[論文レビュー] Optimized Auxiliary Particle Filters

Nicola Branchini, V́ıctor Elvira|arXiv (Cornell University)|Nov 18, 2020

Target Tracking and Data Fusion in Sensor Networks被引用数 2

ひとこと要約

本論文は、適切に選択された点におけるフィルタリング分布との不一致を最小化することで、混合提案分布を段階的に最適化するオンラインで凸最適化に基づく補助パーティクルフィルタ（APF）フレームワークを提案する。逐次モンテカルロ構造を活用することで、制御可能な計算コストで、挑戦的な動的システムにおいてより高い推論精度を達成する。

ABSTRACT

Auxiliary particle filters (APFs) are a class of sequential Monte Carlo (SMC) methods for Bayesian inference in state-space models. In their original derivation, APFs operate in an extended space using an auxiliary variable to improve the inference. Later works have re-interpreted APFs from a multiple importance sampling perspective. In this perspective, the proposal is a mixture composed of kernels and weights that are selected by taking into account the latest observation. In this work, we further exploit this perspective by proposing an online, flexible framework for APFs that adapts the mixture proposal by convex optimization and allows for a controllable computational complexity. We minimize the discrepancy between the proposal and the filtering distribution at a set of relevant points, which are chosen by leveraging the structure of SMC. We compare our method to state-of-the-art particle filters, showing better performance in challenging and widely used dynamical models.

研究の動機と目的

• 固定またはヒューリスティックな提案分布の限界を克服するため、オンラインでの適応を可能にする。
• 柔軟でデータ駆動型のフレームワークにより、提案分布と真のフィルタリング分布との不一致を低減する。
• 複雑で非線形な動的システムにおけるパーティクルフィルタの性能を向上させつつ、計算効率を維持する。
• 凸最適化を用いた、原理的でオンラインな混合提案成分のチューニング手法を提供する。

提案手法

• 提案分布の混合重みとカーネルを最適化変数として定式化し、フィルタリング分布との不一致を最小化する。
• 最新の観測値とパーティクル集合に基づき、リアルタイムで提案成分を更新するための凸最適化フレームワークを用いる。
• 不一致最小化のための関連点は、逐次モンテカルロの構造を活用して選択され、重みが高く予測的重要性の高いパーティクルに焦点を当てる。
• 提案は、適応的重みを持つカーネルの混合であり、フィルタリング分布にうまく一致するように学習される。
• 混合成分の数や最適化反復回数を制限することで、計算複雑性を制御可能なフレームワークを提供する。
• 複数の重要サンプリングの観点から導出されており、原理的な提案設計を可能にする。

実験結果

リサーチクエスチョン

• RQ1 動的観測に適応可能な補助パーティクルフィルタは、計算の実行可能性を保ちながらどのように実現できるか？
• RQ2 凸最適化は、SMC手法における混合提案分布の精錬に効果的に適用可能か？
• RQ3 関連する点で不一致を最小化することが、フィルタリング精度に与える影響は何か？
• RQ4 本手法は、挑戦的な非線形モデルにおいて、最先端のパーティクルフィルタと比較してどのように異なるか？
• RQ5 制御可能な複雑性によって、精度と計算コストのバランスを取ることは可能か？

主な発見

• 提案手法は、広く用いられる非線形動的システムモデルにおいて、最先端のパーティクルフィルタを上回るフィルタリング精度を達成する。
• 関連する点での不一致最小化により、パーティクルの劣化と有効サンプルサイズの向上が実現される。
• オンラインで適応可能なフレームワークの性質により、再トレーニングなしに新しい観測に動的に対応できる。
• 制限付き最適化と成分選択により、計算複雑性を制御可能な形で維持する。
• 実験結果から、複数のベンチマーク動的システムにおいて一貫した性能向上が確認された。