[论文解读] Stein particle filtering

Jiaojiao Fan, Amirhossein Taghvaei+1 more|arXiv (Cornell University)|Jun 19, 2021

Target Tracking and Data Fusion in Sensor Networks参考文献 23被引用 4

一句话总结

本文提出了一种基于Stein变分梯度下降（SVGD）的新颖粒子滤波框架，通过仅更新粒子位置而非权重，消除了粒子退化问题，确保所有粒子始终保持均匀加权。该方法在非线性和高维问题中相较于标准粒子滤波器表现出更优性能，并通过滑动窗口扩展提升了鲁棒性。

ABSTRACT

We present a new particle filtering algorithm for nonlinear systems in the discrete-time setting. Our algorithm is based on the Stein variational gradient descent (SVGD) framework, which is a general approach to sample from a target distribution. We merge the standard two-step paradigm in particle filtering into one step so that SVGD can be used. A distinguishing feature of the proposed algorithm is that, unlike most particle filtering methods, all the particles at any time step are equally weighted and thus no update on the weights is needed. We further extended our algorithm to allow for updating previous particles within a sliding window. This strategy may improve the reliability of the algorithm with respect to unexpected disturbance in the dynamics or outlier-measurements. The efficacy of the proposed algorithms is illustrated through several numerical examples in comparison with a standard particle filtering method.

研究动机与目标

• 解决传统粒子滤波器中粒子权重随时间衰减导致的粒子退化问题。
• 开发一种粒子滤波方法，使所有粒子在迭代过程中始终保持均匀加权，从而维持有效样本量。
• 利用Stein变分梯度下降（SVGD）框架实现从后验分布出发的确定性、非马尔可夫采样。
• 通过滑动窗口机制重用观测数据，提升对模型扰动和异常测量的鲁棒性。
• 在非线性和高维滤波场景中，相较于标准粒子滤波器，展现出更优性能。

提出的方法

• 该算法将标准粒子滤波的两步过程（重要性采样 + 重采样）替换为单步SVGD更新，直接演化粒子位置以逼近后验分布。
• 以当前粒子和下一时刻观测推导出的后验分布（忽略归一化常数）作为SVGD的目标分布。
• 所有粒子通过基于核函数的SVGD梯度流同时更新，确保权重均匀且无需重采样。
• 引入滑动窗口扩展机制，即在固定时间窗口内进行后验近似，使每条测量数据可参与多次后验更新。
• 滑动窗口版本通过将每条测量的影响分布到多个时间步，提升了对异常值或误差的鲁棒性。
• 该方法采用迭代实现，每个时间步均基于未归一化后验的得分函数，使用SVGD更新规则更新粒子位置。

实验结果

研究问题

• RQ1 能否设计一种粒子滤波框架，通过消除权重更新需求来避免粒子退化？
• RQ2 基于Stein的粒子滤波器在非线性和高维系统中，与SIR等标准粒子滤波器相比性能如何？
• RQ3 通过在多个时间步重新计算后验分布的滑动窗口机制，是否能提升对测量噪声或模型误差的鲁棒性？
• RQ4 窗口大小对滤波算法的精度和计算成本有何影响？
• RQ5 在何种场景下（如高状态噪声、低测量噪声）该方法优于传统粒子滤波器？

主要发现

• 在线性高斯和Benes滤波示例中，所提出的Stein粒子滤波方法在后验均值和协方差估计的均方误差（m.s.e.）方面均优于SIR粒子滤波器。
• 在高斯线性情况下，窗口大小T=1的性能略优于T=3，可能由于粒子空间维度更低。
• 在Benes滤波问题中，T=3的滑动窗口版本优于T=1版本和SIR滤波器，证明了时间上重用观测数据的优势。
• 滑动窗口方法通过将测量影响分散到多个时间步，提升了对扰动和异常值的鲁棒性。
• 由于需要迭代执行SVGD更新，该方法计算成本高于SIR，但在高噪声动力学和低噪声测量条件下表现更优。
• 实验结果表明，当状态动力学高度随机且测量噪声相对较低时，该方法性能最佳——这些条件通常对大多数标准粒子滤波器构成挑战。