粒子滤波器理论知识和核心思想

2.1.1 概述

l  是递归贝叶斯滤波的一种实现

l  以高计算量为代价换取能表示任何一种分布形式

l  用随机样本表示，用一组加权样本表示后验

l  在局部化的背景下，粒子根据运动模型进行传播，然后根据观察结果的可能性对它们进行加权，在重新采样的步骤中，新粒子的绘制概率与观察到的可能性成正比

l  从存储成本和对不断变化的信号特性的快速适应的角度来看，可以实现数据到达时进行实时处理

l  用于对非线性（ nonlinear ）非高斯（non-Gaussian）模型的估计

 

2.1.2 粒子滤波器核心思想

用测量更新权重，根据权重来重采样，用模型来在空间转移粒子。

 

2.1.3 目标跟踪问题/状态空间模型

​

h表示对真实值x的一种有规律的扭曲，所以观测是扭曲过的真实加上噪声。

关于系统模型：为什么只用系统模型不能完全表征目标的方位？--》因为由噪声：在GPS中可以理解为汽车的飘移或者因为违停而被脱走的汽车（绑架机器人）。

说到噪声，这里提一下最小二乘的思想：对于线性模型: y=h*x+v , 很自然的想到，我们要想获得最准确的估计值，我们可以求Σ(y-h*x)^2，当它达到最小时，我们的估计值最接近真实值，这里可以理解为一种对（向量）x的遍历，然后让真实值和我们的观测相匹配。

2.1.4. 卡尔曼滤波器的局限

卡尔曼滤波器利用了高斯分布是共轭分布的性质，或者说高斯分布是一个能被参数化的分布，粒子滤波器是对非参数化分布的一种表示形式。当模型和数据是非线性时，用卡尔曼滤波器会得到一些奇怪的非高斯分布。一些算法可以将非线性系统投影成线性系统。

2.1.5. 蒙特卡洛方法(Monte Carlo method)

蒙特卡洛方法是一种对随机变量数字特征的估计方法，可以简单理解为他是在样点和参数之间的一种转换：

从概率分布产生样点《——》从样点建立参数分布

 

2.1.6 概率质量函数(Probability mass function)

正因为这样才能代表非高斯分布——那些不能用公式准确描述形容的分布，通过散点避免了线性的问题。

2.1.7 重要性采样( Importance Sampling )

核心思想：形容如何给点赋予权值。

Q是已知的分布，也叫重要性概率密度函数。

权重的积分为1(归一化)，粒子点数越多，对概率的拟合程度越好，当点数无限多时，概率质量分布PMF就是概率分布PDF了。

我们知道粒子滤波器用加权粒子来表示概率分布，那么我们如何获得这些粒子呢？

如果是某分布高斯分布，由于它是参数化的方法，会有其专门的生成算法，比如想生成10个符合标准正态分布N~(0,1)的粒子，可以用matlab函数： 1*randn(1,10);

那其他分布呢？我们这时就用到了importance sampling

通过产生一个已知的参数化分布，然后考虑这个已知的参数分布和未知非参数化分布（目标）的差异——即是权重，具体做法是：

权重w(i)=非参数化分布在某处的值p(i)/参数化已知分布对应的值q(i)

这样用参数化已知分布*权重即是非参数化目标分布对应的概率密度（或者说是分布），所以以这种方法可以生成对应分布的点。

权重相当于对已知概率分布进行变形。

对于目标运动模型，我们可以基于运动和观察，通过预测步骤从这个容易发生样本参数化分布q中抽取样本，我可以很。

通过系统运动模型和观测模型，预测（prediction）通过系统运动模型，从容易建立样点、已知的参数分布产生点；然后用观测方程来作更正（correction）

W（tj）=target（tj）/proposal（tj）,这里tj=ki，k次i个，重采样就是要利用大权重（概率）的点来生成下一次的点，而舍弃那些权重小的点。

简单来说，就是通过已知参数分布（高斯）来生成点，然后根据非参数分布的对应点的PMF和高斯对应位置的PDF之间的差异（权重w）来给生成的这些点来赋值，此时要注意对应关系。

2.1.8 重要密度函数q的选择(Good Choice of Importance Density)

重要密度函数的作用：概率转移、后验搬移，可以理解为一种对概率密度（点的权重）刷新的方法。

选择重要性概率密度函数的一个标准是使得粒子权值{w(k)(i)}(i=1:N)的方差最小，这表示的是“不确定中的确定性”的含义。

通常可以选择状态变量的转移概率密度函数p(x(k) | x(k-1))作为重要性概率密度函数q，此时粒子的权值是：

w(k)(i) = w(k-1)(i) * p(y(k) | x(k)(i))

这个式子中的w是权值，p可以理解为贝叶斯公式中的似然函数，这里是用围绕观测y产生的“似然函数”将对应粒子的权值进行刷新。

因此通过q围绕着观测y生成的，而w衡量了q与通过系统运动模型生成的p的关系，可以近似理解为他俩越接近的点的权值越大.

2.1.9 重采样方法(Resampling)

核心思想：让我们的概率密度分布更加紧凑地分布于可能性更大地点上.

需要重采样是因为本质上是因为我们的点数是有限的（由于计算机的计算能力有限，我们只能表示有限个点），当有些粒子去了概率为0（权值低）的区域时，我们就认为它们不好（Bad），所以我们应该将Bad点舍弃，而保留那些在概率高的（权值高的）区域的点，并且新生成的点被赋予相同权值，然后开始下一次递归。这就是所谓的适者生存——“survival of the fittest principle”.

如果点数无穷、计算能力无穷的话就不存在resample，因为假设只有1%的点是有效点的话，有效点的数量为（0.01*∞）=∞，依旧能保持点数的丰富性，而点数有限。而如果计算能力有限、点数有限还不重采样的话，那么就无法长时间分析系统（跟踪目标），因为这种情况下粒子滤波器会发散，发散的原因是误差积累，每一次进行计算生成点时都会产生误差，这些误差会积累并且不可逆（无法恢复），除非有无限个点。

举个例子：考虑函数y=x^100，若x是连续的话，则点数也连续，即不存在误差（可以认为连续情况属于一种遍历，把有噪声作用的情况也遍历了），而若x是离散的话，本来x=2处的点对应y=2^100，这时有了0.1的误差，y=（2.1)^100，这种误差是非常大的，而且你下一次计算时还会有新误差，这两次误差一积累，就会造成更大的误差。

2.1.10粒子退化（sample impoverishment）

粒子退化与权值退化的区别：权值退化是说计算量的问题，减少无效计算，而粒子退化是形容多样性。

 

2.2 仿真实验

2.2.1 由先验知识而获得初始粒子的分布和统计特性条形图

100个粒子

1000个粒子

2.2.2 每次（3次）迭代时的粒子分布（小黑点）、目标真实位置（大红点）、估计位置（大绿点）、重采样后的点（小红点）

 

2.2.3 根据状态空间方程，目标真实运动轨迹（蓝）和我们估计的轨迹（红）

100个粒子

1000个粒子

2000个粒子

​

 

结论：从估计的结果可见，随着粒子数目的增加，估计的准确性提高，估计误差越来越小，这是通过增加计算量而换来的准确性。