文章目录
- 1 常规粒子滤波存在的问题
- 1.1 重要性函数选择问题
- 1.2 粒子退化问题
- 1.3 计算效率问题
- 2 粒子滤波的一些改进方法
- 2.1 无迹粒子滤波方法
- 2.2 进化粒子滤波方法
- 2.3 辅助采样-重采样方法
- 2.4 规则化采样方法
- 2.5 自适应粒子滤波方法
1 常规粒子滤波存在的问题
粒子滤波方法通过蒙特卡洛模拟实现递推贝叶斯公式。
核心思想:利用一系列随机样本的加权和来表示所需的后验概率密度,得到状态的估计值。
当样本点数增加至无穷大时,蒙特卡洛特性与后验概率密度的函数表示等价。
粒子滤波采样SIS方法来递归,根据重要性进行采样得到后验概率密度的近似分布。
1.1 重要性函数选择问题
- 目前最常见的参考分布选取方法:令
q
(
x
k
∣
x
k
−
1
,
z
k
)
=
p
(
x
k
∣
x
k
−
1
)
q(x_k|x_{k-1},z_k)=p(x_k|x_{k-1})
q(xk∣xk−1,zk)=p(xk∣xk−1),即选用系统的状态转移概率函数。
1.2 粒子退化问题
1.3 计算效率问题
2 粒子滤波的一些改进方法
- 改进粒子滤波方法的重要性函数,优化采样过程;
- 提高粒子滤波器的计算性能,主要从数据结构以及如何减少粒子数据的角度出发。
2.1 无迹粒子滤波方法
U
P
F
UPF
UPF(Unscented Particle Filter)算法核心思想:在粒子滤波算法的基础上,利用
U
K
F
UKF
UKF得到比普通
P
F
PF
PF更好的重要性函数。
将最新的观测值引入到预测过程,提高了常规粒子滤波的性能,大大增加了计算量。
2.2 进化粒子滤波方法
进化粒子滤波方法是智能生物算法与粒子滤波算法相结合的产物。
中心思想:利用进化遗传算法中的交叉、变异、竞争选择等操作来改善粒子集的分布以及多样性问题。
算法的实时性、数学上的合理解释需要进一步讨论。
2.3 辅助采样-重采样方法
辅助采样-重采样方法是引入辅助变量进行辅助采样。
辅助采样是在
k
−
1
k-1
k−1时刻进行的,并考虑到
k
k
k时刻的观测信息
z
k
z_k
zk,这样使得过程噪声较小时,采样粒子更接近
k
k
k时刻的真实状态,从而可以获得更高的预估精度,但是过程噪声较大时,滤波效果不如标准粒子滤波算法好。
2.4 规则化采样方法
与常规 P F PF PF算法比较,仅在重采样过程中有所区别。
2.5 自适应粒子滤波方法
基本思想:在估计过程中,采样粒子数目不再保持固定值,而是根据滤波性能动态调节。
不断计算粒子滤波得到的估计后验概率密度与真实后验概率密度的
K
u
l
l
b
a
c
k
−
L
e
i
b
e
r
Kullback-Leiber
Kullback−Leiber距离,作为粒子滤波的近似误差,确定粒子滤波性能的高低。
当概率密度集中在状态空间中的某一部分时,采用较少的粒子数;
当状态的不确定度很高时,则采用较多的粒子数。