1 状態推定の概要
1.1 用語と基本概念
1.1.1 状態・観測・モデルの関係
状態推定でいう「状態」とは、システムの内部で変化する量のことで、直接には観測できないことが多い。観測とは、センサや測定装置によって得られるデータであり、通常は測定誤差や外乱の影響を受けている。そこで、状態と観測の関係を記述するモデルを用意し、観測系列から状態の時系列を推定する。
モデルは大きく分けて、状態がどのように時間発展するかを表す部分（遷移モデル）と、状態から観測がどのように生成されるかを表す部分（計測モデル）から構成される。推定器は、これらのモデルに基づいて、現在の状態をどの程度の確からしさで表現すべきかを計算する。
1.1.2 推定対象としての不確実性
状態推定では、推定値の「平均」だけでなく「不確実性」も同時に扱うのが基本である。不確実性の要因には、観測ノイズ、初期状態の不確かさ、システムのモデル化誤差、環境の変動などがある。推定結果を確率的に表現すると、誤差の大きさや信頼度を明示でき、後段の制御や意思決定にも反映しやすい。
不確実性を扱う方法は複数あり、確率分布で表す立場（ベイズ推定など）や、誤差の二次量に焦点を当てる立場（平均二乗誤差の最小化など）がある。実務では計算量と精度のバランスを取りながら選択される。
1.2 状態空間モデル
1.2.1 状態遷移モデル
状態遷移モデルは、時刻の進行に伴って状態がどのように変化するかを表す。多くの場合、状態は確率過程として記述され、制御入力があるならそれも含めて更新規則が与えられる。連続時間モデルと離散時間モデルの両方が用いられ、離散化されて逐次推定の枠組みに組み込まれることも多い。
遷移モデルには線形でガウス型の仮定が置ける場合がある一方、現実のダイナミクスはしばしば非線形である。その場合、厳密な計算が難しくなり、近似やサンプリングを導入して状態を推定する。
1.2.2 観測（計測）モデル
計測モデルは、内部状態から観測データが生成される仕方を記述する。センサは状態の一部を間接的に反映することが多く、観測にはノイズが加わる。観測方程式を通して、同じ状態でも観測結果がばらつくことを取り込めるため、推定器は観測の“信用度”を調整できる。
計測モデルの設計は推定精度に大きく影響する。センサ特性、計測遅延、欠損データ、外れ値の存在などを反映するほど推定は現実に近づくが、モデルが複雑になるほど計算やパラメータ推定が難しくなる。
1.3 推定の目的と評価指標
1.3.1 推定誤差と分散
評価では、推定値と真値の差である推定誤差を考える。特に平均二乗誤差は誤差の大きさを一つの数にまとめやすく、設計や比較に使われることが多い。分散は推定のばらつきを表し、同じ平均誤差でも不確実性の広がりが異なる場合に意味が変わる。
確率分布として状態を推定している場合は、推定分布の幅（共分散など）や信頼区間の性質も評価対象になる。目的に応じて「平均的な当たりやすさ」だけでなく「どれだけ確実に言えるか」を重視することがある。
1.3.2 追従性・安定性・頑健性
追従性は、状態が変化したときに推定器がどれだけ速く追随できるかを示す。安定性は、推定更新が発散せずに整合した推定結果を維持できるかに関係する。頑健性は、モデルの誤差やノイズ分布の不一致がある状況で、推定性能がどの程度保たれるかを指す。
実装では、計算遅延やデータ欠損、外れ値、パラメータの時間変動なども性能に影響する。したがって、評価指標は理論的な誤差だけでなく、運用上の条件も含めて総合的に見られる。
2 数学的枠組み
2.1 ベイズ推定
2.1.1 事後分布の考え方
ベイズ推定は、「観測を得た後に、状態について持つ確からしさ」を確率分布として更新する枠組みである。ある時刻の状態を変数とし、観測系列を情報として扱うと、未知量に対して事後分布が導かれる。事後分布は、初期の見立て（事前分布）とデータの整合度（尤度）により決まる。
事後分布を扱う利点は、不確実性を自然に反映できる点にある。推定値だけでなく、どの程度の幅で状態があり得るかを同時に表現できるため、制御や安全設計に組み込みやすい。
2.1.1.1 事前分布・尤度・ベイズの定理
事前分布は、観測以前に状態が取り得る確からしさを表す。尤度は、ある状態が与えられたときに観測がどのような確率で得られるかを表現する。ベイズの定理により、事後分布は事前分布と尤度の積に比例して定まる。
この関係は「更新」を形式化するものであり、逐次観測を扱う場合は、各時刻で新しいデータを取り込みながら分布を更新できる。実務上は、積分計算が難しくなることがあるため、以降の近似手法が現場の要請に応じて選択される。
2.1.2 極値（MAP）と期待値（MMSE）
事後分布が得られた後、どの値を推定結果として採用するかには複数の基準がある。MAP推定は事後分布を最大にする状態（事後モード）を選ぶ方法である。モデルと損失の設定によっては適切な基準になり、計算の面でも扱いやすい場合がある。
MMSE（最小二乗誤差）に対応する推定は、事後期待値を選ぶ方法である。二乗誤差を損失とする最適性が得られるが、非線形・非ガウスでは事後期待値の計算が容易でないことがある。そのため近似計算が必要になり、アルゴリズム選択に直結する。
2.2 確率過程としての定式化
2.2.1 マルコフ性と独立性仮定
状態空間モデルでは、将来の状態が過去の状態の全てではなく、直前の状態に依存するというマルコフ性がよく仮定される。また観測ノイズは条件付きで独立であると置くことで、推定更新が局所的な計算に落ちる。
こうした仮定は、最適フィルタの導出や計算の簡略化に寄与する。一方で、現実のデータでは前提が完全には満たされないことも多い。その場合、仮定からのずれを吸収するために状態を拡張する、ノイズモデルを頑健化する、外れ値対策を導入するなどの工夫が行われる。
2.2.2 事前予測と観測更新
確率過程の定式化に基づく推定器は、典型的に「予測」と「更新」を繰り返す。予測は、前時刻までの事後分布から次時刻の事前分布を導く操作である。更新は、次時刻に得られた観測を使って事前分布を補正し、新しい事後分布へ写像する。
この分解により、オンライン計算が可能になる。観測が増えるたびに情報が蓄積されるため、推定分布は一般に観測と整合する方向へ狭まり、ただしモデル誤差がある場合には一定の不確実性が残る。
2.3 最適性の概念
2.3.1 誤差基準（平均二乗誤差など）
最適性は、何を損失として採用するかで意味が変わる。平均二乗誤差を基準にすると、推定値として事後期待値が得られるという関係が現れやすい。損失が絶対値誤差の場合は中央値など別の代表が有利になる。
また、実務では誤差の大きさだけでなく、分布の整合性（推定区間が妥当な確率で真値を含むか）を重視する場合もある。このときは損失関数の選び方と検証方法が重要になる。
2.3.2 最適フィルタとその前提条件
最適フィルタという言葉は、特定の損失基準とモデル仮定のもとで、理論的に最良とされるフィルタを指すことが多い。代表例として、線形な状態遷移と観測で、誤差がガウス分布に従う状況では、更新式が閉形式で得られる。
ただし、前提条件が崩れると最適性は保証されない。たとえば非線形性や非ガウス性が強い場合は近似が必要になり、近似誤差が性能劣化の原因になる。そのため、適用前のモデル妥当性の点検が重要になる。
3 推定アルゴリズム
3.1 フィルタリング（逐次推定）
3.1.1 予測ステップ
予測ステップでは、これまでの推定結果を使って次時刻の状態を見積もる。状態遷移モデルに従って分布を進め、次の時刻での不確実性を計算する。線形・ガウス系では共分散の更新が簡潔に表れ、非線形では線形化や数値近似が入ることが多い。
予測では、時間発展による不確実性の増大も表現される。したがって、観測が来ない時間が長くなるほど推定の幅は広がる傾向にあり、これはアルゴリズムの健全性の指標にもなる。
3.1.2 更新ステップ
更新ステップは、新たに観測されたデータを使って予測を補正する操作である。観測モデルを通じて、観測値に対する予測の整合度を評価し、その結果として推定値と不確実性が調整される。典型的には、観測ノイズが大きい場合には観測の影響が抑えられ、逆にノイズが小さいと観測の寄与が強くなる。
また、複数センサの融合では、観測の情報が同時に反映されるよう設計する。センサごとの信頼度差や欠損状況を扱える設計になっているかが、実システムでは重要になる。
3.2 平滑化（過去も含む推定）
3.2.1 前向き推定と後ろ向き推定
平滑化は、現在時刻だけでなく過去の状態にも情報を反映する方法である。一般に、前向きにフィルタリングを行って得られた情報と、後ろ向きに将来情報を使う計算を組み合わせる。これにより、過去の状態の推定が観測の全体像に基づいて改善される。
後ろ向きの計算は、時間反転的な依存関係を利用するのが基本である。計算コストは増えるが、オフラインで利用できる場合は精度向上が得られるため、後処理用途で採用されやすい。
3.2.2 オフライン推定の利点
オフライン平滑化は、データ系列全体が利用可能な状況で推定を行う。未来の観測も参照できるため、過去の不確実性をより適切に収束させられる。地図作成や軌道復元など、結果が最終的に重要でリアルタイム性が必須でない場面では特に有利になる。
一方で、遅延が許されない用途には不向きである。オンラインとオフラインの境界では、システム要件に応じた妥協が必要になる。
3.3 同定と推定の統合
3.3.1 パラメータ同定の位置づけ
同定は、状態以外に未知のモデルパラメータを推定する考え方である。たとえば摩擦係数、センサの利得、ノイズ強度などが対象になることがある。状態推定と同定を統合すると、固定パラメータの仮定に起因する性能劣化を抑えられる可能性がある。
統合の方式には、パラメータを状態に拡張して同様の推定器で扱う方法や、推定器の外側で繰り返し最適化を行う方法などがある。統合は計算量増加と引き換えになるため、実装では目的とリソースを踏まえた選択が行われる。
3.3.2 モデル不確実性への対応
モデルが完全に正しいことは稀であり、不確実性への対応は重要な設計課題になる。観測ノイズの分布が理想化から外れる場合や、ダイナミクスが環境変化で変わる場合がある。対策として、ノイズの統計を再推定する、モデルの柔軟性を上げる、外れ値に強い損失を採用するなどがある。
また、頑健化はアルゴリズム側でも行える。たとえば近似フィルタであっても、過度に鋭い更新を抑えて情報過多を防ぐ調整が有効になることがある。
4 代表的手法と応用
4.1 線形・ガウス系の代表例
4.1.1 最適な線形推定の考え方
線形・ガウス系では、状態と観測が線形結合で結ばれ、誤差がガウス分布で記述されることが多い。この条件下では、条件付き期待値が閉形式で求まり、線形推定として最適性を持つ手法が導かれる。直感的には、予測と観測の双方を誤差の大きさに応じて重み付けして融合する形になる。
推定の質は、モデルの一致度とノイズ仮定に依存する。線形でない現象が強いと仮定が破れ、結果として推定値が系統的にずれる可能性があるため、適用範囲の見極めが必要になる。
4.1.2 共分散の更新の直観
線形・ガウス系の中心的な計算の一つは共分散の更新である。観測が入ると推定の不確実性は一般に減少するが、観測が予測と矛盾する場合には減少量が調整される。これにより、フィルタが「どれだけ信じられるか」を分布の幅として表現する。
また、予測ステップでは時間発展に伴って不確実性が増える方向に働く。更新と予測のバランスにより、推定の安定した挙動が実現される。共分散が過度に小さくなると過信、過度に大きいと無駄な不確実性を招くため、初期値やノイズ設定が重要になる。
4.2 非線形・非ガウスへの拡張
4.2.1 拡張型・近似型の発想
非線形なモデルに対しては、状態空間の本質を保持したまま計算を進める必要がある。代表的な発想として、非線形を局所的に線形化してガウス近似で進める手法がある。これにより理論上は便利になるが、線形化誤差が大きい領域では性能が落ちやすい。
近似型には他にも、分布の形を完全に再現するのではなく、低次モーメントを整合させる設計などが含まれる。いずれにしても、計算の簡便さと精度のトレードオフが課題になる。
4.2.2 モンテカルロ法の位置づけ
モンテカルロ法を用いる手法では、確率分布を多数のサンプルで表現し、それらを重み付きで更新する。非ガウス性や強い非線形性に対して柔軟に対応できる点が利点である。ただし、サンプル数が増えるほど計算負荷が増加するため、リアルタイム性との兼ね合いが重要になる。
サンプルの重みが極端に偏ると有効サンプル数が減り、推定が不安定になることがある。そこで再サンプリングなどの工夫が用いられ、推定の品質と計算の両面で調整が行われる。
4.3 応用分野
4.3.1 ロボティクス（自己位置推定など）
ロボティクスでは、車両や移動体が自己位置や姿勢を推定する必要がある。カメラ、IMU、ホイールオドメトリ、距離センサなどから得る観測を統合し、地図情報や運動モデルと組み合わせて状態を更新する。自己位置推定は、その後の経路計画や制御にも影響するため、誤差の扱いが特に重要になる。
センサ融合では、計測頻度の違いや遅延、欠損が起きやすい。推定器がこれらを扱える設計であることが、現場での安定動作につながる。
4.3.2 制御（状態フィードバックのための推定）
制御では状態が直接測れない場合、推定器で状態量を推定し、その推定値を状態フィードバックに用いる。これにより観測可能な入力だけでは達成しにくい制御性能を狙える。推定誤差が制御性能に波及するため、推定器と制御則は整合するように設計される必要がある。
特に不確実性が大きい状況では、制御入力の強さを調整する、リスク指標を導入するなどの方針が取られる。推定器が出力する分布情報を制御に反映することで、より安全な運用が可能になる。
4.3.3 計測・信号処理（ノイズ低減と復元）
計測・信号処理では、ノイズにより劣化した信号から元の状態や成分を復元する目的で状態推定の考え方が活用される。時間方向の整合性を仮定し、モデルに従って信号が変化するものとして推定することで、単純な平滑化よりも体系的な改善が期待できる。
たとえば、センサ出力が微分や積分を経由する場合、推定は遅延や誤差伝播の影響を受ける。状態推定の枠組みでは、それらをモデル化して同時に扱えるため、より安定した復元が可能になる。