Core Concepts
FlexKalmanNet은 측정 데이터에서 직접 칼만 필터 매개변수를 학습할 수 있는 새로운 모듈식 프레임워크로, 다양한 칼만 필터 변형을 유연하게 활용할 수 있습니다.
Abstract
이 연구에서는 FlexKalmanNet이라는 새로운 모듈식 프레임워크를 소개합니다. FlexKalmanNet은 깊은 완전 연결 신경망(DFCNN)과 칼만 필터 기반 운동 추정 알고리즘을 결합하여, 측정 데이터에서 직접 칼만 필터 매개변수를 학습할 수 있습니다. 이를 통해 다양한 칼만 필터 변형을 유연하게 활용할 수 있습니다.
FlexKalmanNet의 핵심 혁신은 신경망에서 순차적 계산을 분리하여 칼만 필터 변형에 위임하는 것입니다. 이를 통해 순차적 패턴에 의존하지 않는 순방향 신경망 아키텍처를 사용할 수 있습니다. 이 아키텍처는 복잡하고 비선형적인 특징을 효과적으로 처리할 수 있습니다.
NASA의 Astrobee 시뮬레이션 환경에서 수집한 데이터를 사용하여 FlexKalmanNet의 성능을 평가했습니다. 그 결과 FlexKalmanNet은 빠른 학습 수렴, 높은 정확도, 수동으로 튜닝된 확장 칼만 필터보다 우수한 성능을 보였습니다.
Stats
우주선 자세 및 각속도 추정을 위한 확장 칼만 필터의 프로세스 잡음 공분산 매개변수 σQqw = 0.000161, σQqx = 0.000090, σQqy = 0.000071, σQqz = 0.000026, σQrx = 0.000150, σQry = 0.000010, σQrz = 0.000132, σQωx = 0.000079, σQωy = 0.000145, σQωz = 0.000037, σQvx = 0.000023, σQvy = 0.000028, σQvz = 0.000025
측정 잡음 공분산 매개변수 σRqw = 0.042746, σRqx = 0.036301, σRqy = 0.048697, σRqz = 0.029550, σRrx = 0.078810, σRry = 0.058190, σRrz = 0.082663
Quotes
"FlexKalmanNet의 핵심 혁신은 신경망에서 순차적 계산을 분리하여 칼만 필터 변형에 위임하는 것입니다. 이를 통해 순차적 패턴에 의존하지 않는 순방향 신경망 아키텍처를 사용할 수 있습니다."
"FlexKalmanNet은 빠른 학습 수렴, 높은 정확도, 수동으로 튜닝된 확장 칼만 필터보다 우수한 성능을 보였습니다."