[论文解读] An averaged projected Robbins-Monro algorithm for estimating the parameters of a truncated spherical distribution

Antoine Godichon‐Baggioni, Bruno Portier|arXiv (Cornell University)|Jun 14, 2016

Robotics and Sensor-Based Localization参考文献 23被引用 6

一句话总结

本文提出了一种平均投影Robbins-Monro算法，用于从噪声3D点云中估计球体的中心和半径，即使数据被截断也适用。该方法确保了平均估计量的几乎必然收敛性和渐近正态性，并在小到中等样本量下通过数值实验验证了非渐近收敛速率。

ABSTRACT

The objective of this work is to propose a new algorithm to fit a sphere on a noisy 3D point cloud distributed around a complete or a truncated sphere. More precisely, we introduce a projected Robbins-Monro algorithm and its averaged version for estimating the center and the radius of the sphere. We give asymptotic results such as the almost sure convergence of these algorithms as well as the asymptotic normality of the averaged algorithm. Furthermore, some non-asymptotic results will be given, such as the rates of convergence in quadratic mean. Some numerical experiments show the efficiency of the proposed algorithm on simulated data for small to moderate sample sizes.

研究动机与目标

• 解决在完整或截断球面周围分布的噪声3D点云中拟合球体的挑战。
• 开发一种递归随机算法，无需显式掌握完整球面信息，即可估计球体的中心和半径。
• 在一般条件下，建立平均版本算法的几乎必然收敛性和渐近正态性。
• 推导参数估计量在二次均值下的非渐近收敛速率。
• 通过小到中等样本量的模拟数据验证算法性能。

提出的方法

• 该算法基于投影Robbins-Monro随机逼近方案，其中更新步骤被投影到参数空间以确保稳定性。
• 该方法使用通过最小化范数与半径之间期望平方偏差所导出的隐式方程：$ G(\theta) = \frac{1}{2}\mathbb{E}[(\|X - \mu\| - r)^2] $。
• 更新规则结合了递归的、数据驱动的步长，以确保收敛性，同时通过投影保持参数估计的可行性。
• 引入了算法的平均版本以改善收敛特性，并实现渐近正态性。
• 通过将点云建模为$ X = \mu + r W U_\Omega $来处理截断数据，其中$ U_\Omega $是单位球面子集$ \Omega $上的均匀分布。
• 使用鞅差序列和条件数学期望技术分析误差项并推导收敛性质。

实验结果

研究问题

• RQ1 在存在截断和噪声的3D点云中，递归随机算法能否实现几乎必然收敛？
• RQ2 投影Robbins-Monro算法的平均版本能否实现估计参数的渐近正态性？
• RQ3 该算法在二次均值下的非渐近收敛速率是什么？
• RQ4 在小到中等样本量下，该算法在具有真实噪声和截断情况下的实际表现如何？
• RQ5 在径向波动$ W $的分布具有普遍假设的前提下，该算法能否在理论上得到合理解释？

主要发现

• 在温和的正则性条件下，投影Robbins-Monro算法几乎必然收敛到真实参数$ \mu $和$ r $。
• 平均算法实现了渐近正态性，其中$ \sqrt{n}(\overline{\theta}_n - \theta) \xrightarrow{\mathcal{L}} \mathcal{N}(0, \Gamma_\theta^{-1} \Sigma \Gamma_\theta^{-1}) $，此处$ \Sigma $为渐近协方差矩阵。
• 建立了非渐近收敛速率在二次均值下，满足$ \mathbb{E}[\|\widehat{\theta}_n - \theta\|^2] = O(n^{-\alpha}) $，其中$ \alpha > 0 $，具体取决于步长调度。
• 误差项满足$ \frac{1}{\sqrt{n}} \sum_{k=1}^n \epsilon_{k+1} \xrightarrow{\mathbb{P}} 0 $，支持了算法的稳定性。
• 该算法在模拟数据上表现出强劲的实证性能，即使样本量有限且存在截断。
• 理论框架可推广至一般径向分布$ W $，在$ W $满足矩和可积性条件时可保证收敛。