論文の概要: KalmanNet: Neural Network Aided Kalman Filtering for Partially Known
Dynamics
- arxiv url: http://arxiv.org/abs/2107.10043v1
- Date: Wed, 21 Jul 2021 12:26:46 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-22 14:19:10.831422
- Title: KalmanNet: Neural Network Aided Kalman Filtering for Partially Known
Dynamics
- Title(参考訳): KalmanNet:部分的に知られたダイナミクスのためのニューラルネットワーク支援Kalman Filtering
- Authors: Guy Revach, Nir Shlezinger, Xiaoyong Ni, Adria Lopez Escoriza, Ruud J.
G. van Sloun, and Yonina C. Eldar
- Abstract要約: KalmanNetは、データから学習し、非線形力学の下でKalmanフィルタを実行するリアルタイム状態推定器である。
我々は、KalmanNetが非線形性とモデルミスマッチを克服し、古典的なフィルタリング手法より優れていることを数値的に示す。
- 参考スコア(独自算出の注目度): 84.18625250574853
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Real-time state estimation of dynamical systems is a fundamental task in
signal processing and control. For systems that are well-represented by a fully
known linear Gaussian state space (SS) model, the celebrated Kalman filter (KF)
is a low complexity optimal solution. However, both linearity of the underlying
SS model and accurate knowledge of it are often not encountered in practice.
Here, we present KalmanNet, a real-time state estimator that learns from data
to carry out Kalman filtering under non-linear dynamics with partial
information. By incorporating the structural SS model with a dedicated
recurrent neural network module in the flow of the KF, we retain data
efficiency and interpretability of the classic algorithm while implicitly
learning complex dynamics from data. We numerically demonstrate that KalmanNet
overcomes nonlinearities and model mismatch, outperforming classic filtering
methods operating with both mismatched and accurate domain knowledge.
- Abstract(参考訳): 動的システムのリアルタイム状態推定は信号処理と制御の基本的なタスクである。
完全に既知の線型ガウス状態空間 (SS) モデルでよく表現される系では、有名なカルマンフィルタ (KF) は低複雑性の最適解である。
しかし、基礎となるSSモデルの線形性とそれに関する正確な知識は、実際は遭遇しないことが多い。
本稿では,データから学習し,部分的情報を含む非線形ダイナミクス下でkalmanフィルタを実行するリアルタイム状態推定器であるkalmannetを提案する。
構造SSモデルと専用リカレントニューラルネットワークモジュールをKFの流れに組み込むことで、データから複雑な力学を暗黙的に学習しながら、古典的アルゴリズムのデータ効率と解釈可能性を維持する。
我々は、KalmanNetが非線形性とモデルミスマッチを克服し、ミスマッチと正確なドメイン知識の両方で動作する古典的なフィルタリング手法より優れていることを数値的に示す。
関連論文リスト
- Performance Evaluation of Deep Learning-Based State Estimation: A Comparative Study of KalmanNet [0.26665679188139185]
KF(Kalman Filters)は、リアルタイム状態推定アプリケーションの基本である。
本研究では,1つの代表的なモデルであるKalmanNetを,実環境下での性能を評価するために,自動車レーダデータに基づいて選定・評価した。
その結果、KalmanNetはIMMフィルタよりも優れており、KalmanNetのようなデータ駆動型メソッドは有望であるが、現在の信頼性と堅牢性の欠如は安全クリティカルなアプリケーションには不適であることを示した。
論文 参考訳(メタデータ) (2024-11-25T20:59:14Z) - Uncertainty Representations in State-Space Layers for Deep Reinforcement Learning under Partial Observability [59.758009422067]
線形状態空間モデルにおいて閉形式ガウス推論を行う独立なカルマンフィルタ層を提案する。
効率的な線形リカレント層と同様に、Kalmanフィルタ層は並列スキャンを使用してシーケンシャルデータを処理している。
実験により、不確実性推論が意思決定の鍵となる問題においてカルマンフィルタ層が優れており、他のステートフルモデルよりも優れていることが示された。
論文 参考訳(メタデータ) (2024-09-25T11:22:29Z) - An Ensemble Score Filter for Tracking High-Dimensional Nonlinear Dynamical Systems [10.997994515823798]
本研究では,高次元非線形フィルタ問題に対するアンサンブルスコアフィルタ(EnSF)を提案する。
ニューラルネットワークをトレーニングしてスコア関数を近似する既存の拡散モデルとは異なり、トレーニング不要スコア推定を開発する。
EnSFは、最先端のLocal Ensemble Transform Kalman Filter法と比較して、驚くべきパフォーマンスを提供する。
論文 参考訳(メタデータ) (2023-09-02T16:48:02Z) - Kalman Filter for Online Classification of Non-Stationary Data [101.26838049872651]
オンライン連続学習(OCL)では、学習システムはデータのストリームを受け取り、予測とトレーニングの手順を順次実行する。
本稿では,線形予測量に対するニューラル表現と状態空間モデルを用いた確率ベイズオンライン学習モデルを提案する。
多クラス分類の実験では、モデルの予測能力と非定常性を捉える柔軟性を示す。
論文 参考訳(メタデータ) (2023-06-14T11:41:42Z) - Split-KalmanNet: A Robust Model-Based Deep Learning Approach for SLAM [101.32324781612172]
SLAMは、未知の環境の地図を構築し、地図上の移動エージェントの位置を同時にローカライズする手法である。
拡張カルマンフィルタ(EKF)は、オンラインSLAMの低複雑性ソリューションとして広く採用されている。
スプリットカルマンネット(Split-KalmanNet)と呼ばれるオンラインSLAMにおいて,ディープラーニングのパワーを用いた頑健なEKFアルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-10-18T07:10:38Z) - Recurrent Neural Network Training with Convex Loss and Regularization
Functions by Extended Kalman Filtering [0.20305676256390928]
本研究では,非線形システム同定ベンチマークにおいて,学習手法が勾配勾配よりも優れていることを示す。
また、データ駆動非線形モデル予測制御におけるアルゴリズムの利用と、オフセットフリートラッキングにおける外乱モデルとの関係についても検討する。
論文 参考訳(メタデータ) (2021-11-04T07:49:15Z) - Unsupervised Learned Kalman Filtering [84.18625250574853]
教師なし適応は、KalmanNetのハイブリッドモデルベース/データ駆動アーキテクチャを活用することで達成される。
我々は、ノイズ統計が未知の場合、教師なしのKalmanNetが教師なし学習でKalmanNetと同じような性能を達成することを数値的に示す。
論文 参考訳(メタデータ) (2021-10-18T04:04:09Z) - Neural Kalman Filtering [62.997667081978825]
カルマンフィルタの勾配差近似は,差分重み付き予測誤差を持つ局所計算のみを必要とすることを示す。
また、同じスキームの下では、ヘビアン可塑性に直接対応する学習規則で動的モデルを適応的に学習することが可能であることを示す。
論文 参考訳(メタデータ) (2021-02-19T16:43:15Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。