WEKO3
アイテム
パーティクルフィルタによる計測誤差の低減に関する研究
https://doi.org/10.18997/00008311
https://doi.org/10.18997/00008311771e311c-9638-4c23-8d15-ecca7a95aae6
| 名前 / ファイル | ライセンス | アクション |
|---|---|---|
kou_k_513.pdf (12.9 MB)
|
|
| アイテムタイプ | 学位論文 = Thesis or Dissertation(1) | |||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 公開日 | 2021-06-03 | |||||||||||
| 資源タイプ | ||||||||||||
| 資源タイプ識別子 | http://purl.org/coar/resource_type/c_db06 | |||||||||||
| 資源タイプ | doctoral thesis | |||||||||||
| タイトル | ||||||||||||
| タイトル | パーティクルフィルタによる計測誤差の低減に関する研究 | |||||||||||
| 言語 | ja | |||||||||||
| タイトル | ||||||||||||
| タイトル | A Study on Reduction of Measurement Error by Particle Filters | |||||||||||
| 言語 | en | |||||||||||
| 言語 | ||||||||||||
| 言語 | jpn | |||||||||||
| 著者 |
森田, 賢
× 森田, 賢
|
|||||||||||
| 抄録 | ||||||||||||
| 内容記述タイプ | Abstract | |||||||||||
| 内容記述 | 近年発展の目覚ましいIoT（internet of things）では，センサにより身の回りのあらゆるものの情報を取得し，そこからより付加価値の高い情報を導き出すことが求められている．ところが，一般的にセンサから得られる情報にはさまざまなノイズが混入しており，そのノイズの影響で適切な情報処理が阻害される場合があるため，センサ信号から目的の信号のみを取り出す処理が必要となる．時々刻々とセンサから出力されるデータからノイズを除去する手法として，確率フィルタが広く用いられている．確率分布に従うノイズを扱う状態推定手法に，カルマンフィルタ（KF:Kalman filter）やその改良フィルタがある．しかし，KFはシステムノイズおよび観測ノイズがガウス分布に従うことを仮定するため，非ガウス分布に従うノイズ（非ガウス性ノイズ）が混入するシステムでは適切な状態推定がなされない．一方，パーティクルフィルタ（PF: particle filter）は状態の確率分布を多数の粒子により近似することで，非ガウス性ノイズが混入する非線形状態空間モデルに対しても状態推定ができる手法である．また，PFの事後分布から唯一の推定値を抽出する点推定により，観測ノイズの影響を低減した状態量推定を実現できる．PFの点推定手法には，計算量の低減を重視する手法や精度を重視する手法などが提案されており，前者としては最小二乗誤差（MMSE: minimum mean square error）推定，後者としては最大事後確率（MAP: maximum a posteriori）推定が広く用いられている．これらの手法は計算量だけでなく，推定精度を保つために計測ノイズの統計的性質に基づく使い分けが必要であるが，その事実はあまり広く認知されていない．さらに，センサの計測ノイズに関連して定義されるシステムモデルと観測ノイズの統計的性質を考慮しながら，PFのパラメータを調整して点推定手法を選択するという一連の作業には，推定結果の妥当性を評価しながらの試行錯誤が必要であり，実用上許容できる計算量と精度のトレードオフについても考慮しなければならない．これらの調整作業は多大な負荷となるため，実応用におけるPFの利用を妨げる要因となっていた．そこで本論文では，まず，PFの粒子数の調整や尤度関数の選択，点推定手法の選択などを，粒子の時系列分布を視覚的に確認しながら実施するために開発した可視化シミュレータについて述べる．次に，そのシミュレータの活用によって開発した，推定精度を保ちつつ計算量を低減することができる点推定手法について述べる．さらに，これらの開発によって，複数の実応用においてPFの状態推定性能を向上し，種々の実応用において問題となる各種センサの非ガウス性計測ノイズを低減する手法を確立する．第1章では，本論文の背景について述べる．第2章では，本論文で用いるPFの概要を述べる．第3章では，本研究にて開発した，PFの時系列の挙動を可視化するシミュレータの開発について述べる．また，本シミュレータにより，これまで困難とされてきたPFの詳細なパラメータの可視化が実現され，その調整や点推定手法の精度の比較が可能になることを示す．さらに，この開発によってPFのパラメータ調整や点推定手法の選定における作業負荷を低減できることを示す．第4章では，適応ベクトル量子化手法の適用によってPFの多数の粒子が有する情報を圧縮し，MAP推定の精度を保ったまま計算量を低減する手法を提案する．従来のMAP推定手法には全粒子の時系列情報を用いるため，状態推定精度と計算量にトレードオフが発生する．そして，実応用ではそれらを同時に改善する手法が求められる場合が多い．そこで，粒子が有する情報を適応ベクトル量子化手法によって圧縮して用いるMAP推定手法を開発した．本手法は，PF適応ベクトル量子化手法の有するパラメータの類似性に着目してMAP推定を定式化することで，MAP推定精度と計算量のトレードオフを解消できることを示す．第5章では，PFとMAP推定手法の応用によって，構造光のアクティブ照射を伴う深度センサの計測誤差を低減する手法を提案する．ここで扱う三次元計測センサによって取得される深度画像では，センサからの距離が急峻に変化する計測領域で，画素値が急峻に変化する．そのような領域では，センサから照射される構造光の散乱が生じやすく，比較的大きな計測ノイズが発生する傾向がある．多くの従来手法では，計測の状態モデルと観測モデルを設計し，計測データの累積から観測ノイズをガウス分布として近似することで状態推定を行う．しかし，計測領域に対して大域的に共通するシステムモデルと観測モデルを構築することが困難なため，計測領域を分割して複数のモデルを構成する必要があった．この問題を解決するために，深度画素値の時系列にPFを適用することで計測ノイズを低減する手法を開発し，計測領域ごとに分割したモデルを構築することなく，センサの計測誤差を低減できることを示す．第6章では，PFの状態推定に仮説検定を適用することで，多重センサシステムの異常を検出する手法を示す．本手法では，多重センサシステムの計測に対して，PFによる状態推定を実施し，それらの状態を尤度比検定によって常に監視する．事前に異常として定義したノイズがセンサの計測データに混入すると，異常を直ちに検出し，その計測データを隔離する．そして，正常なセンサの計測の状態推定のみが継続して多重センサシステムの出力として得られる．本手法によって，第7章では本論文の内容を総括し，今後の課題を示す． | |||||||||||
| 目次 | ||||||||||||
| 内容記述タイプ | TableOfContents | |||||||||||
| 内容記述 | 第1章 序章||第2章 パーティクルフィルタ||第3章 状態推定フィルタ統合シミュレータStefanyの開発||第4章 適応ベクトル量子化を用いたパーティクルフィルタのMAP推定の高速化法||第5章 パーティクルフィルタを用いた深度画像の誤差低減||第6章 パーティクルフィルタと尤度比検定による異常検知||第7章 結論と今後の課題 | |||||||||||
| 備考 | ||||||||||||
| 内容記述タイプ | Other | |||||||||||
| 内容記述 | 九州工業大学博士学位論文 学位記番号：工博甲第513号 学位授与年月日：令和3年3月25日 | |||||||||||
| キーワード | ||||||||||||
| 主題Scheme | Other | |||||||||||
| 主題 | Particle filter | |||||||||||
| キーワード | ||||||||||||
| 主題Scheme | Other | |||||||||||
| 主題 | MAP estimation | |||||||||||
| キーワード | ||||||||||||
| 主題Scheme | Other | |||||||||||
| 主題 | Error reduction | |||||||||||
| キーワード | ||||||||||||
| 主題Scheme | Other | |||||||||||
| 主題 | Fault detection | |||||||||||
| キーワード | ||||||||||||
| 主題Scheme | Other | |||||||||||
| 主題 | Simulator | |||||||||||
| アドバイザー | ||||||||||||
| 黒木, 秀一 | ||||||||||||
| 学位授与番号 | ||||||||||||
| 学位授与番号 | 甲第513号 | |||||||||||
| 学位名 | ||||||||||||
| 学位名 | 博士（工学） | |||||||||||
| 学位授与年月日 | ||||||||||||
| 学位授与年月日 | 2021-03-25 | |||||||||||
| 学位授与機関 | ||||||||||||
| 学位授与機関識別子Scheme | kakenhi | |||||||||||
| 学位授与機関識別子 | 17104 | |||||||||||
| 学位授与機関名 | 九州工業大学 | |||||||||||
| 学位授与年度 | ||||||||||||
| 内容記述タイプ | Other | |||||||||||
| 内容記述 | 令和2年度 | |||||||||||
| 出版タイプ | ||||||||||||
| 出版タイプ | VoR | |||||||||||
| 出版タイプResource | http://purl.org/coar/version/c_970fb48d4fbd8a85 | |||||||||||
| アクセス権 | ||||||||||||
| アクセス権 | open access | |||||||||||
| アクセス権URI | http://purl.org/coar/access_right/c_abf2 | |||||||||||
| ID登録 | ||||||||||||
| ID登録 | 10.18997/00008311 | |||||||||||
| ID登録タイプ | JaLC | |||||||||||
