Ambiguous measurement is often found near the inclination points of the measurement model where the same measurement pertains to two or more different states. This dissertation addresses the observation that the ambiguous measurement update, which causes increase in estimated covariance, is contributed by not only the shape of the measurement model but also the prior distribution of the filtered estimate. We give a novel suggestion that a way to cope with the local measurement ambiguity is to reshape the prior density, and propose a particle filtering algorithm which adopts an established solution to the out-of-sequence measurement (OOSM) problem on the framework of the particle filter with sequential importance resampling (SIR). This strategy provides a remedy to the ambiguity problem to obtain accurate current estimate with lower covariance. Numerical simulation for terrain-referenced navigation is presented to demonstrate effectiveness and performance of the proposed method. Compared to other methods such as the standard particle filter, the auxiliary particle filter, the mixture particle filter, and the receding-horizon Kalman filter, the proposed method shows better performance in terms of root-mean-square error and estimated covariance.
불분명한 측정치는 같은 측정치를 갖는 상태변수가 여러 개 존재하는 측정치를 말하며, 주로 측정치 모델의 변곡점 부근에서 발생한다. 이 논문은 추정된 공분산을 증가하는 불분명한 측정치 갱신이 측정치 모델의 형태뿐만 아니라 필터 추정치의 사전 분포에도 영향을 받는다는 관측을 다룬다. 지역적인 측정치 불분명성 문제를 해결하기 위한 새로운 방법으로써, 순서가 뒤바뀐 측정치를 처리하는 기법을 활용한 파티클 필터링 알고리즘을 통해 추정치의 사전 분포를 재형성하는 방법을 제안하였다. 제안한 알고리즘은 불분명한 측정치 갱신을 생략하고 사전 분포가 측정치 갱신에 적합한 이후 시간 간격에 그 측정치를 활용한다. 이 방법은 불분명성 문제를 해결하여 더 정확하고 확실한 실시간 추정치를 얻게 한다. 지형참조항법을 예시로, 수치 시뮬레이션을 통해 일반적인 파티클 필터, 보조 파티클 필터, 혼합 파티클 필터, 동적 구간 칼만 필터와 비교하여, 제안한 방법이 평균 제곱근 편차 및 추정된 공분산 측면에서 더 나은 성능을 가진다는 것을 보였다.
