論文の概要: Uncertainty in Data-Driven Kalman Filtering for Partially Known State-Space Models

• arxiv url: http://arxiv.org/abs/2110.04738v1
• Date: Sun, 10 Oct 2021 08:52:18 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-12 19:38:43.618758
• Title: Uncertainty in Data-Driven Kalman Filtering for Partially Known State-Space Models
• Title（参考訳）: データ駆動カルマンフィルタにおける部分的状態空間モデルの不確かさ
• Authors: Itzik Klein, Guy Revach, Nir Shlezinger, Jonas E. Mehr, Ruud J. G. van Sloun, and Yonina. C. Eldar
• Abstract要約: 本稿では,ハイブリッドモデルに基づくディープステートトラッキングアルゴリズムであるKalmanNetを用いて,不確実性の評価を行う。 誤差共分散行列は内部特性に基づいて不確実性の測定値として計算可能であることを示す。 システムダイナミクスが分かっている場合、KalmanNetは統計情報にアクセスせずにデータからマッピングを学習し、Kalmanフィルタに類似した不確実性を示す。
• 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: Providing a metric of uncertainty alongside a state estimate is often crucial when tracking a dynamical system. Classic state estimators, such as the Kalman filter (KF), provide a time-dependent uncertainty measure from knowledge of the underlying statistics, however, deep learning based tracking systems struggle to reliably characterize uncertainty. In this paper, we investigate the ability of KalmanNet, a recently proposed hybrid model-based deep state tracking algorithm, to estimate an uncertainty measure. By exploiting the interpretable nature of KalmanNet, we show that the error covariance matrix can be computed based on its internal features, as an uncertainty measure. We demonstrate that when the system dynamics are known, KalmanNet-which learns its mapping from data without access to the statistics-provides uncertainty similar to that provided by the KF; and while in the presence of evolution model-mismatch, KalmanNet pro-vides a more accurate error estimation.
• Abstract（参考訳）: 動的システムを追跡する際には、状態推定と並行して不確実性の指標を提供することが不可欠であることが多い。 カルマンフィルタ(KF)のような古典的状態推定器は、基礎となる統計の知識から時間依存の不確実性尺度を提供するが、ディープラーニングに基づく追跡システムは不確実性を確実に特徴付けるのに苦労している。 本稿では,最近提案されているハイブリッドモデルに基づく深部状態追跡アルゴリズムであるkalmannetの,不確実性尺度の推定能力について検討する。 KalmanNetの解釈可能な性質を生かして、誤差共分散行列が内部の特徴に基づいて計算できることを不確実性尺度として示している。 システムダイナミクスが分かっている場合、KFが提供したような統計情報にアクセスできることなく、そのマッピングをデータから学習するKalmanNetが、進化モデルミスマッチの存在下で、より正確な誤差推定をプロビデンスしていることを実証する。

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)
• Measuring and Modeling Uncertainty Degree for Monocular Depth Estimation [50.920911532133154]
  単分子深度推定モデル(MDE)の本質的な不適切さと順序感性は、不確かさの程度を推定する上で大きな課題となる。 本稿では,MDEモデルの不確かさを固有確率分布の観点からモデル化する。 新たなトレーニング正規化用語を導入することで、驚くほど単純な構成で、余分なモジュールや複数の推論を必要とせずに、最先端の信頼性で不確実性を推定できる。
  論文  参考訳（メタデータ） (2023-07-19T12:11:15Z)
• The Implicit Delta Method [61.36121543728134]
  本稿では,不確実性のトレーニング損失を無限に正規化することで機能する,暗黙のデルタ法を提案する。 有限差分により無限小変化が近似された場合でも, 正則化による評価の変化は評価推定器の分散に一定であることを示す。
  論文  参考訳（メタデータ） (2022-11-11T19:34:17Z)
• On Uncertainty in Deep State Space Models for Model-Based Reinforcement Learning [21.63642325390798]
  RSSMは最適下推定方式を用いており、この推定を用いて訓練されたモデルは、基底真理系のアレター的不確かさを過大評価していることを示す。 そこで本稿では,変分リカレントカルマンネットワーク(VRKN)と呼ばれる,アレタリックおよびてんかんの不確かさをモデル化するための,よく理解されたコンポーネントに基づく代替手法を提案する。 実験の結果,RSSMの代わりにVRKNを用いることで,アレータリック不確実性を適切に把握するタスクのパフォーマンスが向上することがわかった。
  論文  参考訳（メタデータ） (2022-10-17T16:59:48Z)
• Diffusion Tensor Estimation with Uncertainty Calibration [6.5085381751712506]
  本研究では,拡散テンソルを推定し,推定の不確実性を計算する深層学習手法を提案する。 データ依存の不確実性はネットワークによって直接計算され、損失減衰によって学習される。 提案手法によって計算された推定の不確実性は,モデルのバイアスを強調し,領域シフトを検出し,測定における雑音の強さを反映できることを示す。
  論文  参考訳（メタデータ） (2021-11-21T15:58:01Z)
• 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)
• KalmanNet: Neural Network Aided Kalman Filtering for Partially Known Dynamics [84.18625250574853]
  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。
  論文  参考訳（メタデータ） (2021-07-21T12:26:46Z)
• Approaching Neural Network Uncertainty Realism [53.308409014122816]
  自動運転車などの安全クリティカルなシステムには、定量化または少なくとも上限の不確実性が不可欠です。 マハラノビス距離に基づく統計的テストにより、厳しい品質基準である不確実性リアリズムを評価します。 自動車分野に採用し、プレーンエンコーダデコーダモデルと比較して、不確実性リアリズムを大幅に改善することを示した。
  論文  参考訳（メタデータ） (2021-01-08T11:56:12Z)
• Deep Learning based Uncertainty Decomposition for Real-time Control [9.067368638784355]
  本稿では,ディープラーニングを用いたトレーニングデータの欠如を検出する新しい手法を提案する。 合成および実世界のデータセットに対する既存のアプローチに対する利点を示す。 さらに、シミュレーションされたクアッドコプターにオンラインデータ効率制御を展開させる上で、この不確実性推定の実用性を実証する。
  論文  参考訳（メタデータ） (2020-10-06T10:46:27Z)

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。