An overview of differentiable particle filters for data-adaptive sequential Bayesian inference

要約

重み付けされたサンプルを使用して事後分布を近似することにより、粒子フィルター (PF) は、非線形の逐次状態推定問題を解決するための効率的なメカニズムを提供します。
粒子フィルターの有効性はさまざまなアプリケーションで認識されていますが、そのパフォーマンスは動的モデルと測定モデルの知識、および効果的な提案分布の構築に依存しています。
新しいトレンドには、ニューラル ネットワークを使用して粒子フィルターのコンポーネントを構築し、勾配降下法によってそれらを最適化することが含まれており、このようなデータ適応粒子フィルター アプローチは、微分可能粒子フィルターと呼ばれることがよくあります。
ニューラル ネットワークの表現力により、微分可能粒子フィルターは、ビジョンベースのロボット位置特定などの複雑な高次元タスクで連続データの推論を実行するための有望な計算ツールです。
この論文では、微分可能な粒子フィルターとその応用における最近の進歩を概説します。
私たちは、動的モデル、測定モデル、提案分布、最適化目標、微分可能なリサンプリング技術など、微分可能な粒子フィルターの主要コンポーネントのさまざまな設計の選択に特に重点を置いています。

要約(オリジナル)

By approximating posterior distributions with weighted samples, particle filters (PFs) provide an efficient mechanism for solving non-linear sequential state estimation problems. While the effectiveness of particle filters has been recognised in various applications, their performance relies on the knowledge of dynamic models and measurement models, as well as the construction of effective proposal distributions. An emerging trend involves constructing components of particle filters using neural networks and optimising them by gradient descent, and such data-adaptive particle filtering approaches are often called differentiable particle filters. Due to the expressiveness of neural networks, differentiable particle filters are a promising computational tool for performing inference on sequential data in complex, high-dimensional tasks, such as vision-based robot localisation. In this paper, we review recent advances in differentiable particle filters and their applications. We place special emphasis on different design choices for key components of differentiable particle filters, including dynamic models, measurement models, proposal distributions, optimisation objectives, and differentiable resampling techniques.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google