Joint State and Input Estimation of Agent Based on Recursive Kalman Filter Given Prior Knowledge

要約

最新の自律システムは、エージェントが予期せぬ出来事や複雑なタスクに直面する、多くの困難なシナリオを想定しています。
制御コマンドや未知の入力に伴う外乱ノイズの存在は、ロボットのパフォーマンスに悪影響を与える可能性があります。
共同入力と状態推定に関するこれまでの研究では、事前情報なしで連続ケースと離散ケースを別々に研究していました。
この論文では、連続入力ケースと離散入力ケースを、Expectation-Minimum (EM) アルゴリズムに基づく統一理論に結合します。
イベントの事前知識を制約として導入することで、不等式最適化問題が定式化され、ゲイン行列または動的重みが決定され、より低い分散とより正確な意思決定による最適な入力推定が実現されます。
最後に、実験の統計結果は、私たちのアルゴリズムが連続空間において KF よりも分散を 81% 改善し、RKF より 47% 改善したことを示しています。
離散空間における入力推定器の正しい意思決定確率が大幅に向上し、識別能力も実験によって分析されました。

要約(オリジナル)

Modern autonomous systems are purposed for many challenging scenarios, where agents will face unexpected events and complicated tasks. The presence of disturbance noise with control command and unknown inputs can negatively impact robot performance. Previous research of joint input and state estimation separately studied the continuous and discrete cases without any prior information. This paper combines the continuous and discrete input cases into a unified theory based on the Expectation-Maximum (EM) algorithm. By introducing prior knowledge of events as the constraint, inequality optimization problems are formulated to determine a gain matrix or dynamic weights to realize an optimal input estimation with lower variance and more accurate decision-making. Finally, statistical results from experiments show that our algorithm owns 81\% improvement of the variance than KF and 47\% improvement than RKF in continuous space; a remarkable improvement of right decision-making probability of our input estimator in discrete space, identification ability is also analyzed by experiments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google