Learning IMM Filter Parameters from Measurements using Gradient Descent

要約

データ融合および追跡アルゴリズムのパフォーマンスは、多くの場合、センサー システムを記述するだけでなく、タスク固有のパラメーターにも依存します。
センサー システムの場合、これらの変数の調整には時間がかかり、ほとんどの場合専門知識が必要ですが、追跡中のターゲットの固有パラメーターは、システムが展開されるまでまったく観察できない場合もあります。
最先端のセンサー システムがますます複雑になるにつれて、パラメーターの数も自然に増加し、モデル変数の自動最適化が必要になります。
このペーパーでは、相互作用多重モデル (IMM) フィルターのパラメーターは、測定値のみを使用して最適化されるため、グラウンド トゥルース データは必要ありません。
結果として得られるメソッドは、シミュレートされたデータのアブレーション スタディを通じて評価されます。トレーニングされたモデルは、グラウンド トゥルース値でパラメータ化されたフィルターのパフォーマンスと一致します。

要約(オリジナル)

The performance of data fusion and tracking algorithms often depends on parameters that not only describe the sensor system, but can also be task-specific. While for the sensor system tuning these variables is time-consuming and mostly requires expert knowledge, intrinsic parameters of targets under track can even be completely unobservable until the system is deployed. With state-of-the-art sensor systems growing more and more complex, the number of parameters naturally increases, necessitating the automatic optimization of the model variables. In this paper, the parameters of an interacting multiple model (IMM) filter are optimized solely using measurements, thus without necessity for any ground-truth data. The resulting method is evaluated through an ablation study on simulated data, where the trained model manages to match the performance of a filter parametrized with ground-truth values.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google