[論文レビュー] The Progressive Proposal Particle Filter: Better Approximations to the Optimal Importance Density

Pete Bunch, Simon Godsill|arXiv (Cornell University)|Jan 13, 2014

Target Tracking and Data Fusion in Sensor Networks参考文献 29被引用数 3

ひとこと要約

本論文は、逐次的な局所的ガウス近似を用いて観測を段階的に組み込むことで、パーティクルフィルタにおける最適な重要度密度の近似を実現する、プログレッシブプロポーザルパーティクルフィルタを提案する。非線形的かつ非ガウス的状態推定タスクにおいて、標準的手法と比較して、粒子の劣化やフィルタの追跡失敗を顕著に低減し、性能が著しく向上する。

ABSTRACT

The crucial step in designing a particle filter for a particular application is the choice of importance density. The optimal scheme is to use the conditional posterior density of the state, but this cannot be sampled or calculated analytically in most case. In practice, approximations of this density are used, particularly Gaussian densities based on linearisation or the unscented transform. For many highly nonlinear or non-Gaussian models, these approximations can be poor, leading to degeneracy of the particle approximation or even the filter "losing track" completely. In this paper, we develop a new mechanism for approximating the optimal importance density, which we call the progressive proposal method. This works by introducing the observation progressively and performing a series of state updates, each using a local Gaussian approximation to the optimal importance density. A number of refinements and extensions to the basic algorithm are also introduced. Simulations are used to demonstrate an improvement in performance over simpler particle filters on a number of applications.

研究の動機と目的

• 非線形的かつ非ガウス的モデルにおける標準パーティクルフィルタの性能が、不正確な重要度密度近似によって低下するという課題に対処すること。
• 大多数の実用的状況において解析的に扱えない最適な重要度密度のより正確な近似を構築すること。
• 複雑な動的システムにおける粒子の劣化とフィルタの追跡失敗を低減すること。
• 洗練された段階的近似戦略により、パーティクルフィルタのロバスト性と精度を向上させること。

提案手法

• 観測を段階的に状態更新プロセスに組み込むことで、最適な重要度密度の局所的近似の系列を可能にする。
• 各ステップで、現在の部分的観測に基づいて重要度密度の局所的ガウス近似を用いる。
• アルゴリズムは複数回の状態更新を実行し、それぞれが局所的に近似された重要度密度を用いてパーティクル集合を改善する。
• グローバルな線形化や unscented 変換を避けるために、局所的かつ観測増分的な更新に焦点を当てる。
• 適応的ステップサイズと提案分布の最適化を含む改良により、収束性と安定性を向上させる。
• 標準的な拡張カルマンや unscented カルマンベースの提案と比較して、真の事後分布の構造をよりよく捉えるように設計されている。

実験結果

リサーチクエスチョン

• RQ1 非線形的かつ非ガウス的状態空間モデルにおいて、最適な重要度密度をどのようにより正確に近似できるか？
• RQ2 段階的な観測組み込みは、一度に近似する手法と比較して、より優れたパーティクルフィルタの性能をもたらすか？
• RQ3 各ステップで局所的ガウス近似を用いることで、グローバル線形化手法と比較して粒子の劣化が低減するか？
• RQ4 プログレッシブプロポーザル手法は、挑戦的な非線形システムにおいて、どの程度追跡精度を向上させるか？

主な発見

• プログレッシブプロポーザルパーティクルフィルタは、非常に非線形的かつ非ガウス的なモデルにおいて、標準パーティクルフィルタと比較して著しく優れた性能を達成する。
• フィルタリングプロセス全体を通じて事後分布のより正確な近似を維持することで、粒子の劣化を低減する。
• 標準フィルタが失敗する複雑なシステムにおいて、フィルタが「追跡を失う」のを防ぐ。
• シミュレーションにより、特に強い非線形性や非ガウス的ノイズが存在する状況において、複数のテスト応用で一貫した改善が確認された。