现场学习可微分粒子滤波

Dec, 2023

Learning Differentiable Particle Filter on the Fly

Jiaxi Li, Xiongjie Chen, Yunpeng Li

TL;DR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。

Abstract

differentiable particle filters are an emerging class of sequential Bayesian inference techniques that use neural networks to construct components in state space models. Existing approaches are mostly based on offline supervised training strategies. This leads to the delay of the model

differentiable particle filters online learning framework state space models unsupervised loss simulated object tracking

发现论文，激发创造

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

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

可微粒子滤波器的策略学习