[論文レビュー] Rao-Blackwellised Particle Filtering for Dynamic Bayesian Networks

Randal Douc, Nando de Freitas+2 more|arXiv (Cornell University)|Jan 16, 2013

Bayesian Modeling and Causal Inference参考文献 16被引用数 145

ひとこと要約

この論文は、動的ベイジアンネットワーク（DBNs）におけるラオ・ブラックウェルト粒子フィルタリング（RBPF）を提案する。RBPFは、カルマンフィルタなどの最適フィルタを用いた正確な周辺化と粒子フィルタリングを組み合わせることで、推定の精度と効率を向上させる。DBNsにおける条件付き線形ガウス構造を活用することで、オンライン回帰やロボットローカライゼーションなどの非線形で非定常な推論タスクにおいて、標準的な粒子フィルターより優れた性能を達成する。

ABSTRACT

Particle filters (PFs) are powerful sampling-based inference/learning algorithms for dynamic Bayesian networks (DBNs). They allow us to treat, in a principled way, any type of probability distribution, nonlinearity and non-stationarity. They have appeared in several fields under such names as "condensation", "sequential Monte Carlo" and "survival of the fittest". In this paper, we show how we can exploit the structure of the DBN to increase the efficiency of particle filtering, using a technique known as Rao-Blackwellisation. Essentially, this samples some of the variables, and marginalizes out the rest exactly, using the Kalman filter, HMM filter, junction tree algorithm, or any other finite dimensional optimal filter. We show that Rao-Blackwellised particle filters (RBPFs) lead to more accurate estimates than standard PFs. We demonstrate RBPFs on two problems, namely non-stationary online regression with radial basis function networks and robot localization and map building. We also discuss other potential application areas and provide references to some finite dimensional optimal filters.

研究の動機と目的

• 複雑で非線形なDBNsにおける標準的粒子フィルタの計算非効率性と分散の問題を解決すること。
• DBNsにおける条件付き線形ガウス構造を活用し、変数の部分集合に対する正確な周辺化を可能にすること。
• 逐次モンテカルロサンプリングと正確なフィルタリングを組み合わせたハイブリッド推論フレームワークを構築し、推定精度を向上させること。
• 非定常ダイナミクスと高次元状態空間を含む実世界の問題に対して、この手法の有効性を実証すること。
• さまざまな有限次元最適フィルタ（例：カルマンフィルタ、HMM、ジョイントリー）を、粒子フィルタリングの枠組み内で一般に適用可能なフレームワークを提供すること。

提案手法

• DBNの高次元かつ非ガウス的な状態空間成分に対して粒子フィルタリングを適用し、サンプリングを行う。
• 正確なフィルタリングが可能な条件付き線形ガウス的部分構造をDBN内で特定する。
• 最適フィルタ（例：カルマンフィルタ、HMMフィルタ）を用いて、これらの条件付き線形変数を解析的に周辺化する。
• 周辺化された分布を粒子フィルタの重要度サンプリングステップに統合し、分散を低減する。
• 完全な事後分布を表すパーティクルの集合を維持し、特定の変数サブセットの条件付き密度を正確に計算する。
• 有効次元の低減を実現するラオ・ブラックウェルト化技術を用い、収束性と精度を向上させる。

実験結果

リサーチクエスチョン

• RQ1 ラオ・ブラックウェルト化は、DBNsに効果的に適用可能であり、粒子フィルタリング推定の分散を低減できるか？
• RQ2 正確なフィルタリングと粒子サンプリングを組み合わせることで、非線形で非定常なDBNsにおける推論精度がどのように向上するか？
• RQ3 ロボットローカライゼーションやオンライン回帰といった実用的応用において、RBPFは標準的粒子フィルターよりどの程度の性能向上を達成するか？
• RQ4 DBNsにおけるどの種類の条件付き構造が、最適フィルタを用いた効率的な正確な周辺化を可能にするか？
• RQ5 RBPFフレームワークは、さまざまなクラスのDBNsやフィルタリングアルゴリズムに対して、スケーラブルで汎用的か？

主な発見

• ラオ・ブラックウェルト粒子フィルタ（RBPF）は、DBNsにおける標準的粒子フィルターよりも著しく推定分散を低減する。
• 径路基底関数ネットワークを用いた非定常オンライン回帰において、高い推定精度を達成する。
• ロボットローカライゼーションおよびマップ構築タスクにおいて、RBPFはより安定的かつ正確な状態推定を提供し、標準的PFを上回る。
• 条件付き線形部分構造に対して正確なフィルタ（例：カルマンフィルタ）を統合することで、計算的および統計的効率性が顕著に向上する。
• このフレームワークは汎用的であり、HMMフィルターやジョイントリー法などのさまざまな最適フィルタを、DBNの構造に応じて適用可能である。
• UAI 2000ベンチマーク問題における実験結果から、RBPFが精度および収束速度の両面で優れていることが確認された。