利用最优放置重采样的可微粒子滤波
内容提要
本文综述粒子滤波重采样研究。最优传输理论提出基于不可微重采样的粒子滤波器；神经网络重采样器（粒子变换器）实现可微粒子滤波，性能优于传统方法。综述了可微粒子滤波的关键组件设计，在线学习框架利用无监督损失更新模型。可微粒子滤波用于递归状态估计，泛化性优于LSTM。最优输运滤波方法样本效率高、可扩展；Rao-Blackwellisation提升效率；残差和分层重采样优于多项式方法；粒子流滤波器解决高维问题；边际粒子滤波降低方差。
延伸解读
可微粒子滤波的核心突破
传统粒子滤波的重采样步骤不可微，阻碍了端到端学习。文章指出，通过引入神经网络重采样器（如粒子变换器）或基于最优传输的不可微重采样方法，实现了可微粒子滤波。这使得动态模型、测量模型等组件能在统一框架下联合优化，从而提升性能。
重采样方法的比较与改进
文章综述了多种重采样技术，其中残差和分层重采样相对于基本的多项式重采样有所改进，尤其在大样本下表现更优。此外，Rao-Blackwellisation技术能提升粒子滤波效率，而边际粒子滤波通过直接操作边际分布降低方差，并将复杂度降至O(N logN)。
高维状态空间与泛化能力
针对高维状态空间，粒子流滤波器通过融入确定性粒子流，解决了前向模型难以逼近后验分布的问题。同时，可微粒子滤波在递归状态估计中展现出优于LSTM的泛化性，能更好地维持位置估计，并在样本效率和可扩展性上具有优势。
Q&A
可微粒子滤波和传统粒子滤波的主要区别是什么？
可微粒子滤波通过引入可微的重采样技术（如基于神经网络的重采样器）使整个滤波过程可端到端训练，而传统粒子滤波的重采样步骤不可微，难以直接优化模型参数。
粒子变换器是什么？它在可微粒子滤波中起什么作用？
粒子变换器是一种新颖的神经网络架构，用作可微粒子滤波中的重采样器，替代传统重采样方法。它使用基于可能性的粒子集合损失函数进行训练，在合成数据和模拟机器人定位任务上优于传统重采样技术。
可微粒子滤波如何实现模型参数的在线更新？
通过采用无监督损失构建在线模型更新过程，随着数据到达更新模型参数。在模拟设置中与监督学习方法（如多元线性高斯状态空间模型和模拟物体跟踪实验）比较，验证了其有效性。
可微粒子滤波在状态估计任务中相比LSTM有什么优势？
实验表明，与LSTM相比，可微粒子滤波（DPFs）能够更好地维持位置估计，并提高算法的泛化性。
基于最优传输的粒子滤波方法有哪些优势？
基于最优传输的粒子滤波方法通过估计Brenier最优传输映射，利用神经网络建模复杂多模态分布，采用随机优化提高可伸缩性。数值实验表明，在样本效率、高维可伸缩性和捕捉复杂多模态分布方面优于SIR粒子滤波器和集合卡尔曼滤波器。
粒子滤波中哪些重采样方法比多项式重采样更好？
残差重采样和分层重采样方法相对于基本的多项式重采样方法有所改进。对简单bootstrap滤波算法使用残差重采样时的大样本行为进行了研究，并建立了中心极限定理。
粒子流粒子滤波器解决了什么问题？
粒子流粒子滤波器解决了在高维状态空间中设计粒子滤波器时前向模型难以接近后验分布的问题。它将确定性的粒子流融入全面的粒子滤波器框架，并通过复杂的高维滤波器模拟实验验证了优异性能。
边际粒子滤波器如何降低方差？
边际粒子滤波器是一种顺序蒙特卡罗算法，直接操作边际分布，避免在目标分布维度不断增加时进行重要性抽样。它提出了改进版的辅助粒子滤波器，理论和实证结果证明其相较于传统粒子滤波可降低方差，并给出了将算法复杂度降至O(N logN)的技巧。
