[论文解读] Analysis of the feedback particle filter with diffusion map based approximation of the gain

Sahani Pathiraja, Wilhelm Stannat|arXiv (Cornell University)|Sep 6, 2021

Target Tracking and Data Fusion in Sensor Networks参考文献 38被引用 4

一句话总结

本文分析了基于扩散图法近似增益函数的反馈粒子滤波器（FPF），为近似增益的结构提供了分析性见解，并建立了有限N粒子系统向其平均场极限收敛的适定性与收敛性。该方法利用扩散图法近似控制增益的加权泊松方程的解，从而实现一种计算高效、一致的非线性贝叶斯推断方法，适用于高维情形。

ABSTRACT

Control-type particle filters have been receiving increasing attention over the last decade as a means of obtaining sample based approximations to the sequential Bayesian filtering problem in the nonlinear setting. Here we analyse one such type, namely the feedback particle filter and a recently proposed approximation of the associated gain function based on diffusion maps. The key purpose is to provide analytic insights on the form of the approximate gain, which are of interest in their own right. These are then used to establish a roadmap to obtaining well-posedness and convergence of the finite $N$ system to its mean field limit. A number of possible future research directions are also discussed.

研究动机与目标

• 为反馈粒子滤波器（FPF）中基于扩散图法的增益函数近似结构提供分析性见解。
• 在所提出的增益近似下，建立有限N粒子系统向其平均场极限收敛的适定性与收敛性。
• 通过基于扩散图的流形学习方法，将理论分析与实际实现相衔接。
• 解决在高维、非线性滤波问题中精确FPF求解加权泊松方程时的计算瓶颈。
• 为未来研究一致的、基于样本的滤波方法提供理论路线图，以提升其数值与分析性质。

提出的方法

• 利用加权泊松方程（1.5）的半群形式，推导增益函数φ的基于样本的近似。
• 应用扩散图法构建粒子状态的低维嵌入，从而通过求解泊松方程高效近似增益。
• 采用基于核的条件期望近似方法，结合归一化图拉普拉斯算子与由参数α控制的各向异性扩散过程。
• 通过涉及扩散图核与经验测度的固定点方程，引入正则化增益近似。
• 利用浓度不等式与矩界，建立近似增益在L2范数下收敛于真实增益的结果。
• 利用广义Brascamp-Lieb不等式与对数凹测度假设，控制误差分析中的协方差项。

实验结果

研究问题

• RQ1 基于扩散图法的增益函数近似在FPF中如何影响有限粒子系统的适定性与收敛性？
• RQ2 从扩散图导出的近似增益函数具有何种分析性质，特别是其与加权泊松方程解的关系如何？
• RQ3 基于扩散图的近似能否在N → ∞的平均场极限下保持FPF的一致性？
• RQ4 真实增益与基于扩散图的近似之间误差的界是什么？这些误差如何随N和ǫ变化？
• RQ5 对漂移M、观测函数h以及底层测度ρ的假设如何影响近似的有效性与收敛性结果？

主要发现

• 在M与h的适度正则性假设下，基于扩散图法的增益近似可保证有限N粒子系统的适定性。
• 当粒子数N → ∞且核带宽ǫ → 0时，近似增益在L2范数下收敛于真实增益。
• 在适当的矩与密度正则性条件下，增益近似误差的界为O(1/√N)。
• 该方法确保了粒子系统的混沌传播，意味着经验测度收敛于真实滤波分布。
• 分析表明，近似误差受扩散图核的谱性质与泊松方程解的正则性控制。
• 利用广义Brascamp-Lieb不等式可对误差分解中的协方差项实现紧密控制，从而得到增益近似误差的统一有界性。