[論文レビュー] Rethinking resampling in the particle filter on graphics processing units

Lawrence M. Murray, Anthony Lee+1 more|arXiv (Cornell University)|Jan 17, 2013

Target Tracking and Data Fusion in Sensor Networks参考文献 22被引用数 5

ひとこと要約

本稿では、GPU上のパーティクルフィルタに向けた新規のリサンプリングアルゴリズムを提案する。これらの手法は、和などの集約演算を避けて、メトロポリス法およびリジェクションサンプリングを用いる。従来のマルチノミアル、ストラティファイド、システムティックリサンプリングと比較して、単精度浮動小数点演算において顕著な高速化と優れた数値安定性を達成する。

ABSTRACT

Modern parallel computing devices such as the graphics processing unit (GPU) have gained significant traction in scientific computing, and are particularly well-suited to dataparallel algorithms such as the particle filter. Of the components of the particle filter, the resampling step is the most difficult to implement well on such devices, as it often requires a collective operation, such as a sum, across weights. We present and compare a number of resampling algorithms in this work, including rarelyused alternatives based on Metropolis and rejection sampling. We find that these alternative approaches perform significantly faster on the GPU than more common approaches such as the multinomial, stratified and systematic resamplers, a speedup attributable to the absence of collective operations. Moreover, in single-precision (particularly relevant on GPUs due to its faster performance), the common approaches are numerically unstable for plausibly large numbers of particles, while these alternative approaches are not. Finally, we provide a number of auxiliary functions of practical use in resampling, such as for the permutation of ancestry vectors to enable in-place propagation of particles.

研究の動機と目的

• GPU上でのパーティクルフィルタのリサンプリングステップにおける性能ボトルネックを解消すること。従来、和などの集約演算に依存している。
• 大規模なパーティクル数を用いる際、単精度浮動小数点演算で一般的に発生する数値不安定性の問題を克服すること。
• GPUのデータ並列性に適した、代替のリサンプリング戦略を調査および評価すること。
• 効率的なインプレースパーティクル伝搬を支援する、GPUに最適化された補助関数の開発

提案手法

• 前缀和やスキャンなどのグローバルリダクションを避ける、メトロポリスおよびリジェクションサンプリングに基づくリサンプリングアルゴリズムの設計。
• GPUの細粒度並列性を活用し、完全にデータ並列的に動作するように実装。
• パーミュテーション技術を用いて、インプレースでのパーティクル伝搬を可能にし、メモリ帯域幅を削減し、キャッシュ効率を向上。
• メモリアクセスパターンおよびカーネル起動を最適化し、GPUアーキテクチャにおける遅延を最小限に抑え、割り当て容量を最大化。
• マルチノミアル、ストラティファイド、システムティック、および提案手法を含む、複数のリサンプリング手法の性能と数値安定性を比較。
• すべての手法を、現代のGPUで一般的な性能優先の単精度浮動小数点演算環境下で評価

実験結果

リサーチクエスチョン

• RQ1 GPU上でのメトロポリスおよびリジェクションベースのリサンプリングアルゴリズムは、マルチノミアルやシステムティックといった標準的手法と比較して、どのように性能を発揮するか？
• RQ2 大規模なパーティクル数を用いる際、代替リサンプリング手法は単精度浮動小数点演算において、どの程度数値不安定性を回避できるか？
• RQ3 集約演算を排除するリサンプリングアルゴリズムは、GPUアーキテクチャ上でより高いスループットを達成できるか？
• RQ4 実際のパーティクル伝搬の効率を向上させるために、どのようなGPUに最適化された補助関数を設計できるか？
• RQ5 グローバルリダクションの欠如が、現代のGPU上でのパーティクルフィルタのスケーラビリティおよび性能に与える影響はいかほどか？

主な発見

• メトロポリスおよびリジェクションベースのリサンプリング手法は、マルチノミアル、ストラティファイド、システムティックといった従来手法と比較して、GPU上での実行速度が顕著に優れている。
• これらの代替手法は、前缀和やリダクションといった高コストな集約演算を回避するため、高い性能を発揮する。
• 単精度浮動小数点演算において、標準的手法は大規模なパーティクル数を扱うと数値的に不安定になるが、提案手法は安定性を維持する。
• 提案アルゴリズムは、数万個ものパーティクルを扱う状況でも、数値的正確性を保つ。これは、従来手法が失敗する領域である。
• 著者らは、アノセストリ・ベクトルのパーミュテーションを可能にする補助関数を実装・公開しており、これにより効率的なインプレースパーティクル伝搬が実現され、メモリオーバーヘッドが削減される。
• 性能向上は、GPUアクセラレートパーティクルフィルタリングアプリケーションに一般的な高スループット環境において特に顕著である。