I. 概要
新しい分布に基づく最適状態推定フレームワークを紹介。
ワッサーシュタイン距離を最小化して、後方誤差が極小のディラックデルタ分布に到達するような最適マップを決定。
パーティクル表現を使用せず、ガウスおよびガウス混合表現に焦点を当てる。
II. 数学的準備
ワッサーシュタイン距離の定義と性質。
ガウス分布間のワッサーシュタイン距離式。
III. ワッサーシュタインフィルター
前方推定値と測定値から後方推定値を決定する問題。
線形測定とガウス不確実性モデルに対するカルマンフィルターとの比較。
IV. 例題
非線形ガウシアン和フィルター(nGSF)と基本的なGSFのパフォーマンス比較。
V. 結論
ワッサーシュタイン距離に基づく新しい手法は、カルマンフィルターおよびガウシアン和フィルターと比較して精度向上を示す。
Optimal State Estimation in the Presence of Non-Gaussian Uncertainty via Wasserstein Distance Minimization
Stats
Wasserstein distance provides a powerful means of understanding and solving many diffusion equations.
The Wasserstein distance between two multivariate Gaussians in Rn is given by the formula.
The Wasserstein distance between Gaussian distribution and the Dirac delta function is given by another formula.
Quotes
"Optimal transport has been gaining popularity in the field of nonlinear estimation."
"The proposed Wasserstein filter does not rely on particle representation of uncertainty."
"The work presented in this paper focuses on Gaussian and the mixture of Gaussian representations."
この手法が他の非線形推定アプローチと比較した際の利点は何か?
Wasserstein距離最小化フレームワークは他の多くの非線形推定アプローチと比較していくつかの利点を持っています。まず第一に、確率密度関数間の距離を明示的に扱うことで情報融合や後処理推定値精度向上に優れています。また、パーティクル表現不要でありながら効果的な情報統合方法を提供し、従来手法では解決困難だった問題に対処できます。さらに、「Gaussian Sum Filter」(GSF)等から派生した新たな枠組みでもあり,サブオプティマリティ条件等も厳密解析されています。