本文主要对粒子滤波(Particle Filter)的要点进行概要性的阐述,体现粒子滤波理论的基本衍生过程及基本原理,并在最后给出序贯重要性重采样算法的一般步骤。
1. 贝叶斯滤波(Bayesian Filter)
1.1 基本原理
将状态估计视为一个概率推理过程,即将目标状态的估计问题转换为利用贝叶斯公式求解后验概率密度或滤波概率密度
,进而获得目标的最优估计。
根据最小均方误差(MMSE),得出最优估计为
MMSE:
其中为任意函数。
1.2 存在问题
贝叶斯滤波需要进行积分计算,除了一些特殊的系统模型,如线性高斯系统、有限状态的离散系统之外,对于一般的非线性、非高斯系统,贝叶斯滤波很难得到后验概率密度函数的封闭解析式。因此,现有的非线性滤波器多采用近似的计算方法解决积分问题,依次来估计次优解。为解决这个问题,人们引入了蒙特卡洛(Monte Carlo)模拟方法。
2. 蒙特卡洛(Monte Carlo)方法
2.1 基本原理
蒙特卡洛(Monte Carlo)模拟方法利用所求状态空间中大量的样本点来近似逼近带估计量的后验概率分布,从而将积分问题转换为有限样本点求和问题。
MMSE:
其中为任意函数,
为在后验概率密度
中获取的采样粒子。
2.2 存在问题
在实际计算中,通常是无法直接从后验概率分布中采样,如何得到服从后验概率分布的随机样本是蒙特卡洛中基本的问题之一。为解决这个问题,人们引入了重要性采样方法。
3. 序贯重要性采样(Sequential Importance Sampling, SIS)
3.1 基本原理
序贯重要性采样(Sequential Importance Sampling, SIS)作为粒子滤波的基础,它将统计学中的序贯分析方法应用到的蒙特卡洛方法中,从而实现后验(滤波)概率密度的递推估计。从重要性概率密度函数中生成采样粒子,并随着测量值的依次到来递推求得相应的权值,最终以粒子加权和的形式来描述后验滤波概率密度,进而得到状态估计。
MMSE: