論文の概要: Natural Gradient Bayesian Filtering: Geometry-Aware Filter for Dynamical Systems

• arxiv url: http://arxiv.org/abs/2605.02306v1
• Date: Mon, 04 May 2026 07:59:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:50.182823
• Title: Natural Gradient Bayesian Filtering: Geometry-Aware Filter for Dynamical Systems
• Title（参考訳）: 自然勾配ベイズフィルタ:動的システムのための幾何学的フィルタ
• Authors: Chang Liu, Wenhan Cao, Zeju Sun, Tianyi Zhang, Jiayu Yuan, Yi Zeng, Ting Yuan, Yao Lyu, Wei Wu, Stephen Shing-Toung Yau, Shengbo Eben Li,
• Abstract要約: 本チュートリアルでは,情報幾何学的観点からガウスフィルタを再検討する。 本枠組みでは,幾何学的ガウスフィルタ手法を導入する。 1つの自然な漸進的なステップが、線形ガウスの場合のカルマン測度更新を正確に回復することを示す。
• 参考スコア（独自算出の注目度）: 29.83667827978134
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Bayesian filtering is a cornerstone of state estimation in complex systems such as aerospace systems, yet exact solutions are available only for linear Gaussian models. In practice,nonlinear systems are handled through tractable approximations,with Gaussian filters such as the extended and unscented Kalman filters being among the most widely used methods. This tutorial revisits Gaussian filtering from an information-geometric perspective, viewing the prediction and measurement update steps as inference procedures over state distributions. Within this framework, we introduce a geometry-aware Gaussian filtering approach that leverages natural gradient descent on the statistical manifold of Gaussian distributions. The resulting Natural Gradient Gaussian Approximation (NANO) filter iteratively refines the posterior mean and covariance while respecting the intrinsic geometry of the Gaussian family and preserving the positive definiteness of the covariance matrix. We further highlight fundamental connections to the classical Kalman filtering, showing that a single natural-gradient step exactly recovers the Kalman measurement update in the linear-Gaussian case. The practical implications of the proposed framework are illustrated through case studies in representative nonlinear estimation problems,including satellite attitude estimation, simultaneous localization and mapping, and state estimation for robotic systems including quadruped and humanoid robots.
• Abstract（参考訳）: ベイズフィルタは航空宇宙システムのような複雑なシステムにおける状態推定の基礎であるが、正確な解は線形ガウスモデルに限られる。 実際には、非線形システムはトラクタブル近似によって処理され、拡張されたカルマンフィルタのようなガウスフィルタは最も広く使われている手法の一つである。 本チュートリアルでは,情報幾何学的観点からガウスフィルタを再検討し,予測と測定の更新手順を状態分布の推測手順として見る。 この枠組み内では、ガウス分布の統計多様体上の自然な勾配降下を利用する幾何学的ガウスフィルタ手法を導入する。 結果の自然勾配ガウス近似(NANO)フィルタは、ガウス族固有の幾何学を尊重し、共分散行列の正の定性を保つ一方で、後平均と共分散を反復的に洗練する。 さらに、古典的なカルマンフィルタに対する基礎的なつながりを強調し、一段階の自然な段階が、線型ガウスの場合のカルマン測定更新を正確に回復することを示した。 提案手法の実践的意味は,衛星の姿勢推定,同時位置推定とマッピング,四足歩行ロボットとヒューマノイドロボットを含むロボットシステムの状態推定など,典型的な非線形推定問題におけるケーススタディを通じて説明される。

関連論文リスト

• Iterated Invariant EKF for Quadruped Robot Odometry [2.975934604778082]
  我々はIterIEKFに基づく脚ロボットのための新しいオープンソース状態推定アルゴリズムを提案する。 We demonstrate that the IterIEKF are out of the vanilla IEKF, the SO(3)-based Kalman Filter, and its iterationated variant in both accuracy and consistency。
  論文  参考訳（メタデータ） (2026-04-16T18:09:15Z)
• Flow-based Bayesian filtering for high-dimensional nonlinear stochastic dynamical systems [4.382988524355736]
  正規化フローを統合したフローベースベイズフィルタ(FBF)を提案する。 このフレームワークは、フローの正規化によって提供される可逆変換を用いて、効率的な密度推定とサンプリングを容易にする。 数値実験によりFBFの精度と効率が向上した。
  論文  参考訳（メタデータ） (2025-02-22T14:04:23Z)
• Learning Optimal Filters Using Variational Inference [0.3749861135832072]
  フィルタリングシステムのためのパラメータ化分析マップを学習するためのフレームワークを提案する。 原理的には、これはフィルタリング分布の近似をより良くし、従ってバイアスを小さくする。 この手法は、線形および非線形力学系をフィルタリングするアフィン解析マップにおいてゲイン行列の学習に利用できることを示す。
  論文  参考訳（メタデータ） (2024-06-26T04:51:14Z)
• Preserving linear invariants in ensemble filtering methods [0.0]
  非ガウスフィルタ問題の線形不変量を自動的に保存する非線形アンサンブルフィルタの一般クラスを導入する。 アンサンブルカルマンフィルタの既存の正規化手法と線形不変量の保存法を組み合わせる方法について述べる。
  論文  参考訳（メタデータ） (2024-04-22T16:39:32Z)
• Closed-form Filtering for Non-linear Systems [83.91296397912218]
  我々は密度近似と計算効率の面でいくつかの利点を提供するガウスPSDモデルに基づく新しいフィルタのクラスを提案する。 本研究では,遷移や観測がガウスPSDモデルである場合,フィルタリングを効率的にクローズド形式で行うことができることを示す。 提案する推定器は, 近似の精度に依存し, 遷移確率の正則性に適応する推定誤差を伴って, 高い理論的保証を享受する。
  論文  参考訳（メタデータ） (2024-02-15T08:51:49Z)
• Stochastic Gradient Descent for Gaussian Processes Done Right [86.83678041846971]
  emphdone right -- 最適化とカーネルコミュニティからの具体的な洞察を使用するという意味で -- が、勾配降下は非常に効果的であることを示している。 本稿では,直感的に設計を記述し,設計選択について説明する。 本手法は,分子結合親和性予測のための最先端グラフニューラルネットワークと同程度にガウス過程の回帰を配置する。
  論文  参考訳（メタデータ） (2023-10-31T16:15:13Z)
• Sampling from Gaussian Process Posteriors using Stochastic Gradient Descent [43.097493761380186]
  勾配アルゴリズムは線形系を解くのに有効な方法である。 最適値に収束しない場合であっても,勾配降下は正確な予測を導出することを示す。 実験的に、勾配降下は十分に大規模または不条件の回帰タスクにおいて最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-06-20T15:07:37Z)
• Computational Doob's h-transforms for Online Filtering of Discretely Observed Diffusions [65.74069050283998]
  本研究では,Doobの$h$-transformsを近似する計算フレームワークを提案する。 提案手法は、最先端粒子フィルタよりも桁違いに効率的である。
  論文  参考訳（メタデータ） (2022-06-07T15:03:05Z)
• Deep Learning for the Benes Filter [91.3755431537592]
  本研究では,メッシュのないニューラルネットワークによるベンズモデルの解の密度の表現に基づく新しい数値計算法を提案する。 ニューラルネットワークの領域選択におけるフィルタリングモデル方程式における非線形性の役割について論じる。
  論文  参考訳（メタデータ） (2022-03-09T14:08:38Z)

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。