态预测误差被最小化。然而，无论假设是否成立，噪声估计仍是金标准——即使它并不等价于误差最小化。我们证明，即便看似简单的问题也可能包含多种假设违背——其中有些甚至难以察觉。我们从理论与实证上表明，即便轻微的违背也可能大幅偏移最优参数。我们提出一种基于梯度的方法，配合 Cholesky 参数化，来显式优化状态预测误差。我们在 3 个不同领域的数十个实验中展示了相对于噪声估计的一致改进。最后，我们证明优化使 KF 可与 LSTM 模型竞争——即便在非线性问题中。
引用
@article{arxiv.2104.02372,
title = {The Fragility of Noise Estimation in Kalman Filter: Optimization Can Handle Model-Misspecification},
author = {Ido Greenberg and Shie Mannor and Netanel Yannay},
journal= {arXiv preprint arXiv:2104.02372},
year = {2022}
}