多个后验模式的可微稳定的远程跟踪
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
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
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
通过 reparameterization trick 和新的变换方法,本文提出了一种有效的估算混合密度模型中梯度的方法,可以用于训练具有混合分布潜变量的变分自编码器或执行混合密度变分后验的随机变分推断。
Jul, 2016
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
从稀疏观测数据中学习动力系统是许多领域(包括生物学、金融学和物理学)的一个关键问题。这篇论文介绍了一种将条件粒子滤波与祖先采样和扩散模型相结合的方法,能够生成与观测数据相符合的逼真轨迹。该方法基于迭代条件粒子滤波与祖先采样生成匹配观测边缘概率的合理轨迹,并学习相应的扩散模型。该方法既为复杂约束下高质量、平滑的轨迹提供了一种生成方法,又有效近似了粒子平滑分布在经典跟踪问题中。我们在时间序列生成和插值任务上展示了该方法,包括车辆追踪和单细胞 RNA 测序数据。
Jun, 2024