Likelihood parcticle filter and its proposed modifications

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

Warianty tytułu

PL

Wiarygodny filtr cząsteczkowy i jego modyfikacje

• Języki publikacji: EN

Abstrakty

EN

In this paper, three methods, namely: Hybrid Kalman Filter, Hybrid Kalman Particle Filter, and Likelihood Particle Filter for state estimation have been presented. These algorithms have been applied to three nonlinear objects and one linear object (one- and multivariable systems) and have been compared with Bootstrap Particle Filter. Moreover, authors proposed three modifications of Likelihood Particle Filter, intended for different types of objects. Operation of three particle Filter algorithms, namely Bootstrap Particle Filter, Hybrid Kalman Particle Filter and Likelihood Particle Filter, have been compared for a different number of particles, and the results have been presented together with Extended Kalman Filter, Unscented Kalman Filter and Hybrid Kalman Filter algorithm. It has been shown that Hybrid Kalman Particle Filter gives better results than Bootstrap Particle Filter for a low number of particles. Furthermore, Likelihood Particle Filter provides better than other examined methods output match (through suitable choice of estimated state variables). For the linear object, Kalman Filter algorithm is the best.

PL

W pracy zostały przedstawione trzy metody estymacji: hybrydowy filtr Kalmana, hybrydowy cząsteczkowy filtr Kalmana oraz wiarygodny filtr cząsteczkowy. Algorytmy zostały zastosowane do trzech obiektów nieliniowych oraz jednego obiektu liniowego (systemy jedno- i wielowymiarowe) oraz zostały porównane z filtrem cząsteczkowym – algorytmem Bootstrap. Ponadto autorzy zaproponowali trzy modyfikacje wiarygodnego filtru cząsteczkowego przeznaczone do konkretnego typu obiektów. Działanie algorytmów filtru cząsteczkowego, Bootstrap, hybrydowego cząsteczkowego filtru Kalmana oraz wiarygodnego filtru cząsteczkowego zostały porównane przy różnej liczbie cząsteczek oraz zestawione z rozszerzonym filtrem Kalmana, bezśladowym filtrem Kalmana oraz hybrydowym filtrem Kalmana. Można zauważyć, że hybrydowy cząsteczkowy filtr Kalmana daje lepsze wyniki od algorytmu Bootstrap dla mniejszej liczby cząsteczek. Poza tym wiarygodny filtr cząsteczkowy zapewnia najlepsze spośród badanych metod dopasowanie wyjść (przez wybór estymowanych zmiennych stanu). Dla obiektu liniowego algorytm filtru Kalmana działa najlepiej.

Słowa kluczowe

PL

estymacja stanu; hybrydowy filtr Kalmana; hybrydowy cząsteczkowy filtr Kalmana; wiarygodny filtr cząsteczkowy

EN

state estimation; Hybrid Kalman Filter; Hybrid Kalman Particle Filter; Likelihood Particle Filter

• Czasopismo: Studia z Automatyki i Informatyki
• Rocznik: 2018
• Tom: T. 43
• Strony: 81--93
• Opis fizyczny: Bibliogr. 15 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, and also Poznan University of Technology, Faculty of Computing, Institute of Automation and Robotics, Division of Signal Processing and Electronic Systems, Piotrowo 3a street, 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,

autor

Giernacki, W.

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

Bibliografia

• [1] A. Abdur and A. Exposito. Power system state estimation: Theory and implementation. Marcel Dekker, Inc., pages 17–49, 2004.
• [2] 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.
• [3] A. Florek and P. Mazurkiewicz. Sygnały i systemy dynamiczne. Wydawnictwo Politechniki Poznanskiej, 2015.
• [4] D. Fox, W. Burgard, F. Dellaert, and S. Thrun. Monte carlo localization: Efficient position estimation for mobile robots. AAAI/IAAI, 2(2):343–349, 1999.
• [5] 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.
• [6] M. T. M. H. N. Udupa, M. Minal. Node level ANN technique for real time power system state estimation. International Journal of Scientific & Engineering Research, 5(1):1500–1505, 2004.
• [7] 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.
• [8] P. Kozierski, M. Lis, and J. Zietkiewicz. Resampling in particle filtering – comparison. Studia z Automatyki i Informatyki, 38:35–64, 2013.
• [9] A. Liu, W. Zhang, and M. Chen. Moving horizon estimation for mobile robots with multirate sampling. IEEE Transactions on Industrial Electronics, 64(2):1457–1467, 2017.
• [10] R. Mascaro, L. Teixeira, T. Hinzmann, R. Siegwart, and M. Chli. GOMSF: Graph-optimization based multi-sensor fusion for robust UAV pose estimation. International Conference on Robotics and Automation (ICRA 2018), 2018.
• [11] J. Michalski, P. Kozierski, and J. Zietkiewicz. Comparison of Particle Filter and Extended Kalman Particle Filter. Studia z Automatyki i Informatyki, 42:43–51, 2017.
• [12] J. Michalski, P. Kozierski, and J. Zietkiewicz. Comparison of state estimation methods for dynamical systems (in Polish). Pomiary Automatyka Robotyka, 21(4):41–47, 2017.
• [13] F. Wang, Y. Lin, T. Zhang, and J. Liu. Particle Filter with hybrid proposal distribution for nonlinear state estimation. Journal of Computers, 6(11):2491–2501, 2011.
• [14] N. Yadaiah and G. Sowmya. Neural network based state estimation of dynamical systems. Neural Networks, 2006. IJCNN’06. International Joint Conference on, pages 1042–1049, 2006.
• [15] S. Zahran, A. Moussa, and N. El-Sheimy. Enhanced UAV navigation in GNSS denied environment using repeated dynamics pattern recognition. Position, Location and Navigation Symposium (PLANS), 2018 IEEE/ION, pages 1135–1142, 2018.

Uwagi

Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2018).