Title: Resampling-free Stochastic Integration Filter
Authors: Straka, Ondřej
Duník, Jindřich
Citation: STRAKA, O., DUNÍK, J. Resampling-free Stochastic Integration Filter. In: Proceedings of the 2020 IEEE 23rd International Conference on Information Fusion (FUSION). Rustenburg: IEEE, 2020. s. 1-8. ISBN 978-0-578-64709-8.
Issue Date: 2020
Publisher: IEEE
Document type: konferenční příspěvek
conferenceObject
URI: 2-s2.0-85092694571
http://hdl.handle.net/11025/42252
ISBN: 978-0-578-64709-8
Keywords: Nelineární filtrace, gaussovský filtr, filtr se stochastickou integrací, gaussovský předpoklad
Keywords in different language: Nonlinear filtering;Gaussian filter;stochastic integration filter;Gaussian assumption
Abstract: Článek se zabývá odhadem stavu nelineárních stochastických systémů s aditivními gaussovskými šumy pomocí gaussovských filtrů založených na numerických integračních pravidlech. Filtry byly odvozeny za předpokladu sdružené gaussovosti predikcí stavu a měření, který je však v případě nelinearity systému porušen. Takovéto porušení lze stěží monitorovat standardními gaussovskými filtry, které přegenerovávají sigma body pro každou použítou numerickou integraci za účelem zvýšení jejich variance s cílem respektovat působení aditivních šumů. Článek navrhuje algoritmus filtru se stochastickou integrací, který místo jejich opětovného vygenerování sigma body modifikuje a tudíž umožňuje opakované využití bodů v dalších časových krocích. Rozložení bodů tak může uchovávat více informace než pouze první dva momenty, jak to je běžné u standardních gaussovských filtrů. Nově získaná informace se pak následně využije ze účelem monitorování splnění gaussovských předpokladů. V okamžiku, kdy je předpoklad porušen, může filtr změnit aktivně své chování. Vedlejším důsledkem opakovaného použití bodů je podstatné snížení výpočetních nároků v porovnáním se standardním filtrem se stochastickou integrací.
Abstract in different language: The paper deals with the state estimation of nonlinear stochastic systems with additive Gaussian noises by means of the Gaussian filters leveraging numerical integration rules. The filters were derived under the assumption of the joint state and measurement predictive density being Gaussian, which is violated by the system nonlinearity. Such violation can hardly be monitored by the standard Gaussian filters, which re-generate a new set of points for each involved numerical integration to accommodate their variance increase due to the additive noises. The paper proposes a stochastic integration filter algorithm that modifies the points instead of their resampling and thus admits reusing the points in the next time steps. The distribution of the points can thus bear more information than just the first two moments in case of the standard Gaussian filters. The acquired information is then utilized for the Gaussian assumption monitoring purposes. In the event of the assumption violation, the filter may change its behavior. As a by-product of reusing the points, the computational costs of the proposed filter are significantly reduced compared to the standard stochastic integration filter.
Rights: Plný text je přístupný v rámci univerzity přihlášeným uživatelům
© IEEE
Appears in Collections:Konferenční příspěvky / Conference Papers (KKY)
Konferenční příspěvky / Conference papers (NTIS)
OBD

Files in This Item:
File SizeFormat 
article_FUSION20_StDu.pdf515,04 kBAdobe PDFView/Open    Request a copy


Please use this identifier to cite or link to this item: http://hdl.handle.net/11025/42252

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.

search
navigation
  1. DSpace at University of West Bohemia
  2. Publikační činnost / Publications
  3. OBD