NEES 表现不佳？基于贝叶斯优化的卡尔曼滤波器自动调参
机器学习
2018-07-25 v1 机器学习
机器人学
系统与控制
信号处理
摘要
卡尔曼滤波器常规用于许多数据融合应用，包括导航、跟踪以及同时定位与建图问题。然而，调整各种卡尔曼滤波器模型参数（例如过程噪声协方差、针对非白噪声的预白化滤波器模型等）常常需要耗费大量时间与精力。用于调参的传统优化技术可能陷入不良的局部极小值，并且在采用真实传感器数据实现时代价高昂。为解决这些问题，本文提出了一种新的“黑箱”贝叶斯优化策略，用于自动调整卡尔曼滤波器。在该方法中，性能由以下两种随机目标函数之一来刻画：当存在真实状态模型时采用归一化估计误差平方（NEES），或当仅有传感器数据可用时采用归一化新息误差平方（NIS）。通过对参数空间进行智能采样，以学习并利用 NEES/NIS 代价的非参数高斯过程代理函数，贝叶斯优化能够高效地识别多个局部极小值，并对其结果提供不确定性量化。
引用
@article{arxiv.1807.08855,
title = {Weak in the NEES?: Auto-tuning Kalman Filters with Bayesian Optimization},
author = {Zhaozhong Chen and Christoffer Heckman and Simon Julier and Nisar Ahmed},
journal= {arXiv preprint arXiv:1807.08855},
year = {2018}
}
备注
Final version presented at FUSION 2018 Conference, Cambridge, UK, July 2018 (submitted June 1, 2018)