Differentiable Bootstrap Particle Filters for Regime-Switching Models

要約

タイトル：状態切替モデルに対する異次元ブートストラップ粒子フィルタ

要約：
– 異次元粒子フィルタとは、ニューラルネットワークを使用してパラメトリックな状態空間モデルを構築・学習する粒子フィルタリング手法の新興クラスです。
– 現実のアプリケーションでは、状態ダイナミクスや測定値が候補モデルのセット間で切り替わることがあります。
– 本論文では、状態切替状態空間モデルに対する新しい異次元粒子フィルタを提案します。
– この手法は、未知のダイナミックおよび測定モデルのセットを学習し、状態事後分布を追跡できます。
– 関連するモデルで新しいアルゴリズムのパフォーマンスを評価し、他の競合アルゴリズムと比較して優れたパフォーマンスを示しました。

要約(オリジナル)

Differentiable particle filters are an emerging class of particle filtering methods that use neural networks to construct and learn parametric state-space models. In real-world applications, both the state dynamics and measurements can switch between a set of candidate models. For instance, in target tracking, vehicles can idle, move through traffic, or cruise on motorways, and measurements are collected in different geographical or weather conditions. This paper proposes a new differentiable particle filter for regime-switching state-space models. The method can learn a set of unknown candidate dynamic and measurement models and track the state posteriors. We evaluate the performance of the novel algorithm in relevant models, showing its great performance compared to other competitive algorithms.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI