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
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
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
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
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
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
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
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。
Feb, 2021
本文研究不同类型的过滤算法,特别是可微分的过滤算法对于机器人应用中基于状态估计的决策制定和任务执行的优势,并比较了这些不同方法的表现。
Dec, 2020