Comparison of Particle Filter and Extended Kalman Particle Filter

• Autorzy: Michalski J. , Kozierski P. , Zietkiewicz J.

Warianty tytułu

PL

Porównanie algorytmów filtru cząsteczkowego i rozszerzonego cząsteczkowego filtru Kalmana

• Języki publikacji: EN

Abstrakty

EN

In this paper, three state estimation algorithms, namely: Extended Kalman Filter, Particle Filter (Bootstrap Filter) and Extended Kalman Particle Filter, have been presented. Particle Filter and Extended Kalman Particle Filter algorithms have been compared with a different number of particles and the results have been presented together with Extended Kalman Filter. Estimation quality has been checked for three nonlinear objects (one- and multidimensional systems) and evaluated through the aRMSE quality index value. Based on the obtained results it was concluded that Extended Kalman Particle Filter provide better estimation quality for low number of particles in comparison to simple particle filter. However it is not met for highly nonlinear system.

PL

W pracy zostały zaprezentowane trzy algorytmy estymacji - rozszerzony filtr Kalmana, filtr cząsteczkowy (algorytm Bootstrap) i rozszerzony cząsteczkowy filtr Kalmana. Algorytmy filtru cząsteczkowego i rozszerzonego cząsteczkowego filtru Kalmana zostały porównane dla różnej liczby cząsteczek, a wyniki zestawione z wynikami działania rozszerzonego filtru Kalmana. Jakość estymacji została sprawdzona dla trzech nieliniowych obiektów (systemy jedno- i wielowymiarowe) i oceniona za pomocą wskaźnika jakości aRMSE. Na podstawie otrzymanych wyników stwierdzono, że rozszerzony cząsteczkowy filtr Kalmana zapewnia lepszą jakość estymacji dla niewielkiej liczby cząsteczek w porównaniu do zwykłego filtru cząsteczkowego. Jednakże nie jest to spełnione dla silnie nieliniowego obiektu.

Słowa kluczowe

EN

state estimation; extended Kalman filter; particle filter; extended Kalman particle filter

PL

estymacja stanu; rozszerzony filtr Kalmana; filtr cząstkowy

• Wydawca: Poznańskie Towarzystwo Przyjaciół Nauk
• Czasopismo: Studia z Automatyki i Informatyki
• Rocznik: 2017
• Tom: T. 42
• Strony: 43--51
• Opis fizyczny: Bibliogr. 20 poz., rys.

Twórcy

autor

Michalski J.

• Poznan University of Technology, Faculty of Electrical Engineering, Institute of Control, Robotics and Information Engineering, Division of Control and Robotics

autor

Kozierski P.

• Poznan University of Technology, Faculty of Electrical Engineering, Institute of Control, Robotics and Information Engineering
• Poznan University of Technology, Faculty of Computing, Institute of Automation and Robotics, Division of Signal Processing and Electronic Systems, Piotrowo 3a Str, 60-965 Poznan

autor

Zietkiewicz J.

• Poznan University of Technology, Faculty of Electrical Engineering, Institute of Control, Robotics and Information Engineering, Division of Control and Robotics

Bibliografia

• [1] S. Arulampalam, S. Maskell, N. Gordon, and T. Clapp. A tutorial on particle filters for on-line non-linear/non-gaussian bayesian tracking. IEEE Transactions on Signal Processing, 50(2):174-188, 2002.
• [2] J. V. Candy. Bayesian signal processing. WILEY, pages 36-44, 237-298, 2009.
• [3] H. Chen, X. Liu, C. She, and C. Yao. Power system dynamic state estimation based on a new particle filter. Procedia Environmental Sciences, 11:655-661, 2011.
• [4] A. Doucet and A. M. Johansen. A tutorial on particle filtering and smoothing: Fifteen years later. In handbook of Nonlinear Filtering 2009/12, pages 656-704, 2012.
• [5] S. H. (Ed.). Kalman Filtering and Neural Networks. Wiley, New York, 2001.
• [6] A. Florek and P. Mazurkiewicz. Sygnały i systemy dynamiczne. Wydawnictwo Politechniki Poznanskiej, 2015.
• [7] J. N. Gordon, D. J. Salmond, and A. F. M. Smith. Novel approach to nonlinear/non-gaussian bayesian state estimation. IEE Proceedings-F, 140(2):107-113, 1993.
• [8] A. H. Jazwinski. Stochastic Processes and Filtering Theory. Academic Press, Seabrook, 1970.
• [9] S. J. Julier and J. K. Uhlmann. Unscented filtering and nonlinear estimation. Proceedings of the IEEE, 92(3):401-422, 2004.
• [10] R. E. Kalman. A new approach to linear filtering and prediction problems. Journal of basic Engineering, 82(1):35-45, 1960.
• [11] G. Kitagawa. Monte carlo filter and smoother for non-gaussian nonlinear state space models. Journal of computational and graphical statistics, 5(1):1-25, 1996.
• [12] P. Kozierski, M. Lis, and J. Zietkiewicz. Resampling in particle filtering - comparison. Studia z Automatyki i Informatyki, 38:35-64, 2013.
• [13] F. Li, L. Wu, P. Shi, and C.-C. Lim. State estimation and sliding mode control for semi-markovian jump systems with mismatched uncertainties. Automatica, 51:385-393, 2015.
• [14] L. Liang-Qun, J. Hong-Bing, and L. Jun-Hui. The iterated extended kalman particle filter. In In Communications and Information Technology, ISCIT 2005, pages 1213-1216, Beijing, China, October 2005.
• [15] R. Merwe, A. Doucet, N. Freitas, and E. Wan. The unscented particle filter. Technical Report CUED/F-INFENG/TR 380, 2000.
• [16] J. Mountney, I. Obeid, and D. Silage. Modular particle filtering fpga hardware architecture for brain machine interfaces. In Conf Proc IEEE Eng Med Biol Soc., pages 4617-4620, Boston, Massachusetts USA, 2011.
• [17] L. Murray. Gpu acceleration of the particle filter: the metropolis resampler. arXiv preprint arXiv:1202.6163, 2012.
• [18] D. Simon. Optimal State Estimation. WILEY, New Jersey, 2006.
• [19] S. Sutharsan, T. Kirubarajan, T. Lang, and M. McDonald. An optimization-based parallel particle filter for multitarget tracking. IEEE Transactions on Aerospace and Electronic Systems, 48(2):1601-1618, 2012.
• [20] E. A. Wan and R. V. D. Merwe. The unscented kalman filter for nonlinear estimation. Adaptive Systems for Signal Processing, Communications, and Control Symposium, pages 153-158, 2000.

Uwagi

Opracowanie ze środków MNiSW w ramach umowy 812/P-DUN/2016 na działalność upowszechniającą naukę (zadania 2017).