カルマンフィルタは、線形二次推定とも呼ばれ、統計学と制御理論におけるアルゴリズムであり、時間経過に伴って観測された一連の測定値から未知の変数を推定する。統計的ノイズやその他の不正確さを考慮し、単一の測定値に基づく推定よりも一般的に正確な推定値を生成する。このフィルタは、各時間ステップにおける変数上の同時確率分布を推定することで再帰的に動作し、1960年にこの手法を導入したハンガリー生まれの技術者ルドルフ・E・カルマンにちなんで名付けられた。カルマンフィルタリングは、航空機、宇宙船、船舶などの車両の誘導、航法、制御、ならびに時系列解析、信号処理、計量経済学、ロボティクスにおいて広く使用されている。また、中枢神経系による運動制御のモデル化にも適用され、運動指令と感覚フィードバックの間の遅延を補償する。このアルゴリズムはリアルタイム動作向けに設計されており、現在の測定値、以前に計算された状態、およびその不確実性行列のみを使用し、追加の過去情報を必要としない。このフィルタは特定の条件下で最適である。プロセスと測定の共分散が既知であり、誤差がゼロ平均のガウス分布を持つ場合、最小平均二乗誤差の意味で最良の線形推定器となる。拡張カルマンフィルタやアンセンテッドカルマンフィルタなどの拡張は非線形システムを扱い、このフィルタはマルチセンサー融合や分散センサーネットワークで効果的に使用されている。このフィルタはハンガリー人移民のルドルフ・E・カルマンにちなんで名付けられているが、ソーヴァルド・ニコライ・ティーレとピーター・スワーリングがより早期に類似のアルゴリズムを開発していた。リチャード・S・ビューシーが理論に貢献し、時折使用されるカルマン・ビューシーフィルタという名称につながった。カルマンは、ウィーナーフィルタリング問題に適用される状態空間変数に基づいて導出を行った。最初の実装はスタンレー・F・シュミットによるものとされ、彼はカルマンがNASAのエイムズ研究センターを訪問した際に、このフィルタが非線形問題に適合できることを認識した。これにより、このフィルタはアポロ計画のミッション航法コンピュータに組み込まれ、わずか2kの磁気コアRAM、36kのワイヤロープメモリ、および100 kHz未満のクロック速度を使用した。デジタルフィルタはまた、ルスラン・ストラトノビッチによって開発されたより一般的な非線形フィルタの特別な場合でもあり、ストラトノビッチ・カルマン・ビューシーフィルタと呼ばれることもある。この手法は、スワーリング（1958年）、カルマン（1960年）、およびカルマンとビューシー（1961年）の論文で最初に記述された。カルマンフィルタは、米海軍の核弾道ミサイル潜水艦や巡航ミサイルの航法システム、ならびに再利用可能な打ち上げ機の誘導、航法、制御、および国際宇宙ステーションへの宇宙船のドッキングにおいて不可欠である。
アルゴリズムと数学的枠組み
カルマンフィルタは、連続状態空間を持つ隠れマルコフモデルに基づいており、潜在変数と観測変数の両方が正規分布に従う。このフィルタは、予測と更新の2段階のプロセスを通じて動的システムの状態を推定する。予測段階では、フィルタはシステムの動的モデルと既知の制御入力を使用して、現在の状態とその不確実性（共分散）を次の時間ステップに投影する。更新段階では、フィルタはノイズによって劣化した新しい測定値を組み込んで推定を洗練する。この洗練は加重平均であり、重みは不確実性が低いソースに高い信頼を割り当てる。重みは共分散行列から計算され、予測状態と測定値の間にある新しい状態推定につながる。このフィルタは再帰的であり、限られたメモリと計算でリアルタイム処理を可能にする。このフィルタの最適性は、プロセスと測定のノイズがゼロ平均かつガウス分布で既知の共分散を持つ場合、カルマンフィルタが最小平均二乗誤差推定器であることである。ノイズがガウス分布でなくても、平均と共分散が既知であれば、最小平均二乗誤差の意味で最良の線形推定器のままである。一般的な誤解は、このフィルタがガウスノイズを必要とするというものだが、最適な推定器ではないものの、より広く適用できる。
カルマンフィルタの歴史と発展
このフィルタリング手法は、ウィーナーフィルタリング問題に状態変数を適用することを着想したルドルフ・E・カルマンにちなんで名付けられている。理論はピーター・スワーリングとカルマンによって部分的に開発され、カルマンとビューシーが1961年に拡張した。アポロ誘導・航法システムに取り組んでいたスタンレー・F・シュミットが最初の実装を行ったとされている。彼はフィルタを2つの部分に分割した。1つはセンサー出力間の時間期間用、もう1つは測定値を組み込む用である。この実装はアポロ航法コンピュータ上で動作し、2Kコアメモリと36kワイヤロープ制御メモリを備え、集積回路で構築された中央処理装置が100 kHz未満で動作していた。このような限られたハードウェアでカルマンフィルタを実行できることは、顕著な工学的成果であった。このフィルタは以来、トマホークミサイルや空射巡航ミサイルを含む米海軍の核弾道巡航ミサイルの誘導と航法に不可欠であり、再利用可能な打ち上げ機や国際宇宙ステーションにドッキングする宇宙船にも使用されている。
センサー融合とマルチモーダル統合
カルマンフィルタの重要な強みは、複数のセンサーからのデータを融合する能力であり、センサー融合またはデータ融合としても知られる。これは、ノイズの多いセンサーデータ、システム方程式の近似、およびその他の外部要因に基づいて状態推定を生成する。このフィルタは、センサーノイズやランダムな外部外乱からの不確実性を効果的に処理し、システム追跡のための堅牢な方法を提供する。例えば、車両航法システムでは、このフィルタはGPS、慣性測定ユニットの読み取り値、およびモデルを活用して推定を調整できる。分散センサーネットワークでは、コンセンサスアルゴリズムを構築でき、システムが分散追跡を調整できるようにする。状態推定は、予測状態と測定ステータスの加重平均であり、重みは不確実性を表す共分散から計算される。このアプローチにより、より信頼性の高いデータが最終推定に大きな影響を与えることが保証される。
拡張と一般化
基本のカルマンフィルタは線形システムとガウスノイズに制限されているが、非線形性を扱うために多くの拡張が開発されている。拡張カルマンフィルタ（EKF）は、現在の推定の周りでテイラー級数を用いてシステムダイナミクスと測定モデルを線形化し、非線形コンテキストでの使用を可能にする。アンセンテッドカルマンフィルタ（UKF）は、決定論的サンプリング手法を使用して状態分布を非線形システムを通じて伝播し、特定の場合に精度を向上させる。これらの手法は、ロボティクス、自律航法、時系列解析などの分野で適用されている。さらに、カルマンフィルタは計量経済学で状態空間モデルを推定するために、信号処理でフィルタリングと予測に使用される。現実には、フィルタのシステムモデルは常に近似であり、更新ステップを通じて誤差を修正するフィルタの能力は依然として重要である。
外部リンクと参考文献
カルマンフィルタは、工学と社会科学における基礎的なツールであり、自動運転、オートパイロットシステム、ナビゲーションソフトウェアなどの幅広いアプリケーションを含む。その開発はウィーナーフィルタに着想を得ており、その理論的基盤は制御理論と信号処理に深く結びついている。人工知能と機械学習では、非線形拡張の概念が現代の状態推定とデータ同化と統合され、動的システムのトレーニングに使用される。このフィルタはまた、運動制御の中枢神経系モデリングにも利用され、脳が感覚フィードバックの遅延を処理するメカニズムとして提案されている。