[论文解读] Approximate Sequential Importance Sampling for Fast Particle Filtering

Ömer Burak Demirel, Ihor Smal+3 more|arXiv (Cornell University)|Oct 21, 2013

Immune Response and Inflammation被引用 1

一句话总结

本文提出近似序列重要性重采样（ASIR），一种通过使用预定义区间上的均匀混合来近似似然函数，从而降低计算成本的快速粒子滤波方法。每个区间内的粒子由位于区间质心的单个虚拟粒子表示，仅对这些虚拟粒子计算似然值，显著加快了计算速度，同时随着区间大小减小，仍能保持较高的准确性。

ABSTRACT

Particle filters are key algorithms for object tracking under non-linear, non-Gaussian dynamics. The high computational cost of particle filters, however, hampers their applicability in cases where the likelihood model is costly to evaluate, or where large numbers of particles are required to represent the posterior. We introduce the approximate sequential importance sampling/resampling (ASIR) algorithm, which aims at reducing the cost of traditional particle filters by approximating the likelihood with a mixture of uniform distributions over pre-defined cells or bins. The particles in each bin are represented by a dummy particle at the center of mass of the original particle distribution and with a state vector that is the average of the states of all particles in the same bin. The likelihood is only evaluated for the dummy particles, and the resulting weight is identically assigned to all particles in the bin. We derive upper bounds on the approximation error of the so-obtained piecewise constant function representation, and analyze how bin size affects tracking accuracy and runtime. Further, we show numerically that the ASIR approximation error converges to that of sequential importance sampling/resampling (SIR) as the bin size is decreased. We present a set of numerical experiments from the field of biological image processing and tracking that demonstrate ASIR's capabilities. Overall, we consider ASIR a promising candidate for simple, fast particle filtering in generic applications.

研究动机与目标

• 解决在非线性、非高斯跟踪场景中传统粒子滤波计算成本过高的问题。
• 降低似然函数评估的计算成本，尤其适用于模型计算昂贵的情况。
• 通过最小化冗余的似然评估，实现在大量粒子下的高效粒子滤波。
• 通过分箱实现后验概率的分段常数近似，保持跟踪精度。
• 提供近似误差的理论界，并分析区间大小、精度与运行时间之间的权衡。

提出的方法

• 使用预定义的空间或状态空间区间的均匀分布混合来近似似然函数。
• 将每个区间内的所有粒子表示为位于该区间质心的单个虚拟粒子。
• 仅对虚拟粒子计算似然值，并将相同的权重分配给同一区间内的所有粒子。
• 利用所得权重进行序列重要性采样与重采样，保持标准粒子滤波的结构。
• 推导由分段常数似然表示引入的近似误差的理论上限。
• 分析区间大小对计算效率和跟踪精度的影响。

实验结果

研究问题

• RQ1 分箱似然近似中的区间大小如何影响粒子滤波的跟踪精度？
• RQ2 由分段常数似然表示引入的近似误差的理论上限是什么？
• RQ3 ASIR的计算成本如何随区间大小和粒子数量变化，与标准SIR粒子滤波相比如何？
• RQ4 当区间大小减小时，ASIR在多大程度上趋近于标准SIR的性能？
• RQ5 在似然模型计算昂贵的实际应用中（如生物图像处理），ASIR能否保持可接受的跟踪精度？

主要发现

• ASIR的近似误差有界，且随区间大小减小而减小，最终趋近于标准SIR粒子滤波的误差。
• ASIR通过每区间仅计算一次似然值，而非对每个独立粒子计算，显著降低了计算成本。
• 在生物图像处理中的数值实验表明，即使使用粗略分箱，ASIR仍能保持较高的跟踪精度。
• 更小的区间大小可提高精度，但会增加计算量；该方法在速度与精度之间提供了可调的权衡。
• 在高维或计算昂贵的似然模型场景下，ASIR实现了显著的速度提升。
• 理论误差界为平衡精度与效率的区间大小选择提供了合理依据。