我们上次已经学习了卡尔曼滤波，卡尔曼滤波在通讯、导航、控制等领域得到了广泛的应用，也取得了感人的效果。但也不得不说，卡尔曼滤波的线性、高斯假设性太强，实际系统中并不能直接使用。即使是利用线性化手段，也要求原系统线性程度较好，否则效果也会较差。同时，我们知道高斯函数为单峰函数，这也为其带来了局限性。例如在定位问题中，卡尔曼滤波便仅适用于位置追踪（position tracking），从其高斯分布的递推估计过程也可以看出。而针对全局定位（global localization）和机器人绑架问题（kidnapped robot problem），卡尔曼便不易解决。
因此，现在我们来学习一种十分流行的非参数滤波——粒子滤波（particle filter）。
先来举个例子吧（网上都被举烂了，我就大概搬过来）
粒子滤波最典型的应用便是定位问题。现在我们假设我们有100只狗去追小偷，狗被放出去后便沿小偷逃跑方向追击，狗通过气味来判断是否为小偷，每隔一段时间便把当时位置的气味与小偷气味做对比，得出所在位置为小偷的概率大小。每只狗所在位置不同，其气味便不同，追击到小偷的概率便不同。我们根据这一概率大小，将概率小的地方的狗赶到概率大的地方，然后继续追击。如此反复，使得狗逐渐聚集，得到小偷位置。这里的每只狗便是一个粒子。
粒子滤波的思路大概如此，详细说明如下：
与之前的高斯滤波不同，非参数滤波中并不给出具体的后验函数，而是以有限数量的值来近似。具体来说，粒子滤波中用一系列后验状态中的采样值来表示后验。这里的每个采样值即称为粒子，也就是某一时刻状态的一种可能假设。
其中
例如下图所示，小竖线即表示粒子，越密集也就是粒子越多的地方表示概率越大。
这里的
我们将这种表示方法带入到贝叶斯滤波框架中，便得到粒子滤波。
我们逐行来看：
1：算法的输入为
2：定义两个空的粒子集
3：粒子集中数目都为
4：状态转移，对
5：为每一个粒子计算一个权重，称为重要性因子，该权重的计算是基于观测模型，也就是反应了粒子的可信程度。
6：粒子的状态及其对应的重要性因子组成完整的粒子集
7：循环结束
以下是粒子滤波的核心内容：重采样/重要性采样
8：处理新得到的粒子集
9：从粒子集
10：采样到的粒子添加到新的粒子集
11：循环结束
12：得到后验分布的抽样表示
针对重要性采样进行进一步讲解：
这其实就是一个由
假设
如果我们能找到两个间的关系，便可由提议分布得到目标分布。例如：
这里的
来看一组图会更清楚：
我们在提议分布
对每一个提议分布的采样值乘上加权因子，加权因子由目标分布与提议分布的关系获得，也就是两者间的不匹配程度。竖线的高度便表示了权重的大小
再依照权重因子进行重采样，所得结果便是目标分布的采样。
上图为理想结果，实际重采样效果应该会比这个差一些。但应该不影响理解。粒子滤波其实要求提议分布与目标分布相差较小，像上图中差距巨大的话重采样效果也不佳。
例如下图中蓝色为激光传感器的观测模型，绿色为运动模型，里程计的不确定度相比于激光传感器要明显大一些。我们从目标分布中采样得到先验的粒子分布，再结合观测模型计算粒子权重。那便产生一个问题，只有靠近观测模型的均值处的例子的权重较大，而较远处的粒子的权重可能很小，又由于运动模型的方差很大，结果表示高权重的粒子数或许很少，大多数粒子的权重很低。在这样的情况下重采样将使精度降低，低权重粒子的意义又不大，浪费了大量计算。
因此为了使得粒子滤波能够继续较为可靠的进行，我们需要较多的粒子数，使得大权重粒子较多，同时每一步运动后都要进行重采样剔除掉低权重粒子。经典的基于粒子滤波的SLAM算法FastSLAM大致就是这种方案。另外，在进一步改进版的基于粒子滤波SLAM算法GMapping中，在运动模型中采样后得到粒子后，在每个粒子周围再选取粒子，通过扫描匹配的方法，选取其中更优的一个粒子。从下图来看，就是使得运动模型的例子向观测模型的均值靠近。为了解决这类问题，不同的SLAM算法也有其不同的应对策略，以后有机会可以把不同的基于激光的SLAM算法详细讲解一遍。
现在，问题的关键变成了获得目标分布与提议分布间关系，即不匹配程度的表达。
粒子滤波中，目标分布就是状态的后验分布，提议分布就是状态的先验分布，而两者的关系正是观测模型！
这样通过观测模型，我们便把先验与后验联系起来，获得了后验的抽样表示。
其实在粒子滤波中，我们也完全也可以选择不进行重采样，而是为每一个粒子维护一个权重，这样我们用粒子和其权重表示了状态的后验分布。但这样的问题是低权重粒子可能很多，使得计算效率精度等不理想。因此，我们使用重采样来增加大权重粒子的数量，来用粒子和其数量表示后验分布。
两种较为常用的重采样算法：轮盘赌、低方差采样
轮盘赌采样：（书上没有，我简单试着写一下，简单在word里敲得，好丑……）
算法其实很简单，不详细解释了，就像它的名字一样，就是那种下面这种转盘赌博的方式。每个粒子对应的权重大小就是图中各奖项对应的面积大小。每次采样就是转动一次转盘。
但这种采样方式有一些缺点，我们举个例子来看。假设机器人静止，且没有观测输入，也就是机器人不知道有关其位置的任何信息，也就是其位置在下图空间中属于均匀分布，我们以下图中均匀抽样的粒子表示。
如果在此基础上采用轮盘赌采样进行粒子滤波，理想结果应该为粒子保持不动。因为机器人没有移动，且没有观测，每个粒子的权重也相等。但实际情况并非如此，采样后结果如下图所示。
重采样使得粒子的多样性降低。这将加大采样误差。
因此在实际使用中要制定合理策略，控制采样条件，例如状态静止时停止采样等。总结来说，当权重偏向大数量样本时，可以降低采样频率，以减小状态多样性的丢失。当权重偏向小数量样本时，应该进行重采样。
还有另外一种应对策略就是低方差采样
可以看出，低方差采样只在第三行进行了一次随机抽取，随后便等间隔（
低方差采样以一个更有序的形式覆盖了整个样本空间。这样便可避免上述极端例子中出现的缺陷。
粒子滤波的基本思想大体如此，但在实际使用中可能会有些许修改，特别是在重采样策略方面。
参考文献：
Thrun S. Probabilistic robotics[M]. MIT Press, 2006.
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
