[论文解读] Coupling of Particle Filters

Pierre Jacob, Fredrik Lindsten+1 more|arXiv (Cornell University)|Jun 3, 2016

Target Tracking and Data Fusion in Sensor Networks参考文献 13被引用 8

一句话总结

本文提出耦合粒子滤波器，通过提高粒子系统间的相关性以减少蒙特卡洛估计器的方差。通过设计新型耦合重采样算法并利用Rhee–Glynn无偏平滑估计器，该方法实现了可并行化的无偏平滑，并能提供精确的误差估计——相较于标准粒子平滑器具有显著优势。

ABSTRACT

Particle filters provide Monte Carlo approximations of intractable quantities such as point-wise evaluations of the likelihood in state space models. In many scenarios, the interest lies in the comparison of these quantities as some parameter or input varies. To facilitate such comparisons, we introduce and study methods to couple two particle filters in such a way that the correlation between the two underlying particle systems is increased. The motivation stems from the classic variance reduction technique of positively correlating two estimators. The key challenge in constructing such a coupling stems from the discontinuity of the resampling step of the particle filter. As our first contribution, we consider coupled resampling algorithms. Within bootstrap particle filters, they improve the precision of finite-difference estimators of the score vector and boost the performance of particle marginal Metropolis--Hastings algorithms for parameter inference. The second contribution arises from the use of these coupled resampling schemes within conditional particle filters, allowing for unbiased estimators of smoothing functionals. The result is a new smoothing strategy that operates by averaging a number of independent and unbiased estimators, which allows for 1) straightforward parallelization and 2) the construction of accurate error estimates. Neither of the above is possible with existing particle smoothers.

研究动机与目标

• 为解决缺乏系统性耦合粒子滤波器的方法，特别是由于重采样步骤的不连续性所致。
• 提高参数推断中有限差分法对得分向量估计的精度。
• 开发一种新的粒子平滑策略，生成无偏估计器，具备简便的并行化能力与精确的误差估计。
• 通过减少对有偏或计算成本高昂替代方法的依赖，实现状态空间模型中的可靠推断。

提出的方法

• 提出耦合重采样算法，通过在具有不同参数的两个滤波器之间对齐重采样决策，最大化粒子系统间的相关性。
• 将这些耦合机制应用于自举粒子滤波器，以增强似然和得分估计器中的方差减少效果。
• 利用Rhee–Glynn估计器，通过平均来自耦合条件粒子滤波器的独立无偏估计器，构建平滑泛函的无偏估计器。
• 采用最优传输和公共随机数来耦合粒子系统，同时尊重由重采样引入的非马尔可夫结构。
• 结合Rao–Blackwellization与方差减少技术，进一步提升估计器效率。
• 在较弱正则性条件下验证该方法，并在多个模型中展示其鲁棒性。

实验结果

研究问题

• RQ1 我们能否构建一种粒子滤波器的耦合方式，即使在重采样存在不连续性的情况下，也能提高粒子系统间的相关性？
• RQ2 所提出的耦合重采样方案是否能降低对得分向量有限差分估计器的方差？
• RQ3 耦合条件粒子滤波器能否生成平滑泛函的无偏估计器，并提供精确的误差估计？
• RQ4 与标准粒子滤波器和固定滞后平滑器相比，所提出的无偏平滑器在方差和计算成本方面的性能如何？
• RQ5 Rao–Blackwellization与基于中位数的会合时间选择等方差减少技术对估计器效率有何影响？

主要发现

• 耦合重采样方案显著提高了对得分向量有限差分估计器的精度，增强了粒子边缘马尔可夫链-蒙特卡洛算法的性能。
• 基于Rhee–Glynn的平滑器在相对方差方面达到与使用 $ N = 4,096 $ 个粒子的标准粒子滤波器相当的水平，尽管其为无偏估计。
• 该方法支持简便的并行化处理，并能提供精确的蒙特卡洛误差估计，这是传统粒子平滑器难以实现的。
• 采用Rao–Blackwellization与基于中位数的会合时间选择，使平均会合时间从 4.7 提升至 5.1，从而提高了估计器效率。
• 在浮游植物-浮游动物模型中，结合Rao–Blackwellization与方差减少技术的无偏估计器表现更优，
• 无偏方法的计算成本约为标准粒子滤波器的十倍，但避免了过度自信的误差条，显著提升了推断的可靠性。