Backprop KF: Learning Discriminative Deterministic State Estimators读书笔记

摘要

我们经常使用的卡尔曼滤波、图优化属于生成模型。生成模型不适合处理带有丰富特性的图像数据。
判别模型可以处理图像数据，但是通常来说比较难训练。比如从图像直接训练出位置信息是比较难的。现在的state-of-the-art也才达到2m的精度。
本文是把生成模型与判别模型的优势结合在一起。

一，相关工作

一个生成模型的例子如下：

以上的例子中，如果观测z是图像，明显就不行了。但是也有例外，SLAM中的直接法就是一种类似的建模，有个假设就是两帧之间间隔很小，直接法就是一个复杂的观测模型。

模型部分

最终要估计的变量是位置X, 直接从图像或者激光雷达中估计位置是一件比较困难的事情，但是如果从原始观测中估计一个速度v，则是一件相对容易的任务。$o$表示激光数据，$z$表示从激光获取的速度观测，$x$表示车的位置。深度学习部分，将$o$–>$z$. 滤波部分，将$z$作为一个观测，变量是$x$。
通过卡尔曼滤波，以z为输入，最终估计出x，然后和真值位置进行比较，即可定义loss function

训练的过程就是利用后向传播进行求偏导的过程。

Terminology, 术语, 概念

1. Discriminative，Deterministic
   生成模型是一个全概率分布p(x,y)，判别模型是根据条件得到目标的概率p(y|x). 从这个角度讲，生成模型更难。
2. stochastic gradient descent methods
   相对于梯度下降法，随机梯度下降法说的是，利用一部分数据计算出来的梯度来做梯度下降法。参考：1和2