강건한 UAV 상태 추정을 위한 Sage-Husa 칼만 필터의 학습된 메모리 감쇠 기법

동적인 환경에 놓인 무인 항공기 (UAV)는 텔레메트리 (telemetry) 중단, 구조적 진동, 그리고 regime-dependent (체제 의존적) 노이즈에 직면하며, 이는 고전적인 칼만 필터 (Kalman filters)의 정상 공분산 (stationary covariance) 가정을 무효화합니다. Sage-Husa 칼만 필터 (SHKF)는 노이즈 통계량을 온라인으로 추정하지만, 정적인 스칼라 망각 계수 (scalar forgetting factor)에 의존하기 때문에 정상 상태의 안정성 (steady-state stability)과 과도 응답성 (transient responsiveness) 사이에서 엄격한 타협을 강요받습니다. 본 논문에서는 이 스칼라 파라미터를 백색화된 혁신 시퀀스 (whitened innovation sequences) 상에서 작동하는 계층적 순환 네트워크 (hierarchical recurrent network)에 의해 학습된 벡터 값 메모리 감쇠 정책 (vector-valued memory attenuation policy)으로 대체하는 N-Deep Recurrent Sage-Husa Filter (NDR-SHKF)를 소개합니다. 이 분기된 구조 (bifurcated architecture)는 순간적인 센서 이상 (sensor anomalies)을 포착하기 위해 얕은 순환 상태 (shallow recurrent states)를 라우팅하고, 지속적인 동적 추세 (sustained dynamic trends)를 인코딩하기 위해 깊은 상태 (deep states)를 라우팅하며, 보조 재구성 목적 함수 (auxiliary reconstruction objective)는 특징 붕괴 (feature collapse)를 방지합니다. 재귀적 공분산 업데이트 (recursive covariance updates)를 포함한 전체 필터는 상태 추정 오차 (state estimation error)를 직접적으로 최소화하기 위해 시간 기반 역전파 (backpropagation through time)를 통해 엔드투엔드 (end-to-end)로 학습됩니다. 위상학적으로 구별되는 카오스 어트랙터 (chaotic attractors)에 대한 평가는 분포 외 (out-of-distribution) 동역학 하에서 발산하는 순수 데이터 기반 베이스라인 (data-driven baselines)보다 뛰어난 성능을 보이며 교차 도메인 일반화 (cross-domain generalization) 능력을 입증합니다. 또한, 기록된 실제 UAV 비행 데이터셋에 대한 평가는 본 프레임워크의 실질적인 실행 가능성을 검증하며, 고유 수용성 데드 레코닝 (proprioceptive dead reckoning)으로의 전환을 연결하고 센서 중단 시 고전적인 적응형 추정기 (adaptive estimators)보다 우수한 성능을 보이는 능력을 보여줍니다.