Resampling-free Particle Filters in High-dimensions

要約

状態推定は、数多くのロボット アプリケーションのパフォーマンスと安全性にとって重要です。
一連の推定手法の中でも、パーティクル フィルターは、そのノンパラメトリックな性質により、強力なソリューションとして認識されています。
しかし、高次元の状態空間では、これらのフィルターは、真の事後分布の正確な表現を妨げる「粒子剥奪」などの課題に直面します。
この論文では、従来のリサンプリング ステップを省略することで粒子の欠乏を軽減するように設計された、リサンプリング不要の新しい粒子フィルターを紹介します。
これにより、より広範囲でより多様な粒子セットが保証され、特に高次元のシナリオでは不可欠です。
理論的には、私たちが提案したフィルターは、高次元のコンテキストで目的の事後分布をほぼ正確に表現できることが示されています。
経験的に、私たちのアプローチの有効性は、高次元の合成状態推定タスクとビデオから得られた 6D 姿勢推定を通じて強調されます。
私たちは、ロボット システムがより自由度を持って進化するにつれて、高次元の状態空間に合わせて調整された粒子フィルターが不可欠になると考えています。

要約(オリジナル)

State estimation is crucial for the performance and safety of numerous robotic applications. Among the suite of estimation techniques, particle filters have been identified as a powerful solution due to their non-parametric nature. Yet, in high-dimensional state spaces, these filters face challenges such as ‘particle deprivation’ which hinders accurate representation of the true posterior distribution. This paper introduces a novel resampling-free particle filter designed to mitigate particle deprivation by forgoing the traditional resampling step. This ensures a broader and more diverse particle set, especially vital in high-dimensional scenarios. Theoretically, our proposed filter is shown to offer a near-accurate representation of the desired posterior distribution in high-dimensional contexts. Empirically, the effectiveness of our approach is underscored through a high-dimensional synthetic state estimation task and a 6D pose estimation derived from videos. We posit that as robotic systems evolve with greater degrees of freedom, particle filters tailored for high-dimensional state spaces will be indispensable.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google