[论文解读] Optimized Auxiliary Particle Filters

Nicola Branchini, V́ıctor Elvira|arXiv (Cornell University)|Nov 18, 2020

Target Tracking and Data Fusion in Sensor Networks被引用 2

一句话总结

本文提出了一种基于在线凸优化的辅助粒子滤波（APF）框架，通过在精心选择的点上最小化与滤波分布之间的差异，自适应地优化混合提议分布。该方法利用序贯蒙特卡洛结构，在计算成本可控的前提下，显著提升了在复杂动力系统中的推理精度。

ABSTRACT

Auxiliary particle filters (APFs) are a class of sequential Monte Carlo (SMC) methods for Bayesian inference in state-space models. In their original derivation, APFs operate in an extended space using an auxiliary variable to improve the inference. Later works have re-interpreted APFs from a multiple importance sampling perspective. In this perspective, the proposal is a mixture composed of kernels and weights that are selected by taking into account the latest observation. In this work, we further exploit this perspective by proposing an online, flexible framework for APFs that adapts the mixture proposal by convex optimization and allows for a controllable computational complexity. We minimize the discrepancy between the proposal and the filtering distribution at a set of relevant points, which are chosen by leveraging the structure of SMC. We compare our method to state-of-the-art particle filters, showing better performance in challenging and widely used dynamical models.

研究动机与目标

• 为解决辅助粒子滤波（APF）中固定或启发式提议分布的局限性，实现在线自适应调整。
• 通过灵活、数据驱动的框架，减少提议分布与真实滤波分布之间的差异。
• 在复杂非线性动力系统中，提升粒子滤波性能的同时保持计算效率。
• 提供一种基于凸优化的、有原则的在线方法，用于调整混合提议成分的参数。

提出的方法

• 将提议混合权重和核函数作为优化变量，以最小化与滤波分布之间的差异。
• 利用凸优化框架，基于最新观测和粒子集，实时更新提议组件。
• 利用序贯蒙特卡洛结构，选择关键点以最小化差异，重点关注权重较高或预测重要性较大的粒子。
• 提议分布为具有自适应权重的核函数混合，通过学习使之更贴近滤波分布。
• 通过限制混合成分数量或优化迭代次数，实现计算复杂度的可控性。
• 该方法源于多重重要性采样视角，支持有原则的提议设计。

实验结果

研究问题

• RQ1 如何在保持计算可处理性的同时，使辅助粒子滤波更适应动态观测？
• RQ2 凸优化能否有效用于SMC方法中混合提议分布的优化？
• RQ3 在精心选择的点上最小化差异对滤波精度有何影响？
• RQ4 在具有挑战性的非线性模型中，所提方法与最先进粒子滤波方法相比表现如何？
• RQ5 该框架能否通过可控复杂度实现精度与计算成本的平衡？

主要发现

• 在广泛使用的非线性动力系统模型中，所提方法的滤波精度优于当前最先进粒子滤波方法。
• 通过在相关点最小化差异，该方法有效缓解了粒子退化问题并提升了有效样本量。
• 该框架的在线自适应特性使系统能够动态响应新观测，而无需重新训练。
• 通过约束优化和组件选择，该方法保持了可控的计算复杂度。
• 实验结果表明，该方法在多个基准动力系统中均表现出一致的性能提升。