Performance Evaluation of Deep Learning-Based State Estimation: A Comparative Study of KalmanNet

要約

カルマン フィルター (KF) は、最新の運転支援や安全技術で使用されるレーダーベースの追跡システムなど、リアルタイム状態推定アプリケーションの基礎です。
ガウス ノイズ分布を持つ線形動的システムでは、KF が最適な推定器です。
ただし、実際のシステムはこれらの想定から逸脱することがよくあります。
この逸脱は、多くの分野にわたるディープラーニングの成功と相まって、アプリケーションのフィルタリングにディープラーニングを活用するデータ駆動型アプローチの探求を促しています。
これらの学習された状態推定器は、従来のモデルベースのシステムよりも優れたパフォーマンスを示すことがよく報告されています。
この研究では、一般的なモデルの 1 つである KalmanNet が選択され、自動車レーダー データで評価され、現実世界の条件下でのパフォーマンスを評価し、相互作用複数モデル (IMM) フィルターと比較されました。
評価は、生の誤差と正規化された誤差、および状態の不確実性に基づいています。
この結果は、KalmanNet が IMM フィルターよりも優れたパフォーマンスを示していることを示しており、KalmanNet などのデータ駆動型の手法は有望であるものの、現時点では信頼性と堅牢性に欠けており、安全性が重要なアプリケーションには適していないことを示しています。

要約(オリジナル)

Kalman Filters (KF) are fundamental to real-time state estimation applications, including radar-based tracking systems used in modern driver assistance and safety technologies. In a linear dynamical system with Gaussian noise distributions the KF is the optimal estimator. However, real-world systems often deviate from these assumptions. This deviation combined with the success of deep learning across many disciplines has prompted the exploration of data driven approaches that leverage deep learning for filtering applications. These learned state estimators are often reported to outperform traditional model based systems. In this work, one prevalent model, KalmanNet, was selected and evaluated on automotive radar data to assess its performance under real-world conditions and compare it to an interacting multiple models (IMM) filter. The evaluation is based on raw and normalized errors as well as the state uncertainty. The results demonstrate that KalmanNet is outperformed by the IMM filter and indicate that while data-driven methods such as KalmanNet show promise, their current lack of reliability and robustness makes them unsuited for safety-critical applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google