RTS：Rauch–Tung–Striebel

用語集に戻る

RTS（Rauch-Tung-Striebel）スムーザーは、動的システムにおける状態推定の精度を向上させるために使用される数学的アルゴリズムです。これは、平滑化アルゴリズムのファミリーに属し、リアルタイムでシステムの状態を推定するカルマンフィルターの機能を拡張します。カルマンフィルターはデータを順番に処理し、過去および現在の測定値のみに基づいて現在の状態を推定しますが、RTSスムーザーは、過去と将来の両方の測定値を使用して状態の推定値を事後的に改良することにより、さらに一歩進んでいます。このプロセスにより、特にデータの事後処理を伴うアプリケーションでは、状態推定が大幅に向上します。

RTSはどのように機能しますか？

RTS (Rauch-Tung-Striebel) スムーザーは、フォワードパスとバックワードパスの2つの主要な段階で動作します。フォワードパスでは、アルゴリズムはデータに対して標準的なカルマンフィルターを実行し、各タイムステップにおける状態の推定値と関連する誤差共分散を収集します。この段階は、各時点までの過去のデータのみに基づいて、初期状態推定値と不確実性尺度を提供することで、基本的に基礎を築きます。

フォワードパスが完了すると、バックワードパスが開始されます。アルゴリズムは、最終的な状態推定値から初期の状態推定値へと逆方向に処理を進めます。各タイムステップで、RTS (Rauch-Tung-Striebel) は、フォワードフィルタリングプロセスでは利用できなかった将来のタイムステップからの情報を組み込むことで、状態推定値を修正します。フォワードパスで計算されたカルマンゲイン、遷移行列、および共分散を使用して、過去と将来の観測の両方のバランスを取る平滑化された推定値を算出します。この逆方向再帰は、フィルター処理された推定値を修正し、全体的な推定誤差を低減し、システム状態のより一貫性のある正確な軌跡を生成します。

数学的には、スムーザーは連続する推定値間の誤差の相関関係を利用する修正ステップを適用します。線形ガウス過程を通じてシステムの進化をモデル化することにより、RTS スムーザーは、カルマンフィルターで使用されるのと同じダイナミクスモデルと測定モデルを仮定します。各ステップで平滑化ゲインを計算し、これにより、現在の推定値を調整するために将来の推定値のどれだけを使用すべきかが決定されます。このゲインは、フィルター処理された推定値の共分散行列と予測状態に依存します。

RTS（Rauch-Tung-Striebel）の利点

RTSスムーザーは、システム状態のシーケンス全体のグローバルに最適な推定値を生成します。モデルが線形およびガウスであると仮定します。フィルタリングは現在の状態のみを推定します。スムージングは、利用可能なすべてのデータを使用して、最適な過去の状態推定値を再構築します。これにより、スムージングはオフラインアプリケーションに特に役立ちます。

RTSスムーザーは、航空宇宙ナビゲーション、信号処理、金融、ロボット工学など、さまざまな分野で応用されています。たとえば、慣性航法システム（INS）では、ドリフトとノイズを低減するために、軌道データを後処理するためによく使用されます。同様に、時系列分析またはオブジェクト追跡では、リアルタイムの推定値を改善し、正確なパスまたはトレンドを回復するために使用されます。

RTSスムーザーは利点がありますが、完全なデータセットへのアクセスが必要であり、長くて複雑なデータの場合、計算負荷が高くなります。また、線形ダイナミクスとガウスノイズの仮定に大きく依存しています。システムが非線形であるか、ノイズが非ガウスである場合は、拡張または無香料のRTSスムーザーを使用してください。これらのバリアントは、拡張カルマンフィルター（EKF）または無香料カルマンフィルター（UKF）などの非線形フィルターにメソッドを適合させます。

RTSスムーザーは、将来のデータを使用して過去の推定値を更新することで、カルマンフィルタリングを改善し、精度と安定性を向上させます。状態推定の基礎を形成し、後処理されたデータを使用して動的システムを正確に再構築できます。