ICMLFeb, 2021

基于熵正则化最优输运的可微粒子滤波

PDF
TL;DR通过运用 optimal transport 理论，文章提出一种基于不可微的重采样方法的粒子滤波器，解决了传统的 resampling 方法无法拟合模型和 PF 参数的问题，并通过多种应用验证了该方法的有效性。
发现论文，激发创造
  • 利用最优放置重采样的可微粒子滤波

    提出了一种可微分的重采样方案，通过从经验累积分布函数进行确定性采样，用于粒子滤波器的参数推断和提议学习任务。

    Feb, 2024

  • 实现可微重采样

    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

  • 可微粒子滤波器概述：数据自适应序贝叶斯推断

    本文综述了近年来不同的可微粒子滤波器及其应用，重点介绍了其中的关键组件设计，包括动态模型、测量模型、提议分布、优化目标和可微重采样技术。

    Feb, 2023

  • 基于最优传输的高维非线性滤波

    基于最优输运解释的非线性滤波方法通过模拟和无似然算法估计从当前状态分布到下一个时间步的 Brenier 最优输运映射，利用神经网络建模复杂和多模态分布以及采用随机优化算法提高可伸缩性，通过广泛的数值实验与 SIR 粒子滤波器和集合卡尔曼滤波器进行比较，展示了我们方法在样本效率、高维可伸缩性和捕捉复杂和多模态分布等方面的优越性。

    Oct, 2023

  • 可微粒子滤波器：通过算法先验进行端到端学习

    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

  • 多个后验模式的可微稳定的远程跟踪

    通过训练数据来区分地学习基于粒子的不确定性表示方法，通过深度神经网络编码器对任意观测进行条件下的连续概率混合分布表示的混合密度粒子滤波器，在连续潜在状态中提升准确性和鲁棒性。

    Apr, 2024

  • 现场学习可微分粒子滤波

    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

  • 基于可微粒子滤波器的正规化流

    该研究使用 (条件) 归一化流构建动态模型、提议分布和测量模型，提出了一种不同 iable 粒子滤波框架，并通过一系列数值实验评估了该方法的性能。

    Mar, 2024

  • 高维无重采样粒子滤波器

    在高维状态空间中，粒子滤波器面临着粒子匮乏等挑战，本文介绍了一种新的无重采样粒子滤波器，通过放弃传统的重采样步骤来缓解粒子匮乏问题，确保了更广泛和多样化的粒子集，特别适用于高维场景。在理论上，我们的滤波器在高维环境中提供了接近准确的后验分布表示。在经验证明，通过高维合成状态估计和基于视频的 6D 位姿估计，我们的方法的有效性得到了证明。我们认为随着机器人系统的进化和自由度的提高，适用于高维状态空间的粒子滤波器将是不可或缺的。

    Apr, 2024

  • 可微粒子滤波器的策略学习

    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