[论文解读] Tracking using explanation-based modeling

Kamalika Chaudhuri, Yoav Freund+1 more|arXiv (Cornell University)|Mar 16, 2009

Advanced Bandit Algorithms Research参考文献 21被引用 4

一句话总结

本文提出了一种解释性跟踪框架，用基于损失最小化的在线学习方法替代传统的贝叶斯生成模型。通过使用带有截断损失函数的NormalHedge，所提算法在模型不匹配和噪声环境下表现出显著更强的鲁棒性，在模拟实验中优于贝叶斯滤波器和粒子滤波器，尤其在高噪声或轻微模型偏差条件下表现更优。

ABSTRACT

We study the tracking problem, namely, estimating the hidden state of an object over time, from unreliable and noisy measurements. The standard framework for the tracking problem is the generative framework, which is the basis of solutions such as the Bayesian algorithm and its approximation, the particle filters. However, the problem with these solutions is that they are very sensitive to model mismatches. In this paper, motivated by online learning, we introduce a new framework -- an {\em explanatory} framework -- for tracking. We provide an efficient tracking algorithm for this framework. We provide experimental results comparing our algorithm to the Bayesian algorithm on simulated data. Our experiments show that when there are slight model mismatches, our algorithm vastly outperforms the Bayesian algorithm.

研究动机与目标

• 为解决贝叶斯跟踪算法在真实世界跟踪场景中对模型不匹配的敏感性问题。
• 开发一种不依赖概率生成假设的跟踪框架，从而提升对测量模型不准确的鲁棒性。
• 基于在线学习原理，提供不依赖概率假设的跟踪性能理论保证。
• 证明除对数损失外的其他损失函数可实现优于标准贝叶斯滤波的跟踪性能。

提出的方法

• 该解释性框架将候选状态路径视为对观测的解释，通过预定义的损失函数评估，而非似然函数。
• 算法使用NormalHedge（一种在线学习算法），根据历史损失表现维护候选路径的加权平均。
• 推导出一种序列蒙特卡洛近似方法，以提升基于NormalHedge的跟踪算法的计算效率。
• 损失函数设计为截断损失，以限制异常值的影响，降低对模型不准确的敏感性。
• 该方法避免显式计算似然函数，转而专注于随时间最小化累积损失。
• 理论保证表明，无论观测分布如何，算法的损失均能接近事后最优路径的损失。

实验结果

研究问题

• RQ1 能否设计一种不依赖生成概率假设的跟踪算法，使其对模型不匹配具有鲁棒性？
• RQ2 使用非对数损失的损失函数是否能带来优于贝叶斯方法的跟踪性能？
• RQ3 在线学习技术能否提供独立于真实数据生成过程的性能保证？
• RQ4 在高测量噪声和模型偏差条件下，所提算法与贝叶斯滤波器和粒子滤波器的性能相比如何？
• RQ5 能否实现一种理论基础扎实的非贝叶斯跟踪方法，并在真实跟踪场景中取得更优的实验结果？

主要发现

• 在高噪声条件下（σ₀ = 8），即使40%的观测来自不匹配模型（ρ = 0.4），所提算法的均方根误差（RMSE）仍保持在19.6，而贝叶斯算法的RMSE超过100。
• 贝叶斯算法在模型不匹配时性能急剧下降：当ρ = 0.01时，其RMSE在高噪声下从1.17上升至1.90，而所提方法保持稳定在约12.25。
• 粒子滤波器在模型不匹配时表现极差，即使在低不匹配水平（ρ = 0.01）下RMSE也超过80，表明其对模型不准确高度敏感。
• 所提算法在所有测试的噪声水平和不匹配条件下均持续优于贝叶斯和粒子滤波方法，尤其在高噪声和高不匹配场景中表现更优。
• 补充实验表明，算法在Σ*和α等不同参数下性能稳定且具有鲁棒性，验证了其泛化能力。
• 可视化结果（图3）显示，所提算法的预测路径能紧密跟踪真实状态，而贝叶斯算法在高噪声和模型不匹配条件下显著发散。