[論文レビュー] Stein particle filtering

Jiaojiao Fan, Amirhossein Taghvaei+1 more|arXiv (Cornell University)|Jun 19, 2021

Target Tracking and Data Fusion in Sensor Networks参考文献 23被引用数 4

ひとこと要約

本稿では、スティーブ・バリエーション勾配降下（SVGD）に基づく画期的なパーティクルフィルタリングフレームワークを提案する。この手法は、パーティクルの重みではなく位置のみを更新することで、パーティクルの劣化を解消し、すべてのパーティクルが均等に重み付けされた状態を維持する。非線形かつ高次元の問題において、標準のパーティクルフィルターより優れた性能を発揮し、測定値を再利用するスライディングウィンドウ拡張により、安定性が向上する。

ABSTRACT

We present a new particle filtering algorithm for nonlinear systems in the discrete-time setting. Our algorithm is based on the Stein variational gradient descent (SVGD) framework, which is a general approach to sample from a target distribution. We merge the standard two-step paradigm in particle filtering into one step so that SVGD can be used. A distinguishing feature of the proposed algorithm is that, unlike most particle filtering methods, all the particles at any time step are equally weighted and thus no update on the weights is needed. We further extended our algorithm to allow for updating previous particles within a sliding window. This strategy may improve the reliability of the algorithm with respect to unexpected disturbance in the dynamics or outlier-measurements. The efficacy of the proposed algorithms is illustrated through several numerical examples in comparison with a standard particle filtering method.

研究の動機と目的

• 従来のパーティクルフィルタリングにおけるパーティクル劣化問題に対処すること。これは、時間経過とともに大多数のパーティクルが重みを失うためである。
• 反復処理の全過程で均等に重み付けされたパーティクルを維持するパーティクルフィルタリング手法を開発すること。これにより、有効サンプルサイズが保たれる。
• スティーブ変分勾配降下（SVGD）フレームワークを活用し、事後分布からの決定的かつ非マルコフ的サンプリングを実現すること。
• 測定値を再利用するスライディングウィンドウ機構を用いて、モデルの摂動や外れ値測定に対するロバスト性を向上させること。
• 標準のパーティクルフィルターよりも、非線形および高次元のフィルタリングシナリオにおいて優れた性能を示すことを実証すること。

提案手法

• アルゴリズムは、標準的な2段階パーティクルフィルタリング処理（重要度サンプリング＋リサンプリング）を、後続の観測と現在のパーティクルに基づいて、事後分布の近似を直接行う1段階のSVGD更新に置き換える。
• SVGDのターゲットとして、正規化定数を含まない事後分布を用いる。この分布は、現在のパーティクルと次の観測から導出される。
• すべてのパーティクルが、カーネルに基づく勾配フローによって同時に更新され、リサンプリングを回避する。これにより、均等な重みが維持される。
• スライディングウィンドウ拡張が導入され、固定された時間ステップウィンドウ内で事後分布の近似が行われる。これにより、各測定値が複数回の事後分布更新に寄与する。
• スライディングウィンドウ版は、各測定値の影響を複数の時間ステップに分散させることで、外れ値や誤差に対する感受性を低減し、ロバスト性を向上させる。
• 反復的に実装され、各時間ステップで、正規化されていない事後分布のスコア関数に基づいたSVGDの更新則に従い、パーティクルの位置が更新される。

実験結果

リサーチクエスチョン

• RQ1 重みの更新を不要とするパーティクルフィルタリングフレームワークを設計することで、パーティクル劣化を回避できるか？
• RQ2 SIRのような標準パーティクルフィルターよりも、SVGDに基づくパーティクルフィルタの性能は非線形および高次元システムにおいてどのように異なるか？
• RQ3 複数の時間ステップにわたり事後分布を再計算するスライディングウィンドウを用いることで、測定ノイズやモデル誤差に対するロバスト性が向上するか？
• RQ4 ウィンドウサイズがフィルタリングアルゴリズムの精度と計算コストに与える影響は何か？
• RQ5 どのような状態（例：高次元状態ノイズ、低次元測定ノイズ）において、提案手法が従来のパーティクルフィルターよりも優れた性能を発揮するか？

主な発見

• 線形ガウス分布およびベネスフィルタリングの両例において、SIRパーティクルフィルターよりも、提案手法のスティーブパーティクルフィルタリングは、事後分布の平均および分散推定において低い平均二乗誤差（m.s.e.）を達成した。
• 線形ガウスケースでは、ウィンドウサイズT=1の手法がT=3よりもわずかに高い精度を示した。これは、パーティクル空間の次元が低いためと推定される。
• ベネスフィルタリング問題においては、T=3のスライディングウィンドウ版が、T=1バージョンおよびSIRフィルターよりも優れた性能を示した。これは、時間経過にわたって測定値を再利用することの利点を示している。
• スライディングウィンドウアプローチにより、外乱や外れ値に対するロバスト性が向上し、測定値の影響が複数の時間ステップに分散された。
• 繰り返しSVGD更新が必要なため、SIRに比べて計算コストが高くなるが、高ノイズの動的システムおよび低ノイズの測定環境において、より優れた性能を発揮する。
• 経験的に、状態のダイナミクスが非常にランダムで、測定ノイズが相対的に低い条件下で、本手法は最も優れた性能を発揮する。これは、大多数の標準パーティクルフィルタが苦戦する条件である。