arXiv:1503.06058

Sequential Monte Carlo Methods for System Identification

Thomas B. Schön, Fredrik Lindsten, Johan Dahlin, Johan Wågberg, Christian A. Naesseth, Andreas Svensson, Liang Dai

제출 2015-03-20

원문 초록

One of the key challenges in identifying nonlinear and possibly non-Gaussian state space models (SSMs) is the intractability of estimating the system state. Sequential Monte Carlo (SMC) methods, such as the particle filter (introduced more than two decades ago), provide numerical solutions to the nonlinear state estimation problems arising in SSMs. When combined with additional identification techniques, these algorithms provide solid solutions to the nonlinear system identification problem. We describe two general strategies for creating such combinations and discuss why SMC is a natural tool for implementing these strategies.

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2606.21036v2stat.ML공통 태그 State Space Models, State Estimation

확산 기반 상태 공간 모델

Diffusion-Driven State Space Models

많은 분야에서 실무자들은 잠재 시스템 역학을 충실히 포착하면서 정확한 예측을 생성하는 모델을 찾는다. 기존 접근법은 일반적으로 이 두 목표 중 하나를 포기한다. 딥 상태 공간 모델(deep state space model)은 종종 가우시안 잠재 전이(Gaussian latent transition)를 가정하여 적합(fit)과 예측을 제한하는 반면, 확산 모델(diffusion model)은 표현력이 매우 높지만 기저 역학에 대한 원칙적 추론(inference)이 부족하다. 두 접근법의 장점을 결합하기 위해, 우리는 기존의 가우시안 전이 분포를 확산 모델로 대체하는 확산 기반 상태 공간 모델(DDSSM, Diffusion-Driven State Space Model)을 제안한다. 우리의 DDSSM은 순차 데이터(sequential data)에서 오토인코더(autoencoder)와 확산 모델을 공동 학습(jointly train)하는 방법에 관한 미해결 문제를 해결하여, 시계열(time series)을 위한 잠재 확산 모델(latent diffusion model) 문헌을 확장한다. 또한 DDSSM이 다중모드 전이(multimodal transition)를 갖는 시뮬레이션 시계열의 적합과 예측에서 최첨단(state-of-the-art) 딥 SSM을 실험적으로 능가함을 확인하였다.

arXiv:2505.11602v3cs.LG공통 태그 State Space Models, State Estimation

불연속 게이팅을 가진 선택적 SSM의 정칙성 및 안정성 특성

Regularity and Stability Properties of Selective SSMs with Discontinuous Gating

Mamba와 같은 선택적 상태 공간 모델(SSM)은 장시퀀스 모델링의 핵심으로 자리잡았다. 그러나 이들의 안정성은 아직 충분히 이해되지 않았다: 상태 공간 계수가 토큰(token) 의존적 게이팅 신호에 의해 온라인으로 변조되어, 그 순환(recurrence)은 선형 시불변(linear time-invariant)도 고전적 비선형도 아닌 특성을 지닌다. 우리는 수동성(passivity), 소산성(dissipativity), 입력-상태 안정성(Input-to-State Stability, ISS)을 통해 연속 시간 선택적 SSM을 연구하며, 선택 신호 $x(\cdot)$를 구동 입력 $u(\cdot)$로부터 명시적으로 분리한다. 우리는 네 가지 결과를 도출한다: 엄격한 소산성 하에서의 지수적 망각; 불연속 게이팅을 수용하는 선택 고정 서브시스템에 대한 정준 $\mathrm{AUC}_{\mathrm{loc}}$ 이차 저장; 범용 커널(kernel) 제약 및 "비가역적 망각"을 포함하는 범용 이차 저장 하에서의 파라메트릭 LMI; 그리고 허용 가능한 선택 스케줄 전반에 걸쳐 균일한 전역 ISS에 대한 충분 조건. 이후 우리는 Mamba 선택적 스캔 코어에 대한 샘플링된 블록 LMI를 도출함으로써 실용적 연결을 구축하며, 이를 미분 가능한 학습(training) 시간 정규화기로 활용한다. 7개의 표준 시계열 데이터셋과 4개의 예측 지평에 걸쳐, 해당 정규화기는 28/28 쌍에서 샘플링된 Mamba 코어 LMI 위반을 약 92% 감소시키며, 클린 MSE 비용은 0.018% 미만이다. 또한 주입된 교란 하에서 내부 Mamba 수동성 및 상태 노름 진단을 개선한다. 우리의 결과는 고전적인 제어 이론적 도구를 선택적 SSM에 대한 검증 가능한 구조적·학습 기준으로 전환하는 동시에, 어떤 보장이 심층 선택적 스캔 아키텍처로 이전되는지를 솔직하게 범위 한정한다.

arXiv:2504.06479v2cs.RO공통 태그 State Estimation공식 코드 · Papers with Code

Holistic Fusion: 팩터 그래프 기반 작업 및 설정에 구애받지 않는 로봇 위치 추정 및 상태 추정

Holistic Fusion: Task- and Setup-Agnostic Robot Localization and State Estimation with Factor Graphs

도전적인 환경에서 이동 로봇의 원활한 운용을 위해서는 저지연 국소 운동 추정과 정확한 전역 위치 추정이 필요하다. 대부분의 센서 융합(sensor fusion) 접근법은 특정 시나리오를 위해 설계되지만, 본 연구는 일반성과 사용성을 특징으로 하는 작업 및 설정에 구애받지 않는 다중모달 센서 융합을 위한 유연한 오픈소스 솔루션을 제안한다. Holistic Fusion은 센서 융합을 i) 국소 및 전역 로봇 상태와 ii) (이론적으로 무제한적인 수의) 동적 변수(기준 좌표계의 자동 정렬 포함)의 결합 추정 문제로 공식화한다. 이 공식화는 개념적 수정 없이 수많은 실세계 응용에 적용 가능하며, 하드코딩된/작업 특화 접근법을 넘어서는 포괄적 솔루션을 제공한다. 제안된 팩터 그래프(factor graph) 공식화는 서로 다른 좌표계에 대해 표현된 임의 개수의 절대, 국소, 랜드마크(landmark) 측정값을 최적화(optimization)의 상태로 명시적으로 포함하고 그 진화를 랜덤 워크(random walk)로 모델링함으로써 직접 융합할 수 있게 한다. 또한 추정 점프를 방지하기 위해 국소적 평활성과 일관성에 특별한 주의를 기울인다. Holistic Fusion은 일반적인 로봇 하드웨어에서 저지연且 부드러운 온라인 상태 추정을 가능하게 하면서 동시에 IMU 측정 속도에서 저드리프트(low-drift) 전역 위치 추정을 제공한다. 공개된 이 프레임워크 [1]의 효과는 서로 다른 작업 요구사항을 갖는 세 가지 로봇 플랫폼에서 다섯 가지 실세계 시나리오를 통해 입증되며, 다양한 절대 측정 유형의 융합 이점 [2]을 강조한다. [1] 코드: https://github.com/leggedrobotics/holistic_fusion [2] 프로젝트: https://leggedrobotics.github.io/holistic_fusion

토론

이 논문과 연결된 포럼 글이 아직 없습니다.