状態推定（工学）｜観測から内部状態を推定する数理

2025.09.24

状態推定（工学）

状態推定は、観測ノイズやモデル不確かさの下で、対象システムの内部状態（位置・速度・温度・荷重・故障指標など）を数理的に推定する手法である。計測できるのは多くの場合、センサが出力する観測量であり、それは真の状態に線形・非線形な写像とノイズが重畳した結果である。状態推定の目的は、モデルと観測を統合し、時系列的に最も尤もらしい状態を再構成することである。典型例として、制御系におけるフィードバック用の推定、異常検知、ナビゲーション、プロセス産業のソフトセンサ、ロボティクスの自己位置推定が挙げられる。工学では、推定精度と計算負荷、安定性、可観測性のトレードオフを設計の中心に据える。

Table Of Contents

定式化と目的関数

状態推定は、離散時間の状態空間モデルで定式化することが多い。すなわち、状態遷移式 xk=f(xk−1,uk−1)+wk と観測式 yk=h(xk)+vk を仮定し、wk, vk はゼロ平均の確率雑音とする。目的は、観測系列 {y1:k} が得られたときの事後分布 p(xk|y1:k) を求め、その期待値や最尤値を推定値として出力することにある。最小二乗、最小分散、不偏性などの基準が設計判断の軸となる。

線形ガウス系とカルマンフィルタ

システムが線形かつ雑音がガウスである場合、状態推定の最適解はカルマンフィルタ（KF）で与えられる。KFは予測ステップ（時間更新）と更新ステップ（観測更新）を交互に繰り返し、推定値と共分散を逐次的に更新する。カルマンゲインは予測不確かさと観測ノイズ強度の相対比により決定され、観測をどの程度信頼するかを自動的に重み付けする。定常条件の下ではリカッチ方程式の定常解に収束し、実装は計算的に軽量でリアルタイム処理に適する。

数値安定化の工夫

行列条件数が悪い場合、平方根フィルタ（Cholesky 分解による共分散の因子化）で数値安定性を高める。ダイナミクスや観測のスパース性を活用すれば、大規模系の状態推定も実時間で実現しやすい。

非線形拡張：EKF・UKF・粒子フィルタ

非線形系では拡張カルマンフィルタ（EKF）が古典的手法であり、ヤコビアンに基づく一次近似でガウス性を保ちながら状態推定を行う。無香料カルマンフィルタ（UKF）はシグマ点を用いて非線形写像の平均と分散をより高精度に伝播させる。強い非線形性や多峰性を伴う場合は、サンプリングベースの粒子フィルタ（PF）が有効で、重み付き粒子集合によって任意形状の事後分布を表現できる。ただし、PFは粒子退化と計算量の問題があるため、リサンプリング戦略や逐次モンテカルロの設計が鍵となる。

モデル化誤差への頑健性

モデル不確かさが支配的なら、H∞フィルタのような最悪事例に対する頑健な状態推定や、ノイズ共分散のオンライン同定（EMアルゴリズム等）を組み合わせる。

可観測性と設計指針

状態推定の成否は可観測性の確保に依存する。線形時不変系では可観測性行列の階数で判定でき、センサ配置や入力設計で改善可能である。非線形系では局所可観測性（Lie 派生など）を評価し、必要に応じて励起信号を設計する。共分散が縮退していないか、同定可能性と推定可能性が両立しているかを事前検討することが重要である。

離散化と時間同期

連続時間モデルを数値実装する際は、離散化誤差が状態推定に影響する。零次ホールドや行列指数による厳密離散化を選択し、センサ間のタイムスタンプずれやドリフトを補正する。多レート観測では、非同期更新や補間、バッファリングを設計し、リアルタイム処理でのデータ欠損に備える。

誤差評価と指標

推定性能は、RMSE、NIS（正規化イノベーション二乗統計量）、NEES（正規化誤差二乗期待値）で評価する。イノベーションのホワイト性検定により、ノイズ共分散の整合性を点検できる。交差検証や同定用・評価用データの分割も、状態推定の過学習回避に有効である。

産業応用の実例

  • プロセス産業：温度・濃度のソフトセンサ化による品質推定と閉ループ制御。
  • ロボティクス：IMUとカメラの融合によるVIO/SLAMの状態推定。
  • 電力設備：部分放電指標の逐次状態推定を用いた予防保全。
  • 自動車：GNSSと車輪速の融合で車両軌跡を安定推定し、ADASに供給。

データ同化との関連

大規模流体や気象では、EnKF（アンサンブルKF）などのデータ同化が広く用いられ、状態推定と統計的予報が一体化している。

実装の勘所

  1. チューニング：Q（過程ノイズ）とR（観測ノイズ）の比が収束性と応答性を規定する。対角近似から開始し、NIS/NEESで整合性を検証する。
  2. スケーリング：固定小数点やGPU最適化でリアルタイム状態推定の遅延を抑制する。
  3. 外乱・欠測：外れ値抑制（Huber 損失等）や欠測時の純予測運転を設ける。
  4. 安全性：フェイルセーフとして観測単独のフォールバック経路を保持する。

観測設計とセンサフュージョン

単一センサでは識別困難な状態も、相補的なセンサ融合で可観測化できる。例えば、視覚の相対測位とIMUの短期安定性を組み合わせることで、状態推定のドリフトを抑制する。情報量規準に基づくセンサ選択や、分散型フィルタでのネットワーク遅延補償も重要である。

非ガウス・非定常への拡張

重尾ノイズや切替系では、混合ガウスモデル、切替カルマンフィルタ（IMM）、ベイズスムージング、変分推論などを併用する。オンライン学習により Q,R を時変化させ、環境変動に合わせて状態推定を適応化する設計が有効である。

スムージング

後向き情報を利用する RTS スムーザは、オフラインで時点全体の最良状態推定を与え、パラメータ同定や軌跡再構成に有用である。

制御・最適化との関係

状態推定は最適制御やMPCと密接である。分離定理により、線形二次ガウス（LQG）では推定器と制御器を独立設計できる。一方で、非線形・制約付きでは相互作用が強く、推定と制御を同時最適化する設計（Dual Control）が研究されている。

用語・規格の周辺

計測校正や不確かさの枠組み（ISO/IEC ガイド）と整合を取り、状態推定の結果に信頼区間やカバレッジを付与することが望ましい。データ品質管理、トレーサビリティ、妥当性確認は産業実装の前提条件である。

典型的な落とし穴

モデルが過度に楽観的で Q を過小評価すると、急な外乱で推定が破綻する。逆に R を過小評価すると観測ノイズを過度に追随し発散を招く。非線形での線形化誤差、座標系の取り扱い、単位換算の不整合も状態推定の品質を劣化させるため、初期化・単位・座標の統一を徹底する。

コメント（β版）