A-KIT: Adaptive Kalman-Informed Transformer

要約

拡張カルマン フィルター (EKF) は、ナビゲーション アプリケーションのセンサー フュージョンに広く採用されている方法です。
EKF の重要な側面は、モデルの不確実性を反映するプロセス ノイズ共分散行列をオンラインで決定することです。
一般的な EKF 実装では一定のプロセス ノイズが想定されていますが、現実のシナリオではプロセス ノイズは変化するため、推定状態が不正確になり、フィルターが発散する可能性があります。
このような状況に対処するために、モデルベースの適応 EKF 手法が提案され、パフォーマンスの向上が実証され、堅牢な適応アプローチの必要性が強調されました。
この論文では、オンラインで変化するプロセスノイズの共分散を学習するための適応型カルマン情報変換器である A-KIT を導出し、導入します。
A-KIT フレームワークは、あらゆるタイプのセンサー フュージョンに適用できます。
ここでは、慣性航法システムとドップラー速度ログに基づく非線形センサー融合へのアプローチを紹介します。
自律型水中ビークルから実際に記録されたデータを使用することにより、位置精度の点で、A-KIT が従来の EKF を 49.5% 以上、モデルベースの適応型 EKF を平均 35.4% 上回っていることを示します。

要約(オリジナル)

The extended Kalman filter (EKF) is a widely adopted method for sensor fusion in navigation applications. A crucial aspect of the EKF is the online determination of the process noise covariance matrix reflecting the model uncertainty. While common EKF implementation assumes a constant process noise, in real-world scenarios, the process noise varies, leading to inaccuracies in the estimated state and potentially causing the filter to diverge. To cope with such situations, model-based adaptive EKF methods were proposed and demonstrated performance improvements, highlighting the need for a robust adaptive approach. In this paper, we derive and introduce A-KIT, an adaptive Kalman-informed transformer to learn the varying process noise covariance online. The A-KIT framework is applicable to any type of sensor fusion. Here, we present our approach to nonlinear sensor fusion based on an inertial navigation system and Doppler velocity log. By employing real recorded data from an autonomous underwater vehicle, we show that A-KIT outperforms the conventional EKF by more than 49.5% and model-based adaptive EKF by an average of 35.4% in terms of position accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google