ニューラル支援型適応イノベーションベース不変カルマンフィルタ

Abstract

自律プラットフォームには、その任務を完遂するために正確な位置決めが必要です。そのために、拡張カルマンフィルタや不変カルマンフィルタのような、カルマンフィルタに基づくアルゴリズムが適用されており、慣性および外部センサの融合を利用します。現実の状況に対応するため、適応的なノイズ推定手法が主に古典的なユークリッド形式に対して開発されてきました。しかしながら、接線リーマン多様体（tangent Lie space）においては、リ—群上で良好な誤差ダイナミクスをもたらす、原理的な幾何学的枠組みであるにもかかわらず、これらの手法はほとんど未検討のままです。このギャップを埋めるために、我々は実環境において、不変フィルタリング理論とニューラル支援による適応的ノイズ推定を組み合わせます。具体的には、リ—群の枠組みの中で直接定式化された、古典的なイノベーションに基づくプロセスノイズ適応の新しい理論的拡張を導出します。さらに、慣性データの生データから直接プロセスノイズ共分散パラメータを推定する軽量なニューラルネットワークを提案します。ドメイン適応によるsim2realフレームワークのもとで完全に学習されるため、このネットワークはラベル付きの実データを必要とせず、運動依存およびセンサ依存のノイズ特性を捉えます。提案するニューラル支援型適応不変カルマンフィルタを検証するため、我々は自律型海中航行という、現実の課題の多いシナリオに焦点を当てます。実験結果は、位置の二乗平均平方根誤差の観点で既存手法よりも優れた性能を示しました。これらの結果は、我々のsim2realパイプラインを検証するとともに、幾何学的な不変性が学習ベースの適応を大きく強化すること、さらに接線リーマン多様体における適応的ノイズ推定が、非線形な自律プラットフォームにおける航行精度を向上させる強力な仕組みを提供することを裏付けています。