[论文解读] Coupling techniques for nonlinear ensemble filtering

Alessio Spantini, Ricardo Baptista+1 more|arXiv (Cornell University)|Jun 30, 2019

Target Tracking and Data Fusion in Sensor Networks被引用 13

一句话总结

本文提出了一种非线性集合滤波框架，通过使用传输图和耦合方法，将集合卡尔曼滤波（EnKF）推广至高维、非高斯、混沌系统，以减少偏差。该方法利用通过凸优化和局域化导出的确定性或随机非线性变换，避免重要性采样，且在洛伦兹-96模型上实现了最先进性能，尤其在稀疏、非线性或重尾观测条件下表现优异。

ABSTRACT

We consider filtering in high-dimensional non-Gaussian state-space models with intractable transition kernels, nonlinear and possibly chaotic dynamics, and sparse observations in space and time. We propose a novel filtering methodology that harnesses transportation of measures, convex optimization, and ideas from probabilistic graphical models to yield robust ensemble approximations of the filtering distribution in high dimensions. Our approach can be understood as the natural generalization of the ensemble Kalman filter (EnKF) to nonlinear updates, using stochastic or deterministic couplings. The use of nonlinear updates can reduce the intrinsic bias of the EnKF at a marginal increase in computational cost. We avoid any form of importance sampling and introduce non-Gaussian localization approaches for dimension scalability. Our framework achieves state-of-the-art tracking performance on challenging configurations of the Lorenz-96 model in the chaotic regime.

研究动机与目标

• 解决在具有不可行转移核的高维、非线性、非高斯状态空间模型中，集合卡尔曼滤波（EnKF）固有的偏差问题。
• 开发一种避免重要性采样和粒子退化现象的滤波方法，同时在高维空间中保持鲁棒性。
• 通过利用耦合与传输图，在稀疏、不规则且非高斯的观测条件下实现精确滤波——这类观测在地球物理和混沌系统中极为常见。
• 实现可扩展的、维度局域化的滤波，无需依赖高斯假设或粒子重加权。
• 在洛伦兹-96模型的复杂配置下，实现卓越的跟踪性能，包括长观测间隔和重尾噪声。

提出的方法

• 将滤波问题表述为通过传输图实现的预报分布与后验分布之间的耦合，其中后验分布通过变换预报集合样本生成。
• 利用Knothe–Rosenblatt重排方法，通过凸优化构建确定性、单调且三角形的传输图，以耦合预报与后验分布。
• 提出一种随机映射滤波器，通过随机扰动传输图来提升鲁棒性，并处理耦合中的非唯一性问题。
• 通过将依赖关系限制在局部邻域内，对高维传输图实施局域化，从而在高维系统中实现可扩展性。
• 利用参数化、单调且三角形的映射结构，从样本中估计传输图，并通过凸优化正则化以防止过拟合。
• 通过直接变换学习到的映射来转换集合粒子，避免重要性采样，从而消除粒子退化和基于权重的推断。

实验结果

研究问题

• RQ1 在不增加计算成本的前提下，通过传输图实现的非线性耦合是否能有效降低高维、非高斯、混沌系统中EnKF的固有偏差？
• RQ2 如何在高维空间中对传输图进行局域化，以在保持计算可扩展性的同时维持精度？
• RQ3 与线性EnKF相比，使用非线性、非高斯变换是否能提升在稀疏、重尾或非线性观测模型下的滤波性能？
• RQ4 增加传输图的复杂度在多大程度上能改善混沌系统中有限观测下的集合覆盖范围并降低RMSE？
• RQ5 在非高斯似然条件下，随机映射滤波器是否能实现比EnKF或确定性映射滤波器更优的不确定性量化？

主要发现

• 在洛伦兹-96模型中，当观测间隔为$ ext{obs. interval} = 0.4$且观测数$d=20$时，随机映射滤波器的平均和中位RMSE均低于EnKF和线性映射滤波器。
• 在重尾（拉普拉斯）观测模型下，使用高阶映射的随机映射滤波器在$M=100$集合大小下，不仅降低了RMSE，还提高了覆盖概率，且未增加集合展宽。
• 随着集合大小$M$增加，非线性映射持续提升性能，而EnKF和线性映射则趋于饱和，表明偏差减少且一致性增强。
• 随着映射复杂度的提升，$[2.5\/,97.5\%]$经验区间平均覆盖概率单调上升，表明不确定性量化能力显著增强。
• 采用局域化、单调三角形映射的确定性映射滤波器在混沌状态下实现了洛伦兹-96模型的最先进跟踪性能，优于标准EnKF及依赖重要性采样的非线性滤波器。
• 该方法在观测噪声方差减小的条件下仍保持稳定与准确，避免了基于粒子方法常见的数值问题。