应用于视觉定位的粒子滤波网络
本研究介绍了一种新的递归神经网络的方法，即基于粒子滤波的递归神经网络，它将不确定性建模为一组粒子，并提出了一种全可微分的粒子滤波算法来更新其内部状态分布，实验证明该方法在真实世界序列预测方面优于标准门控递归神经网络。
May, 2019
本研究介绍了可微分粒子滤波器（DPFs），用于在概率分布之上进行的递归状态估计的算法。我们证明了不同的学习模型如动态和测量模型，能在 end-to-end 的不同 iable 框架下完成。当前的实验表明，与 LSTM 相比，DPFs 能够更好地维持位置估计并能提高算法的泛化性。
May, 2018
本文提出了一种可微粒子滤波器的在线学习框架，通过采用无监督损失来构建在线模型更新过程，实现随着数据的到达更新模型参数；通过在模拟设置中进行实证评估，并与监督学习方法进行比较，包括多元线性高斯状态空间模型和模拟物体跟踪实验。
Dec, 2023
本文介绍了一种可扩展的贝叶斯技术，用于在动态环境中从多个平台进行去中心化状态估计。通过严格分散的方法并通过互动通信协议促进信息流，实现仅在附近平台之间交换信息和在分布式监视方案的上下文下进行评估，其结果展示了对大型车队的前所未有的可扩展能力。
Oct, 2012
该研究提出了一种新颖的内存高效的循环神经网络（RNN）架构，用于解决目标定位问题，并通过将经典的粒子滤波器与 GRU RNN 架构相结合，提出了构建粒子滤波器 RNN 模型（mePFRNN）的关键特性是在处理不同尺寸环境时所需的参数数目相同。因此，相比于先前提出的 PFRNN 模型，该提议的 mePFRNN 架构消耗更少的存储参数内存。通过在对称且嘈杂的环境中进行测试，以展示我们模型的性能，实验结果表明，相比于其他考虑的竞争者，mePFRNN 模型具有更精确的定位结果，并且需要更少的训练参数。
Oct, 2023
本文介绍了如何利用 Rao-Blackwellisation 技术来提高动态贝叶斯网络的粒子滤波算法的效率，并用两个问题来展示利用 Rao-Blackwellised 粒子滤波进行非平稳在线回归和机器人定位和地图构建的准确性。
Jan, 2013
使用神经网络的替代模型，Deep Latent Space Particle filter (D-LSPF) 可以在低维潜在空间中进行数据融合和实时的不确定性估计，运行速度比高保真粒子滤波器快一个数量级，并且比其他方法快 3-5 倍，精度可达一个数量级，从而实现实时的物理系统数据同化和不确定性量化。
Jun, 2024
本文介绍了一种基于神经网络的可微分粒子滤波器 (RLPF) 来解决在系统可能在有限集合的状态空间模型之间切换的情况下同时学习各个模型及切换过程的问题，并提出了相应的训练方法。通过数值实验，我们证明了与先前最先进的算法相比，RLPF 取得了有竞争力的性能。
May, 2024