[论文解读] Adaptively Blocked Particle Filtering with Spatial Smoothing in Large-Scale Dynamic Random Fields

Francesco Bertoli, Adrian N. Bishop|arXiv (Cornell University)|Jun 1, 2014

Target Tracking and Data Fusion in Sensor Networks参考文献 8被引用 4

一句话总结

该论文提出了一种自适应分块粒子滤波算法，结合空间平滑以减少大规模动态随机场中的系统性偏差。通过循环应用分区并跨空间位置平均偏差，实现了空间上均匀的偏差界，与标准分块粒子滤波相比显著降低了非均匀性，同时在误差控制方面具有理论保证，并在时变系统中表现出更强的鲁棒性。

ABSTRACT

The typical particle filtering approximation error is exponentially dependent on the dimension of the model. Therefore, to control this error, an enormous number of particles are required, which means a heavy computational burden that is often so great it is simply prohibitive. Rebeschini and van Handel (2013) consider particle filtering in a large-scale dynamic random field. Through a suitable localisation operation, they prove that a modified particle filtering algorithm can achieve an approximation error that is mostly independent of the problem dimension. To achieve this feat, they inadvertently introduce a systematic bias that is spatially dependent (in that the bias at one site is dependent on the location of that site). This bias consequently varies throughout field. In this work, a simple extension to the algorithm of Rebeschini and van Handel is introduced which acts to average this bias term over each site in the field through a kind of spatial smoothing. It is shown that for a certain class of random field it is possible to achieve a completely spatially uniform bound on the bias and that in any general random field the spatial inhomogeneity is significantly reduced when compared to the case in which spatial smoothing is not considered. While the focus is on spatial averaging in this work, the proposed algorithm seemingly exhibits other advantageous properties such as improved robustness and accuracy in those cases in which the underlying dynamic field is time varying.

研究动机与目标

• 解决在大规模动态随机场中维度增加时标准粒子滤波出现的指数级误差增长问题。
• 减少Rebeschini和van Handel方法中因分块引入的空间非均匀系统性偏差。
• 开发一种通过空间平滑保持在时变动态系统中准确性和鲁棒性的滤波算法。
• 建立在空间上均匀的偏差理论界，提升高维估计的可靠性。
• 证明通过循环分区实现的空间平均可显著降低与非平滑分块相比的偏差非均匀性。

提出的方法

• 引入一种循环分区方案，其中分区按时间顺序依次应用，循环使用一组m个分区，以实现空间平均。
• 通过在多个时间步上利用循环分区序列对滤波器偏差进行空间平均，实现偏差的空间平滑，降低偏差的空间变异性。
• 采用相关性衰减分析以界定理想化分块滤波器的混合速率，确保稳定性和收敛性。
• 使用来自[14]的一步分块近似误差界，并在此基础上扩展以考虑时间平均偏差。
• 应用一种带参数β的改进相关性衰减条件，以控制混合速率并确保均匀的偏差界。
• 利用Slater不等式推导最终的偏差界，结合涉及到分块边界距离的指数衰减项，从而得到均匀的空间误差界。

实验结果

研究问题

• RQ1 能否通过在多个分区上进行空间平均来减少分块粒子滤波中的系统性偏差？
• RQ2 循环应用分区是否能在大规模动态随机场中实现空间均匀的偏差界？
• RQ3 空间平滑如何影响时变系统中粒子滤波的鲁棒性和准确性？
• RQ4 能否在不依赖于位置的情况下，统一控制定位引入的偏差？
• RQ5 空间平滑对相关性衰减和滤波器稳定性的理论影响是什么？

主要发现

• 所提出的算法实现了偏差的空间均匀界，与标准分块粒子滤波相比显著降低了空间非均匀性。
• 偏差界被证明与场的维度无关，误差量由粒子数量和分块大小控制。
• 循环分区与空间平均的结合使得当m=1时，偏差界退化为Rebeschini和van Handel的结果，验证了方法的一致性。
• 理论分析确认，在所提条件下，相关性衰减和滤波器稳定性在时间上保持一致。
• 一步分块近似误差被一个依赖于到分块边界距离的指数衰减项所界定，从而提升了准确性。
• 最终的偏差界表示为到分块边界最小距离和分区循环周期的函数，显式依赖于参数β和平滑因子ϑm(v)。