論文の概要: Performance Evaluation of Deep Learning-Based State Estimation: A Comparative Study of KalmanNet
- arxiv url: http://arxiv.org/abs/2411.16930v1
- Date: Mon, 25 Nov 2024 20:59:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-27 13:30:51.186530
- Title: Performance Evaluation of Deep Learning-Based State Estimation: A Comparative Study of KalmanNet
- Title(参考訳): ディープラーニングによる状態推定の性能評価:KalmanNetの比較検討
- Authors: Arian Mehrfard, Bharanidhar Duraisamy, Stefan Haag, Florian Geiss,
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.26665679188139185
- License:
- Abstract: 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.
- Abstract(参考訳): カルマンフィルタ(KF)は、現代の運転支援システムや安全技術で使用されるレーダーベースのトラッキングシステムを含む、リアルタイム状態推定アプリケーションの基本である。
ガウス雑音分布を持つ線形力学系において、KFは最適推定器である。
しかし、現実世界のシステムはこれらの前提から逸脱することが多い。
この偏りと、多くの分野にわたるディープラーニングの成功が組み合わさって、深層学習をアプリケーションフィルタリングに活用するデータ駆動アプローチの探求につながった。
これらの学習状態推定器は、しばしば従来のモデルベースシステムより優れていると報告される。
本研究では, 実環境下での性能を評価し, 対話型マルチモデル (IMM) フィルタと比較するために, カーレーダデータを用いて, 代表的なモデルであるKalmanNetを選定し, 評価した。
評価は、生および正規化されたエラーと状態の不確実性に基づく。
その結果、KalmanNetはIMMフィルタで性能が優れており、KalmanNetのようなデータ駆動方式は有望であるが、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ている。
関連論文リスト
- Nonparametric Filtering, Estimation and Classification using Neural Jump ODEs [3.437372707846067]
ニューラルジャンプODEは、ニューラルジャンプODEによる観測と新しい観測の到着時のジャンプの間の条件予測をモデル化する。
彼らは、不規則かつ部分的な観察を伴う設定において、完全なデータ駆動オンライン予測の有効性を実証した。
この作業は、フレームワークをインプット・アウトプット・システムに拡張し、オンラインフィルタリングと分類における直接的なアプリケーションを可能にする。
論文 参考訳(メタデータ) (2024-12-04T12:31:15Z) - Federated Data-Driven Kalman Filtering for State Estimation [49.40531019551957]
本稿では,協調学習やフェデレート学習のパラダイムに基づく,新たなローカライゼーションフレームワークを提案する。
我々は、従来の拡張カルマンフィルタの基盤となるシステム不確実性を推定することを目的とした、リカレントニューラルネットワークであるKalmanNetの標準的なアプローチに基づいて構築する。
FedKalmanNetは、関連するシステム不確実性行列を推定することにより、各車両が自身をローカライズするために使用される。
論文 参考訳(メタデータ) (2024-11-06T16:18:33Z) - Data-driven Bayesian State Estimation with Compressed Measurement of Model-free Process using Semi-supervised Learning [57.04370580292727]
研究テーマは、圧縮測定によるデータ駆動ベイズ状態推定である。
状態の基本的な力学モデルは未知であると仮定される。
既存の2つの教師なし学習ベースのデータ駆動手法は、BSCMの問題に対処できない。
論文 参考訳(メタデータ) (2024-07-10T05:03:48Z) - Outlier-robust Kalman Filtering through Generalised Bayes [45.51425214486509]
我々は、状態空間モデルにおけるオンラインフィルタリングのための新しい、確実に堅牢でクローズドなベイズ更新ルールを導出する。
提案手法は, より少ない計算コストで, 他の頑健なフィルタリング手法に適合し, 性能が向上する。
論文 参考訳(メタデータ) (2024-05-09T09:40:56Z) - Outlier-Insensitive Kalman Filtering: Theory and Applications [26.889182816155838]
本稿では,リニアカルマンフィルタの標準更新ステップの短い反復処理しか必要とせず,アウトリーチの有害な影響を軽減できるパラメータフリーアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-09-18T06:33:28Z) - 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) - Uncertainty in Data-Driven Kalman Filtering for Partially Known
State-Space Models [84.18625250574853]
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。
論文 参考訳(メタデータ) (2021-10-10T08:52:18Z) - 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) - Out-of-Distribution Detection for Automotive Perception [58.34808836642603]
ニューラルネットワーク(NN)は、自律運転におけるオブジェクト分類に広く使われている。
NNは、アウト・オブ・ディストリビューション(OOD)データとして知られるトレーニングデータセットで適切に表現されていない入力データでフェールすることができる。
本稿では,OODデータを必要としない入力がOODであるか否かを判定し,推論の計算コストを増大させる方法を提案する。
論文 参考訳(メタデータ) (2020-11-03T01:46:35Z)
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。