A Recursive Newton Method for Smoothing in Nonlinear State Space Models

Tutkimustuotos: Artikkeli kirjassa/konferenssijulkaisussaConference article in proceedingsScientificvertaisarvioitu

22 Lataukset (Pure)

Abstrakti

In this paper, we use the optimization formulation of nonlinear Kalman filtering and smoothing problems to develop second-order variants of iterated Kalman smoother (IKS) methods. We show that Newton's method corresponds to a recursion over affine smoothing problems on a modified state-space model augmented by a pseudo measurement. The first and second derivatives required in this approach can be efficiently computed with widely available automatic differentiation tools. Furthermore, we show how to incorporate line-search and trust-region strategies into the proposed second-order IKS algorithm in order to regularize updates between iterations. Finally, we provide numerical examples to demonstrate the method's efficiency in terms of runtime compared to its batch counterpart.

AlkuperäiskieliEnglanti
Otsikko31st European Signal Processing Conference, EUSIPCO 2023 - Proceedings
KustantajaEuropean Signal Processing Conference (EUSIPCO)
Sivut1758-1762
Sivumäärä5
ISBN (elektroninen)978-9-4645-9360-0
DOI - pysyväislinkit
TilaJulkaistu - 2023
OKM-julkaisutyyppiA4 Artikkeli konferenssijulkaisussa
TapahtumaEuropean Signal Processing Conference - Helsinki, Suomi
Kesto: 4 syysk. 20238 syysk. 2023
Konferenssinumero: 31
https://eusipco2023.org/

Julkaisusarja

NimiEuropean Signal Processing Conference
ISSN (painettu)2219-5491

Conference

ConferenceEuropean Signal Processing Conference
LyhennettäEUSIPCO
Maa/AlueSuomi
KaupunkiHelsinki
Ajanjakso04/09/202308/09/2023
www-osoite

Sormenjälki

Sukella tutkimusaiheisiin 'A Recursive Newton Method for Smoothing in Nonlinear State Space Models'. Ne muodostavat yhdessä ainutlaatuisen sormenjäljen.

Siteeraa tätä