Robustní Variational Bayes UKF pro GPS v městském kaňonu: Potlačení anomálií pomocí Studentova rozložení
V městském kaňonu GPS signály trpí vícenásobným odrazem a stíněním, což způsobuje výbuchy v pseudozdálích. Klasický Fusion UKF s gaussovským šumem ztrácí přesnost, zatímco Variational Bayes Fusion UKF modeluje šum jako Studentovo rozložení. Iterativní odhad škálovací proměnné automaticky snižuje váhu anomálních měření. Simulace ukázaly snížení RMSE polohování více než dvakrát oproti základnímu UKF.
Robustnost díky změně modelu šumu a fúzi senzorů
Klasické Kalmanovy filtry předpokládají gaussovský aditivní šum, ale reálné GPS anomálie mají těžké ocasy. Přechod na Studentovo rozložení umožňuje vážit měření podle reziduí: velké chyby dostanou nízkou váhu, což brání zkreslení trajektorie.
Váha se počítá jako $w = \frac{\nu + m}{\nu + d^2}$, kde $\nu$ jsou stupně volnosti, $m$ dimenze měření, $d^2$ čtverec mahalanobisovy vzdálenosti. Při malém $\nu$ (např. 2) váha rychle klesá pro výbuchy, při velkém ($\nu \to \infty$) se blíží gaussovskému případu.
Fúze senzorů doplňuje GPS inertními daty (IMU). V VB přístupu se kovariační matice $R_i$ pro každý senzor odhadují iterativně jako náhodné veličiny, což zajišťuje dynamické přerozdělení důvěry.
Při GPS anomáliích VB-UKF zvyšuje disperzi $R_{GPS}$, snižuje jeho vliv a přepne na IMU, dokud se signál nestabilizuje.
Ochrana v implementaci
# 1. Ochrana před nesouladem modelu
if self.cap_lambda_to_1:
lamvec = np.minimum(lamvec, 1.0)
# 2. Ochrana před dělením nulou
lamvec = np.clip(lamvec, self.lambda_clip[0], self.lambda_clip[1])Tyto klipy zabraňují vahám >1 (porušení fyziky) a NaN z extrémních výbuchů.
Výpočetní složitost a kompromisy
Klasický UKF používá 2n+1 sigma bodů pro nelineární aproximaci, složitost $O(n^3)$ kvůli inverzím matic. VB-UKF přidává iterace pro variační bayesovský vývod k aproximaci aposterioru Studentova rozložení gaussovským.
Variační vývod minimalizuje KL divergeni mezi skutečným aposterioriem a aproximací, konverguje za 5–10 iterací na krok. To je zlatý střed: efektivnější než Particle Filter ($O(N_p n^2)$, $N_p \gg 2n$), ale robustnější než bodový UKF.
Pro streamovou filtraci v reálném čase je VB-UKF vhodný pro vestavěné systémy s dynamikou až 100 Hz.
Simulační model: CTRV trajektorie
Model dynamiky – Constant Turn Rate and Velocity (CTRV) pro simulaci manévrovacího objektu v městském kaňonu:
- Stav: $[x, y, v, \psi, \dot{\psi}]^T$
- GPS měření: $[x_gps, y_gps]$ s anomáliemi
- IMU: akcelerometr, gyroskop
Parametry:
- Nominální šum GPS: $\sigma_{gps} = 3$ m
- Anomálie: skoky až 50–100 m s pravděpodobností 5–10%
- $\nu = 4$ pro vyváženou citlivost
- Simulační kroky: 1000 s, frekvence 10 Hz
Struktura dat – bufferovaná měření s timestampem, stavový vektor 5D.
Výsledky simulace
Trajektorie a RMSE
Na trajektorii s zatáčkami a anomáliemi klasický UKF odchyluje o 20–50 m, VB-UKF drží chybu <10 m. RMSE polohování: 7,2 m (VB) vs 18,5 m (Fusion UKF).
NIS (Normalized Innovation Squared) pro VB-UKF souhlasí s $\chi^2$-rozložením, což ukazuje správný model šumu.
Adaptace vah
VB mechanismus dynamicky snižuje váhu GPS při $d^2 > \nu$: graf ukazuje pokles z 1 na 0,1 za 2–3 kroky po anomálii, obnova za 5 kroků.
Přechodový proces
Po výbuchu VB-UKF obnoví trajektorii za 10–20 kroků vs 50+ pro základní UKF. Adaptace $R$ vyhladí přechod.
Klíčové body
- VB-UKF sníží RMSE dvakrát v GPS anomáliích díky Studentovu rozložení a iterativnímu odhadu $R$.
- Dynamické vážení senzorů bez heuristik: GPS/IMU priorita se mění bayesovsky.
- Výpočetní cena – 5–10 iterací na krok, přijatelné pro real-time.
- Ladění přes $\nu$: 2–4 pro agresivní robustnost, >10 pro gaussovskou.
- NIS/NEES potvrzují konzistenci modelu.
— Editorial Team
Zatím žádné komentáře.