5.3 递归最小二乘法

5.3 递归最小二乘法

前面最小二乘法中数据是一次全部测量好，然后进行求解。但实际中有时存在测量数据是在线获得的，即时刻获得测量数据。比如无人驾驶车辆，需要实时判断前面车辆的运动状态，获取其加速度，所以每时每刻都需要进行测量。当每次获得新的测量数据后，需要进行最小二乘法以更新车辆状态。如果每次更新时，都采用公式 $\hat{\mathbf{x}}=(A^{T}A{)}^{-1}{A}^T\mathbf{b}$ 进行更新，即采用所有数据进行计算，则当测量次数很多时，计算量很大，效率很低，且需要保存所有测量数据。我们可以采用递归方式，每次利用新测量数据对结果继续修正，极大减小计算量和存储量。

为了使记号简洁，我们令 ${\hat{\mathbf{x}}}_{\mathbf{m}}$ 表示用前 $m$ 次测量数据得到的最优近似解。我们计算 $A^{T}A$ ，此时需要把矩阵 $A$ 看作行向量组，即 A = [ a r 1 T a r 2 T ⋮ a r m T ] A = \left[

$$\begin{matrix} \mathbf{a^T_{r1}} \\ \mathbf{a^T_{r2}} \\ \vdots \\ \mathbf{a^T_{rm}} \end{matrix}$$ \right] A=⎣⎢⎢⎢⎡​ar1T​ar2T​⋮armT​​⎦⎥⎥⎥⎤​ ，每一行对应一次测量数据，总共 $m$ 次测量，则
$$A^{T}A=\left[\begin{array}{c}{\mathbf{a}}_{\mathbf{r}1},{\mathbf{a}}_{\mathbf{r}2},\cdots ,{\mathbf{a}}_{\mathbf{r}\mathbf{m}}\end{array}\right]\left[\begin{array}{c}{\mathbf{a}}_{\mathbf{r}1}^{\mathbf{T}}\\ {\mathbf{a}}_{\mathbf{r}2}^{\mathbf{T}}\\ ⋮\\ {\mathbf{a}}_{\mathbf{r}\mathbf{m}}^{\mathbf{T}}\end{array}\right]={\mathbf{a}}_{\mathbf{r}1}{\mathbf{a}}_{\mathbf{r}1}^{\mathbf{T}}+{\mathbf{a}}_{\mathbf{r}2}{\mathbf{a}}_{\mathbf{r}2}^{\mathbf{T}}+\cdots +{\mathbf{a}}_{\mathbf{r}\mathbf{m}}{\mathbf{a}}_{\mathbf{r}\mathbf{m}}^{\mathbf{T}}$$

令 $P_m=(A^{T}A{)}_m^{-1}$ 表示用前 $m$ 次测量数据得到的矩阵，则
$$P_m=({\mathbf{a}}_{\mathbf{r}1}{\mathbf{a}}_{\mathbf{r}1}^{\mathbf{T}}+\cdots +{\mathbf{a}}_{\mathbf{r}(\mathbf{m}-1)}{\mathbf{a}}_{\mathbf{r}(\mathbf{m}-1)}^{\mathbf{T}}+{\mathbf{a}}_{\mathbf{r}\mathbf{m}}{\mathbf{a}}_{\mathbf{r}\mathbf{m}}^{\mathbf{T}}{)}^{-1}=(P_{m-1}^{-1}+{\mathbf{a}}_{\mathbf{r}\mathbf{m}}{\mathbf{a}}_{\mathbf{r}\mathbf{m}}^{\mathbf{T}}{)}^{-1}$$

A T b = [ a r 1 , a r 2 , ⋯   , a r m ] [ b 1 b 2 ⋮ b m ] = b 1 a r 1 + b 2 a r 2 + ⋯ + b m a r m A^T\mathbf{b} = \left[

$$\begin{matrix} \mathbf{a_{r1}} , \mathbf{a_{r2}}, \cdots , \mathbf{a_{rm}} \end{matrix}$$ \right] \left[ $$\begin{matrix} b_1 \\ b_2 \\ \vdots \\ b_m \end{matrix}$$ \right]= b_1\mathbf{a_{r1}} + b_2\mathbf{a_{r2}} + \cdots + b_m\mathbf{a_{rm}} ATb=[ar1​,ar2​,⋯,arm​​]⎣⎢⎢⎢⎡​b1​b2​⋮bm​​⎦⎥⎥⎥⎤​=b1​ar1​+b2​ar2​+⋯+bm​arm​

令 $B_m=(A^T\mathbf{b}{)}_m$ 表示用前 $m$ 次测量数据得到的向量，则
$$B_m=b_1{\mathbf{a}}_{\mathbf{r}1}+\cdots +b_{m-1}{\mathbf{a}}_{\mathbf{r}(\mathbf{m}-1)}+b_m{\mathbf{a}}_{\mathbf{r}\mathbf{m}}=B_{m-1}+b_m{\mathbf{a}}_{\mathbf{r}\mathbf{m}}$$

根据公式 $\hat{\mathbf{x}}=(A^{T}A{)}^{-1}{A}^T\mathbf{b}$ ，得利用 $m$ 次测量数据的公式为

$${\hat{\mathbf{x}}}_{\mathbf{m}}=P_m{B}_m=(P_{m-1}^{-1}+{\mathbf{a}}_{\mathbf{r}\mathbf{m}}{\mathbf{a}}_{\mathbf{r}\mathbf{m}}^{\mathbf{T}}{)}^{-1}(B_{m-1}+b_m{\mathbf{a}}_{\mathbf{r}\mathbf{m}})$$

这就是获得第 $m$ 次测量数据后的更新公式，不需要全部从零计算所有数据，只需保存前 $m-1$ 次测量数据获得的矩阵 $P_{m-1}^{-1}$ 和向量 $B_{m-1}$ 即可，计算量也很少。

根据 ${\hat{\mathbf{x}}}_{\mathbf{m}}=P_m{B}_m$ 得 $B_{m-1}=P_{m-1}^{-1}{\hat{\mathbf{x}}}_{\mathbf{m}-1}$ ，$P_m^{-1}=P_{m-1}^{-1}+{\mathbf{a}}_{\mathbf{r}\mathbf{m}}{\mathbf{a}}_{\mathbf{r}\mathbf{m}}^{\mathbf{T}}$ 带入上式得

$$\begin{gathered} {\hat{\mathbf{x}}}_{\mathbf{m}}=P_m(P_{m-1}^{-1}{\hat{\mathbf{x}}}_{\mathbf{m}-1}+b_m{\mathbf{a}}_{\mathbf{r}\mathbf{m}}) \\ =P_m((P_m^{-1}-{\mathbf{a}}_{\mathbf{r}\mathbf{m}}{\mathbf{a}}_{\mathbf{r}\mathbf{m}}^{\mathbf{T}}){\hat{\mathbf{x}}}_{\mathbf{m}-1}+b_m{\mathbf{a}}_{\mathbf{r}\mathbf{m}}) \\ ={\hat{\mathbf{x}}}_{\mathbf{m}-1}+P_m{\mathbf{a}}_{\mathbf{r}\mathbf{m}}(b_m-{\mathbf{a}}_{\mathbf{r}\mathbf{m}}^{\mathbf{T}}{\hat{\mathbf{x}}}_{\mathbf{m}-1}) \end{gathered}$$

这就是最优近似解的递归公式。

递归公式中 $P_m=(P_{m-1}^{-1}+{\mathbf{a}}_{\mathbf{r}\mathbf{m}}{\mathbf{a}}_{\mathbf{r}\mathbf{m}}^{\mathbf{T}}{)}^{-1}$ 需要计算逆矩阵，进一步化简，利用公式 $(A+BCD{)}^{-1}=A^{-1}-A^{-1}B(C^{-1}+D{A}^{-1}B{)}^{-1}D{A}^{-1}$ 最后可得

$$\begin{gathered} {\hat{\mathbf{x}}}_{\mathbf{m}}={\hat{\mathbf{x}}}_{\mathbf{m}-1}+K_m{ϵ}_m \\ {ϵ}_m=b_m-{\mathbf{a}}_{\mathbf{r}\mathbf{m}}^{\mathbf{T}}{\hat{\mathbf{x}}}_{\mathbf{m}-1} \\ {K}_m=P_m{\mathbf{a}}_{\mathbf{r}\mathbf{m}} \\ {P}_m=P_{m-1}-\frac{P_{m-1}{\mathbf{a}}_{\mathbf{r}\mathbf{m}}{\mathbf{a}}_{\mathbf{r}\mathbf{m}}^{\mathbf{T}}{P}_{m-1}}{1+{\mathbf{a}}_{\mathbf{r}\mathbf{m}}^{\mathbf{T}}{P}_{m-1}{\mathbf{a}}_{\mathbf{r}\mathbf{m}}} \end{gathered}$$

时间衰减递归最小二乘法

递归最小二乘法中所有测量数据重要性都是一样的，这样可能会带来一个问题。还是以无人驾驶车辆实时判断前面车辆的运动状态为例，我们假设前面车辆做匀加速运动，实际上车辆运动状态时刻会发生变化，时而加速时而减速（这称为机动性），故为了准确获取车辆当前状态，当前数据的重要性，显然要大于历史数据，不能同等对待。而递归最小二乘法却同等对待，故最优近似解更新速度慢，不能实时反映车辆运作状态的改变，会慢半拍。如何提高当前数据的重要性，同时又不导致计算复杂度的增加，本节提出一种方法。根据 $P_m=P_{m-1}-\frac{P_{m-1}{\mathbf{a}}_{\mathbf{r}\mathbf{m}}{\mathbf{a}}_{\mathbf{r}\mathbf{m}}^{\mathbf{T}}{P}_{m-1}}{1+{\mathbf{a}}_{\mathbf{r}\mathbf{m}}^{\mathbf{T}}{P}_{m-1}{\mathbf{a}}_{\mathbf{r}\mathbf{m}}}$ 得

$$K_m=P_m{\mathbf{a}}_{\mathbf{r}\mathbf{m}}=\frac{P_{m-1}{\mathbf{a}}_{\mathbf{r}\mathbf{m}}}{1+{\mathbf{a}}_{\mathbf{r}\mathbf{m}}^{\mathbf{T}}{P}_{m-1}{\mathbf{a}}_{\mathbf{r}\mathbf{m}}}$$

最优近似解的更新量为 $K_m{ϵ}_m$ ，为了提高最新测量的权重，我们对 $K_m$ 进行修正为

$$K_m=\frac{P_{m-1}{\mathbf{a}}_{\mathbf{r}\mathbf{m}}}{1/\kappa +{\mathbf{a}}_{\mathbf{r}\mathbf{m}}^{\mathbf{T}}{P}_{m-1}{\mathbf{a}}_{\mathbf{r}\mathbf{m}}},\kappa \ge 1$$

修正系数 $\kappa$ 越大，最新测量的权重越大，历史数据的作用衰减越快，最优解能快速跟踪系统。但 $\kappa$ 越大，如果车辆运作状态没有改变，则会增大最优近似解的误差；$\kappa$ 小，如果车辆运作状态发生改变，则最优近似解不能快速跟随车辆状态的改变。所以最理想的情况是，先判断车辆运动状态是否发生改变，如果发生，则增大 $\kappa$ ，否则可以令 $\kappa ＝1$ 。