⚡ electrical engineering

An Adaptive Kalman Filter that Learns the Coloring Dynamics of the Process Noise

Dit artikel introduceert een adaptieve Kalman-filter (IWAKF) die online de onbekende kleurendynamica van procesruis leert door de autocorrelatie van het innovatiesequentie te minimaliseren, waardoor de schattingen ook zonder voorafgaande kennis van de ruisdynamica bijna optimaal blijven.

Oorspronkelijke auteurs: Mohammad Almuhaihi, Dennis Bernstein

Gepubliceerd 2026-04-24

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Mohammad Almuhaihi, Dennis Bernstein

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

De "Slimme" Kalman-filter die de Ruis leert herkennen

Stel je voor dat je probeert de positie van een pendulum (een slinger) te volgen die in een storm waait. Je hebt een sensor die de hoek van de slinger meet, maar die sensor is niet perfect. Er zit ruis op.

In de wereld van wiskunde en techniek gebruiken ze een beroemde formule, de Kalman-filter, om de echte positie van de slinger te schatten ondanks die ruis. Maar hier zit een addertje onder het gras:

Het standaardprobleem: De Kalman-filter gaat er van uit dat de ruis "wit" is. Dat betekent dat de ruis volledig willekeurig is, zoals het geluid van een stromend water of witte ruis op een radio. Elke meting is onafhankelijk van de vorige.
De realiteit: In de echte wereld is ruis vaak "gekleurd". Dat betekent dat de ruis een patroon heeft. Als de wind vandaag een duwtje geeft, heeft dat waarschijnlijk ook invloed op de wind van morgen. Het is alsof de ruis een eigen "geheugen" heeft.
De oude oplossing: Als je weet hoe die ruis zich gedraagt (het "kleuringspatroon"), kun je de Kalman-filter aanpassen door een extra stukje wiskunde toe te voegen. Dit werkt perfect, maar alleen als je het patroon van tevoren kent.
Het nieuwe probleem: Wat als je dat patroon niet kent? Wat als de windpatronen veranderen en je niet weet hoe ze werken? Dan werkt je filter niet goed meer. De schattingen worden onnauwkeurig.

De Oplossing: De IWAKF (De "Oor-Filter")

De auteurs van dit artikel, Mohammad en Dennis, hebben een slimme nieuwe filter bedacht: de IWAKF (Innovations-Whitening Adaptive Kalman Filter).

Laten we dit uitleggen met een analogie:

De Analogie van de Muziekproducent
Stel je voor dat je een muzikant bent die een liedje probeert op te nemen, maar er zit een rare, herhalende bromtoon in de opname (de "gekleurde ruis").

Standaard filter: Je probeert het geluid te verbeteren, maar omdat je niet weet hoe de bromtoon klinkt, lukt het niet. Het geluid blijft rommelig.
De IWAKF: Deze filter heeft een speciaal "oor". Het luistert naar de fouten (de verschillen tussen wat de filter voorspelde en wat de sensor echt meet).
- Als de filter goed werkt, moeten die fouten volledig willekeurig zijn (zoals witte ruis).
- Als de fouten een patroon hebben (bijvoorbeeld: "altijd even te hoog, dan even te laag"), dan weet de filter: "Ah! Ik heb het verkeerde patroon gebruikt om de ruis te beschrijven."

Hoe leert de filter?
De IWAKF werkt als een leerling die constant probeert de fouten te minimaliseren.

De filter heeft een instelbaar mechanisme (een "kleurfilter") dat probeert de ruis na te bootsen.
Het kijkt naar de autocorrelatie van de fouten. Klinkt dat als een moeilijke term? Denk eraan als: "Hoeveel lijkt de fout van nu op de fout van gisteren?"
Als de fouten van vandaag lijken op die van gisteren, is er nog een patroon over. De filter past dan zijn instellingen (de "knoppen" van het kleurfilter) automatisch aan.
Het blijft knoppen draaien totdat de fouten geen patroon meer hebben. Ze zijn dan "wit" geworden.
Zodra de fouten wit zijn, betekent dit dat de filter het patroon van de ruis perfect heeft geleerd en de schatting van de slinger weer optimaal is.

Wat hebben ze bewezen?

Ze hebben dit getest met een computer-simulatie van een gedempte slinger (een slinger die langzaam stopt door wrijving). Ze hebben drie verschillende soorten "gekleurde ruis" (drie verschillende windpatronen) gebruikt die ze de filter niet vertelden.

Resultaat: De IWAKF leerde binnen no-time hoe die windpatronen werkten.
Vergelijking: De prestaties van deze "lerende" filter waren bijna precies even goed als een filter dat wel van tevoren wist hoe de wind precies blies.
Conclusie: Je hoeft niet te weten hoe de ruis zich gedraagt; de filter kan het zelf leren door simpelweg te kijken of zijn eigen fouten willekeurig zijn of niet.

Waarom is dit belangrijk?

Vroeger moest je als ingenieur eerst heel veel meten en rekenen om het patroon van de ruis te achterhalen voordat je een goede filter kon bouwen. Met deze nieuwe methode (IWAKF) kan het systeem online leren. Het past zich live aan als de omstandigheden veranderen.

Kort samengevat:
Het is alsof je een blindeman een kaart geeft van een stad die hij nog nooit heeft gezien. In plaats van dat hij vastloopt, heeft hij een kompas dat hem vertelt: "Je loopt een beetje in een cirkel, draai je eens om." Uiteindelijk loopt hij perfect rechtdoor, niet omdat hij de kaart kende, maar omdat hij leerde van zijn eigen afwijkingen.

Deze nieuwe filter doet precies dat: hij leert de "geheime taal" van de ruis door te luisteren naar zijn eigen fouten, en maakt zo de wereld van de schattingen weer helder en nauwkeurig.

Titel: Een Adaptieve Kalman-filter die de Kleuringsdynamica van Procesruis leert

Auteurs: Mohammad Almuhaihi en Dennis S. Bernstein (Universiteit van Michigan)

1. Probleemstelling

In de klassieke Kalman-filter (KF) wordt aangenomen dat procesruis ( $v_k$ ) wit is (onafhankelijke, identiek verdeelde sequenties). In veel praktische toepassingen voor toestandschatting is deze ruis echter gekleurd (gecorrleerd in de tijd).

Huidige aanpak: Om met gekleurde ruis om te gaan, wordt het systeem doorgaans uitgebreid (augmented) met een "kleuringsfilter" dat de autocorrelatie van de ruis modelleert. Dit levert optimale schattingen op, mits de dynamica van dit kleuringsfilter exact bekend zijn.
Het probleem: In de praktijk zijn de spectrale eigenschappen van de procesruis vaak onbekend. Als men een standaard KF toepast zonder correcte augmentatie, of een augmentatie gebruikt met onjuiste dynamica, worden de schattingen suboptimaal. De innovations (innovatie-sequenties) vertonen dan nog steeds autocorrelatie, wat wijst op een niet-optimale filter.

2. Methodologie

Het paper introduceert een nieuwe adaptieve techniek genaamd de Innovations-Whitening Adaptive Kalman Filter (IWAKF). De kern van de methode rust op een fundamenteel principe:

Het Whitening-Principe: Als de meetruis wit is, dan is de innovations-sequentie ( $z_k$ ) wit dan en slechts dan als de procesruis wit is.
Aanpak: In plaats van de covariantiematrices ( $Q$ en $R$ ) handmatig af te stemmen, leert de IWAKF online de parameters van het onbekende kleuringsfilter.
Implementatie:
1. State Augmentation: Het onbekende kleuringsfilter (gemodelleerd als een tweede-orde overdrachtsfunctie met parameters $\gamma_0, \gamma_1, \gamma_2, \gamma_3$ ) wordt opgenomen in de toestandsruimte van het systeem.
2. Optimalisatie: De parameters van dit filter worden continu aangepast om de empirische autocorrelatie van de innovations-sequentie te minimaliseren.
3. Doel: Door de autocorrelatie van de innovations naar nul te drijven (ze "wit" te maken), worden de parameters van het kleuringsfilter zo gekozen dat ze de werkelijke procesruis het beste benaderen, waardoor de filter weer near-optimale prestaties levert.

De kostenfunctie ( $J$ ) die geminimaliseerd wordt, is gebaseerd op de norm van de verwachte waarde van het product van de innovations op verschillende tijdstippen:
$J \triangleq \|E[z_{Aug.,k} z_{Aug.,k-\ell}]\|$
De parameters $\gamma$ worden gevonden via:
$\gamma_{0,1,2,3} = \arg \min_{\gamma} J$

3. Belangrijkste Bijdragen

Theoretisch Bewijs: Het paper bewijst (Propositie 1) dat voor lineaire tijd-invariante (LTI) systemen met onafhankelijke witte meetruis, de witheid van de innovations noodzakelijk en voldoende is voor de witheid van de procesruis. Dit vormt de theoretische basis voor de adaptieve aanpak.
Online Identificatie: In tegenstelling tot eerdere methoden die werken op het niveau van covariantieschatting (zoals Mehra's werk) of batch-verwerking vereisen, stelt IWAKF een methode voor om de dynamische parameters van het kleuringsfilter in real-time te identificeren.
Onafhankelijkheid van Voorafkennis: De methode vereist geen vooraf bekende spectrale informatie over de procesruis. Het systeem "leert" de ruisdynamica terwijl het draait.

4. Resultaten

De methode werd getest op een simulatie van een gedempte slinger (damped pendulum) met drie verschillende, onbekende kleuringsfilters (SF:1, SF:2, SF:3) met verschillende poollocaties in het complexe vlak.

Vergelijking: De prestaties van de IWAKF werden vergeleken met:
1. Een standaard Kalman-filter (zonder augmentatie).
2. Een "Perfectly Augmented KF" (waarbij de ware kleuringsdynamica bekend is).
Prestatie Ratio (PR): De Root Mean Square Error (RMSE) werd genormaliseerd ten opzichte van de standaard KF.
- De standaard KF toonde aanzienlijke autocorrelatie in de innovations en slechtere schattingen.
- De IWAKF bereikte een prestatie die vrijwel identiek was aan die van de "Perfectly Augmented KF".
Visualisatie: Grafieken tonen aan dat de IWAKF succesvol de autocorrelatie van de innovations naar nul reduceert, wat aantoont dat het de kleuringsdynamica correct heeft geleerd zonder voorafgaande kennis.

5. Betekenis en Toekomstperspectief

Significantie: Dit werk sluit een belangrijke kloof tussen theorie en praktijk. Het biedt een oplossing voor een veelvoorkomend probleem (onbekende gekleurde ruis) zonder de rekenlast van complexe batch-optimisatie of de noodzaak van nauwkeurige a priori kennis. Het herstelt de optimaliteit van de Kalman-filter in real-time.
Beperkingen en Toekomst: De huidige analyse is gebaseerd op LTI-systemen. De auteurs wijzen erop dat een belangrijke richting voor toekomstig onderzoek het uitbreiden van deze theorie naar Linear Time-Varying (LTV) systemen is. Dit vereist nieuwe methoden om te gaan met niet-stationaire spectra en het bijhouden van driftende dynamica, mogelijk met behulp van persistentie van excitatie en veranderingdetectie.

Conclusie: De IWAKF is een krachtige, adaptieve oplossing die de beperkingen van de standaard Kalman-filter bij gekleurde procesruis overwint door de innovaties-sequentie actief "wit" te maken via online parameteraanpassing.