Beyond Prior Limits: Addressing Distribution Misalignment in Particle Filtering

要約

粒子フィルタリングはベイジアン推論方法であり、動的システムの状態推定における基本ツールですが、その有効性は、初期の事前分布の制約、つまり以前の境界現象として定義する現象によってしばしば制限されます。
この課題は、ターゲット状態が事前のサポートの外側にある場合に発生し、正確な推定には従来の粒子フィルタリング方法が不十分になります。
固定されていないプライアーやより大きな粒子セットのような手法は提案されていますが、それらは計算的に禁止されたままであり、動的シナリオには適応性が欠けています。
これらの制限を体系的に克服するために、拡散強化粒子フィルタリングフレームワークを提案します。これは、探索的粒子を介した適応拡散、体重崩壊を防ぐエントロピー駆動型の正規化、および動的サポート拡大のためのカーネルベースの摂動という3つの重要な革新を導入します。
これらのメカニズムにより、粒子フィルタリングが以前の境界を超えて探索できるようになり、境界外のターゲットの堅牢な状態推定が確保されます。
理論分析と広範な実験は、フレームワークの有効性を検証し、高次元および非凸シナリオ全体で成功率と推定精度の大幅な改善を示しています。

要約(オリジナル)

Particle filtering is a Bayesian inference method and a fundamental tool in state estimation for dynamic systems, but its effectiveness is often limited by the constraints of the initial prior distribution, a phenomenon we define as the Prior Boundary Phenomenon. This challenge arises when target states lie outside the prior’s support, rendering traditional particle filtering methods inadequate for accurate estimation. Although techniques like unbounded priors and larger particle sets have been proposed, they remain computationally prohibitive and lack adaptability in dynamic scenarios. To systematically overcome these limitations, we propose the Diffusion-Enhanced Particle Filtering Framework, which introduces three key innovations: adaptive diffusion through exploratory particles, entropy-driven regularisation to prevent weight collapse, and kernel-based perturbations for dynamic support expansion. These mechanisms collectively enable particle filtering to explore beyond prior boundaries, ensuring robust state estimation for out-of-boundary targets. Theoretical analysis and extensive experiments validate framework’s effectiveness, indicating significant improvements in success rates and estimation accuracy across high-dimensional and non-convex scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google