[论文解读] Marginalized Bayesian filtering with Gaussian priors and posteriors

John-Olof Nilsson|arXiv (Cornell University)|Mar 21, 2016

Target Tracking and Data Fusion in Sensor Networks参考文献 6被引用 3

一句话总结

本文提出了一种边缘化贝叶斯滤波框架，通过利用高斯先验和后验，将高维滤波问题简化为低维子空间中的可处理矩积分。通过利用子空间投影矩阵对分层状态空间结构进行分解，该方法实现了高效的数值近似，将系统建模与系统组合解耦，并超越了卡尔曼滤波器和边缘化粒子滤波器，能够处理具有非高斯似然性的动态非线性子空间。

ABSTRACT

Marginalization techniques are presented for the Bayesian filtering problem under the assumption of Gaussian priors and posteriors and a set of sequentially more constraining state space model assumptions. The techniques provide the capabilities to 1) reduce the filtering problem to essential marginal moment integrals, 2) combine model and numerical approximations to the moment integrals, and 3) decouple modelling and system composition. Closed-form expressions of the posterior means and covariances are developed as functions of subspace projection matrices, subsystem models, and the marginal moment integrals. Finally, we review prior work and how the results relate to Kalman and marginalized particle filtering techniques.

研究动机与目标

• 开发一种在高斯假设下的贝叶斯滤波通用框架，通过聚焦于关键子空间的数值近似来降低计算复杂度。
• 在统一的滤波结构中实现模型近似方法（如线性化）与数值积分技术（如高斯求积）的有效结合。
• 通过使用子空间投影矩阵，将系统建模与系统组合解耦，实现复杂状态空间模型的模块化设计。
• 通过在状态方程和观测方程中支持动态非线性子空间，将方法扩展至卡尔曼滤波器和边缘化粒子滤波器之外。
• 以投影矩阵、子系统模型和边缘矩积分的形式，提供后验均值和协方差的闭式表达式。

提出的方法

• 该方法使用投影矩阵将状态向量分解为静态和动态子空间，将难以处理的滤波分量隔离到低维子空间中。
• 将滤波问题表述为对非高斯或非线性子空间的边缘矩积分集合，从而将完整滤波问题简化为这些关键积分。
• 通过子空间投影矩阵和状态与观测的联合分布，推导出后验均值和协方差的闭式表达式。
• 该方法允许在边缘化子空间中集成模型近似方法（如线性化），而数值技术（如高斯求积、重要性采样）仅应用于剩余的难以处理的积分。
• 通过独立指定子空间投影矩阵而非依赖子系统模型，实现系统组合，从而支持模块化且透明的模型组合。
• 该框架支持从一般非线性模型到结构化线性高斯子空间的多层次假设，实现逐步简化与近似。

实验结果

研究问题

• RQ1 如何将边际化技术推广，使得在高斯先验和后验假设下，将滤波问题简化为关键矩积分？
• RQ2 在贝叶斯滤波框架中，模型近似（如线性化）与数值近似（如高斯求积）如何有效结合？
• RQ3 如何解耦系统建模与系统组合，以支持复杂状态空间系统的模块化设计？
• RQ4 子空间投影矩阵在实现低维化、分层滤波结构中起到何种作用？
• RQ5 该框架在模型灵活性和计算效率方面，如何推广现有技术如卡尔曼滤波和边缘化粒子滤波？

主要发现

• 本文推导出后验均值和协方差的闭式表达式，其形式涉及子空间投影矩阵、子系统模型和边缘矩积分，从而实现了对结构化子空间的解析处理。
• 滤波问题被简化为对非高斯或非线性子空间的若干难以处理的矩积分，从而可集中进行数值近似，提升计算效率。
• 该框架支持动态子空间结构，其中状态方程和观测模型中的非线性可独立处理，而边缘化粒子滤波器则要求静态线性子空间。
• 该方法可在同一滤波框架中结合模型近似（如线性化）与数值积分技术，提升灵活性与精度。
• 通过使用投影矩阵，实现系统组合与建模的解耦，使子系统可独立设计与组合，同时保持结构透明性。
• 该方法同时推广了卡尔曼滤波（通过支持非高斯似然）和边缘化粒子滤波（通过支持动态子空间），拓展了可适用滤波问题的类别。