データ効率的な統合追跡と分類のためのハイブリッド適応カルマンフィルタリング
本論文では、測定データのみからシステムダイナミクスとプロセスノイズ共分散の構造的補正を学習する自己教師ありハイブリッド適応カルマンフィルタを提案する。フィルタの確率構造を保持しつつ、イノベーション尤度によるモデル分類を実現する。実世界およびシミュレーションデータセットにおいて、推定精度と統計的一貫性の向上、および低データ・大データ両方のシナリオでのロバストな分類性能を示す。
カルマンフィルタは状態推定に広く用いられるが、その性能はモデルの誤差やノイズ共分散の調整に大きく依存する。従来の学習ベース手法は大量の教師データを必要とし、一貫した不確実性推定が難しい。そこで、本研究では自己教師ありのハイブリッド適応カルマンフィルタ（HAKF）を提案する。arXiv 2606.02767で公開された本手法は、測定値のみからシステムダイナミクスとプロセスノイズ共分散の構造的補正を学習し、フィルタの確率構造を維持する。その結果、イノベーション尤度を計算し、一般化ベイズ推論によるモデル分類が可能となる。
実験では、実世界およびシミュレーションデータセットを用いて、標準的なカルマンフィルタや教師あり学習手法と比較した。HAKFは、低データ・大データの両方のシナリオにおいて、推定精度と統計的一貫性の向上を示し、分類性能もロバストであった。本手法は、ロボット知覚や自動運転などのオンライン適応フィルタリングに新たな可能性をもたらす。
HAKFの提案は重要な意義を持つ。なぜなら、従来のカルマンフィルタのモデル精度への敏感さを克服し、自己教師あり学習によって大量のラベル付きデータへの依存を減らすからである。統計的一貫性により、不確実性推定の信頼性が保証され、安全クリティカルな応用にとって重要である。今後、このフレームワークはより複雑な非線形システムやマルチセンサーフュージョンシナリオへ拡張されることが期待される。