如何训练可微分滤波器
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
本文提出了一种基于确定性计算图的梯度下降算法,用于训练判别式状态估计器,该模型可以有效处理复杂的输入,如原始摄像头图像,并用于视觉里程计任务和合成跟踪任务中进行评估。
May, 2016
通过引入一个基于神经网络的重采样器,以取代传统的重采样,我们解决了对可微分粒子滤波器的挑战,我们展示了一个新颖的网络体系结构,粒子变换器,并使用基于可能性的粒子集合的损失函数训练了它,我们的结果表明,我们的学习重采样器在合成数据和模拟机器人定位任务上优于传统的重采样技术。
Apr, 2020
本文介绍了一种新的循环自编码器结构 —— 递归神经过滤器(RNF),通过一系列编码器和解码器学习 Bayesian 滤波每一步的不同表示,应用于三个实际时间序列数据集上,证明了这种解耦表示不仅提高了一步预测的准确性,同时提供了可信的不确定度估计,而且通过分离编码器阶段促进了多步预测。
Jan, 2019
我们提出了两种创新的数据驱动滤波方法,通过结合可训练的运动模型进行对象位置预测,并将观察结果与对象检测器的预测相结合,以提高边界框预测准确性。我们的方法在多个数据集上进行了广泛评估,证明在对象跟踪方面,尤其是非线性运动模式的情况下,我们的滤波器优于传统的 Kalman 滤波器。
Feb, 2024
本文介绍了一种基于梯度下降逼近的 Kalman 滤波方法,其仅需要进行加权预测误差的局部计算,同时还提出了一种适应性学习规则。作者在一个简单的 Kalman 滤波任务中展示了该方法的性能,并提出了一种神经实现方法。
Feb, 2021