FlexKalmanNet: A Modular AI-Enhanced Kalman Filter Framework Applied to Spacecraft Motion Estimation

要約

宇宙機間の相対的な動きの推定は、データを再帰的なフィルタリングアルゴリズムに入力する特徴マッチングコンピュータビジョンに依存することが多くなっている。カルマンフィルタはノイズ補正において効率的であるが、システムとノイズモデルの大規模なチューニングが必要である。本論文では、カルマンフィルタベースの動き推定アルゴリズムに深い完全接続ニューラルネットワークを統合することにより、このギャップを埋める新しいモジュールフレームワークであるFlexKalmanNetを紹介する。FlexKalmanNetの核となる革新性は、測定データから直接任意のカルマンフィルタパラメータを学習する能力と、様々なカルマンフィルタ変種を利用できる柔軟性である。これは、ニューラルネットワークからカルマンフィルター変種に逐次計算をアウトソーシングするという注目すべき設計上の決定によって実現され、純粋なフィードフォワード・ニューラルネットワーク・アーキテクチャを可能にします。このアーキテクチャは、リカレントネットワークモジュールに依存することなく、複雑で非線形な特徴を扱うことに長けており、グローバルなデータパターンをより効果的に捉えることができる。NASAのAstrobeeシミュレーション環境のデータを用いた実証評価では、宇宙船の姿勢とねじれを推定するための拡張カルマンフィルタの未知のパラメータの学習に焦点を当てている。その結果、FlexKalmanNetの迅速な学習収束、高い精度、手動でチューニングした拡張カルマンフィルタに対する優れた性能が実証された。

要約(オリジナル)

The estimation of relative motion between spacecraft increasingly relies on feature-matching computer vision, which feeds data into a recursive filtering algorithm. Kalman filters, although efficient in noise compensation, demand extensive tuning of system and noise models. This paper introduces FlexKalmanNet, a novel modular framework that bridges this gap by integrating a deep fully connected neural network with Kalman filter-based motion estimation algorithms. FlexKalmanNet’s core innovation is its ability to learn any Kalman filter parameter directly from measurement data, coupled with the flexibility to utilize various Kalman filter variants. This is achieved through a notable design decision to outsource the sequential computation from the neural network to the Kalman filter variant, enabling a purely feedforward neural network architecture. This architecture, proficient at handling complex, nonlinear features without the dependency on recurrent network modules, captures global data patterns more effectively. Empirical evaluation using data from NASA’s Astrobee simulation environment focuses on learning unknown parameters of an Extended Kalman filter for spacecraft pose and twist estimation. The results demonstrate FlexKalmanNet’s rapid training convergence, high accuracy, and superior performance against manually tuned Extended Kalman filters.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL