[论文解读] The Progressive Proposal Particle Filter: Better Approximations to the Optimal Importance Density

Pete Bunch, Simon Godsill|arXiv (Cornell University)|Jan 13, 2014

Target Tracking and Data Fusion in Sensor Networks参考文献 29被引用 3

一句话总结

本文提出渐进式提案粒子滤波器，一种通过逐步引入观测值并采用序列局部高斯近似来近似最优重要性密度的新方法。该方法在非线性与非高斯状态估计任务中显著提升了性能，相比标准方法，有效减少了粒子退化和滤波器跟踪失败。

ABSTRACT

The crucial step in designing a particle filter for a particular application is the choice of importance density. The optimal scheme is to use the conditional posterior density of the state, but this cannot be sampled or calculated analytically in most case. In practice, approximations of this density are used, particularly Gaussian densities based on linearisation or the unscented transform. For many highly nonlinear or non-Gaussian models, these approximations can be poor, leading to degeneracy of the particle approximation or even the filter "losing track" completely. In this paper, we develop a new mechanism for approximating the optimal importance density, which we call the progressive proposal method. This works by introducing the observation progressively and performing a series of state updates, each using a local Gaussian approximation to the optimal importance density. A number of refinements and extensions to the basic algorithm are also introduced. Simulations are used to demonstrate an improvement in performance over simpler particle filters on a number of applications.

研究动机与目标

• 为解决标准粒子滤波器在非线性与非高斯模型中因重要性密度近似不准确而导致的性能不佳问题。
• 开发对最优重要性密度更精确的近似方法，该方法在大多数实际情况下解析不可解。
• 在复杂动态系统中减少粒子退化与滤波器跟踪失败。
• 通过改进的渐进式近似策略，提升粒子滤波的鲁棒性与准确性。

提出的方法

• 该方法将观测值逐步引入状态更新过程，从而实现对最优重要性密度的一系列局部近似。
• 在每一步中，利用当前部分观测值的局部高斯近似来估计重要性密度。
• 该算法执行多次状态更新，每次均使用局部近似的重要性密度来优化粒子集。
• 该方法通过聚焦于局部、观测递增的更新，避免了全局线性化或无迹变换。
• 改进措施包括自适应步长与更优的提案调参，以增强收敛性与稳定性。
• 该方法设计用于比标准扩展或无迹卡尔曼滤波基提案更准确地捕捉真实后验结构。

实验结果

研究问题

• RQ1 在非线性与非高斯状态空间模型中，如何更准确地近似最优重要性密度？
• RQ2 与单步近似相比，渐进式观测引入是否能带来更好的粒子滤波性能？
• RQ3 在每一步中使用局部高斯近似是否能比全局线性化方法更有效地减少粒子退化？
• RQ4 渐进式提案方法在具有挑战性的非线性系统中，能在多大程度上提升跟踪精度？

主要发现

• 渐进式提案粒子滤波器在高度非线性与非高斯模型中，性能显著优于标准粒子滤波器。
• 通过在整个滤波过程中保持对后验分布更精确的近似，有效减少了粒子退化。
• 该方法可防止滤波器在复杂系统中“丢失跟踪”，而标准滤波器在此类系统中会失效。
• 仿真结果表明，该方法在多个测试应用中均表现出一致的性能提升，尤其在强非线性或非高斯噪声场景下。