《粒子滤波器基本原理.ppt》由会员分享,可在线阅读,更多相关《粒子滤波器基本原理.ppt(33页珍藏版)》请在三一文库上搜索。
1、粒子滤波器基本原理,主要内容,1 动态系统模型及状态估计问题 2 递推Bayesian滤波器 3 粒子滤波器 4 小结,1 动态系统模型(1),动态系统(Dynamic System)通过两个方程建模: 状态转移方程(state transition equation) 测量方程(measurement equation),1 动态系统(状态转移方程),状态转移方程:,其中: fk: 转移函数(可能是非线性的) xk, xk-1: 当前和前一时刻状态 uk-1: 已知的输入 vk-1: 状态噪声(可能是非Gaussian),1 动态系统(测量方程),测量方程:,其中: hk: 测量函数(可能是
2、非线性的) xk: 当前时刻状态 uk: 已知的输入 nk: 测量噪声(可能是非Gaussian),1 状态估计问题,xk: 未知的,待估计的系统状态 z1:k: 已知系统测量(z1:k =zj, j=1,k ) 状态估计问题: 根据已知的测量z1:k估计未知的状态xk 实质:计算后验概率密度函数(pdf) p(xk|z1:k),2 递推Bayesian滤波器,递推地构造后验概率密度函数(pdf) p(xk|z1:k): 已知p(xk-1|z1:k-1)和zk,求p(xk|z1:k),假设:初始分布p(x0)是已知的( p(x0)是对系统初始状态知识的刻画)。 p(xk|z1:k)可以通过以下
3、两个步骤递推地获得: 预测(prediction) 校正(update),2 递推Bayesian滤波器(预测),预测(prediction): 设k-1时刻的概率密度函数p(xk-1|z1:k-1)是已知的。预测阶段包括通过Chapman-Kolmogorov等式使用状态转移方程来获得k时刻状态的先验概率密度函数:,(1),2 递推Bayesian滤波器(校正),校正(update): 在k时刻,当测量有效时,通过Bayes规则进行校正,其中,规格化常量:,似然度,先验概率,(2),2 递推Bayesian滤波器(推导),2 递推Bayesian滤波器(估计),估计:,(3),2 Bayes
4、ian滤波器(问题),理论上的解,在实际的应用中,(1),(2),(3)中的积分是难以计算的。几种特殊情况可以求解: 有限状态空间(积分转换为求和) 线性系统,高斯噪声(kalman filter),3 粒子滤波器(Particle Filter),粒子滤波器是(混合)动态系统估计的Monte Carlo (即随机选择)方法,它通过随机选择的样本(或称粒子)集来近似后验概率分布 其优点是: 非线性系统 非参数方法,可以表示任意分布(不受高斯假设约束) 在单个粒子可以同时表示离散和连续状态 计算复杂度可调节(只与粒子数N有关) 适合处理高维状态空间问题,Monte Carlo近似,考察积分问题:
5、,Monte Carlo采样使用一组独立随机变量来近似真实积分,设从概率分布P(x)抽取N个独立同分布随机样本x(1),x(N),则上式的Monte Carlo近似为,重要性采样,问题:难以从真实分布采样。 重要性采样:基本思想是选择一个建议分布(proposal distribution)q(x)代替p(x)。假设q(x)的支撑集涵盖了p(x)的支撑集。,重写积分公式有:,重要性采样,Monte Carlo重要性采样利用一组从q(x)抽取的独立同分布样本对上式加权近似:,规格化,为使权重和为1,对权重进行规格化处理:,3 粒子滤波器,粒子滤波器(Particle filter PF),又称为
6、序列蒙特卡罗(Sequential Monte Carlo, SMC)方法. 两种基本的PF算法: 序列重要性采样算法(Sequential Importance Sampling, SIS),又称为bootstrap filtering , the condensation algorithm 样本重要性重采样(Sample Importance Resampling Filter, SIR),3 粒子滤波器框架(SIS算法),权重计算,3 粒子滤波器框架(SIS算法),重要性采样(退化问题 Degeneracy Problem),SIS存在退化现象:经过几次迭代后,除了一个例子外,其余的粒
7、子的权值都变得微不足道。 退化问题导致大量的计算能力用于更新微不足道的粒子。,退化问题处理方法: 强力法:许多许多的粒子(低效) 选择好的重要性函数(困难) 重采样 (主流方法),3 粒子滤波器框架(SIS算法),3 粒子滤波器框架(SIR算法),样本重要性重采样(Sample Importance Resampling Filter, SIR)从SIS推导而来,满足以下两个条件: 重要性q(.)密度 取先验密度 , 重采样:每一时间步都进行重采样,重采样过程,特点:权重高的粒子更多地被选中,3 粒子滤波器框架(SIR算法),重采样(采用基于顺序统计量(order statistics)的算法
8、可以在O(Ns)的时间内实现重采样): 生成样本集 ,使得 ; 然后令,3 粒子滤波器框架(SIR算法),3 粒子滤波器框架(SIR算法),重采样(样本枯竭现象 sample impoverishment),SIR样本枯竭现象:权重较高的粒子被统计地选择多次,这导致粒子集丧失多样性(a loss of diversity among the particles),因为许多样本表示同一点。,3 粒子滤波器(缺点),缺点 粒子数目N过大增加计算复杂度 过小则难以得到满意的近似 退化问题 采样枯竭的问题,4 小结,动态系统通过状态转移方程和测量方程建模。 递推Bayesian滤波器通过预测和校正两个
9、步骤来求后验概率密度函数p(xk|z1:k),但是一种理论上的解,其积分难以计算。 粒子滤波器通过一组随机选择的带权样本来表示后验密度函数,在这些样本和权值的基础上计算估计。,4 小结,粒子滤波器的优点:非线性,非高斯,混合系统,计算复杂度可调节,高维问题 两种典型的粒子滤波器算法:序列重要性采样算法(SIS),采样重要性重采样算法(SIR)。 粒子滤波器的问题: SIS存在退化现象; SIR样本枯竭现象; N的选择问题。,参考文献,1 M. S. Arulampalam, S. Maskell, N. Gordon, T. Clapp. A Tutorial on Particle Filters for On-line Nonlinear/Non-Gaussian Bayesian Tracking. IEEE Transactions on Signal Processing, v 50, n 2, pp.174-188, 2002,Thanks!,