粒子濾波學(xué)習(xí)筆記

本文參考博客地址

粒子濾波

粒子濾波的狀態(tài)轉(zhuǎn)移方程和觀測(cè)方程如下:
x(t) = f(x(t - 1), u(t), w(t))
y(t) = f(x(t), e(t))
其中的x(t)為t時(shí)刻狀態(tài)吹泡,u(t)為控制量匾效,w(t)e(t)分別為狀態(tài)噪音和觀測(cè)噪音,粒子濾波從觀測(cè)y(t)和上個(gè)時(shí)刻狀態(tài)x(t - 1)株汉,u(t),w(t)中過濾出t時(shí)刻的狀態(tài)x(t)的過程如下:
1歌殃、初始狀態(tài):用大量粒子模擬X(t)乔妈,粒子在空間均勻分布。
2挺份、預(yù)測(cè)階段:要依據(jù)上個(gè)時(shí)間點(diǎn)系統(tǒng)的狀態(tài)的概率分布來采樣褒翰,產(chǎn)生的樣本稱為粒子,它們的分布就是上個(gè)時(shí)間點(diǎn)系統(tǒng)狀態(tài)的概率分布,根據(jù)狀態(tài)轉(zhuǎn)移方程废酷,每個(gè)粒子得到一個(gè)預(yù)測(cè)粒子搁吓;
3、校正階段:根據(jù)條件概率p(y|x_i)對(duì)預(yù)測(cè)粒子進(jìn)行評(píng)價(jià)揣非,該條件概率值即為粒子的權(quán)重,越接近于真實(shí)狀態(tài)的粒子躲因,其權(quán)重越大早敬。
4、重采樣:根據(jù)粒子權(quán)重對(duì)粒子進(jìn)行篩選大脉,即要大量保留權(quán)重大的粒子搞监,又要有一小部分權(quán)重小的粒子。
5镰矿、將重采樣后的粒子帶入步驟2狀態(tài)轉(zhuǎn)移方程得到新的預(yù)測(cè)粒子

粒子濾波理論

推導(dǎo)過程參考
貝葉斯濾波
貝葉斯濾波實(shí)際上就是根據(jù)上一時(shí)刻系統(tǒng)狀態(tài)的概率分布來計(jì)算當(dāng)前時(shí)刻系統(tǒng)狀態(tài)的概率分布
從貝葉斯理論的角度看琐驴,狀態(tài)估計(jì)問題(目標(biāo)跟蹤、信號(hào)濾波)就是根據(jù)之前一系列的已有數(shù)據(jù)y_{k - 1}(后驗(yàn)知識(shí))遞推地計(jì)算出當(dāng)前狀態(tài)x_k的可信度,即p(x_k|y_{1 : k})绝淡,它需要通過預(yù)測(cè)和更新連個(gè)步驟來遞推計(jì)算宙刘,方程如下:
x_k = f_k(x_{k - 1}, v_{k- 1}) (1)
y_k = h_k(x_k, n_k)) (2)

  • 預(yù)測(cè)過程:預(yù)測(cè)過程通過狀態(tài)轉(zhuǎn)移方程(公式1)來完成,即通過一些先驗(yàn)知識(shí)來對(duì)系統(tǒng)的未來狀態(tài)進(jìn)行猜測(cè)牢酵,猜的是可行度用條件概率p(x_k | x_{k - 1})來表示悬包,更新過程中,利用新到的觀測(cè)值y_k來修正先驗(yàn)概率(p(x_k | x_{k - 1}))得到后驗(yàn)概率馍乙。
    在處理類似問題時(shí)布近,一般先假設(shè)系統(tǒng)的狀態(tài)轉(zhuǎn)移服從隱馬爾科夫模型,即當(dāng)前時(shí)刻的狀態(tài)僅僅和上一個(gè)時(shí)刻的狀態(tài)有關(guān)系潘拨。同時(shí)吊输,假設(shè)k時(shí)刻的測(cè)量數(shù)據(jù)僅僅和k時(shí)刻的狀態(tài)x_k有關(guān)
    公式如下:
    p(x_k|y_{1 : k - 1}) = \int p(x_{k},x_{k - 1}|y_{1 : k - 1})dx_{k - 1}\\ = \int p(x_{k}|x_{k - 1}, y_{1 : k - 1})p(x_{k - 1}|y_{1 : k})dx_{k - 1}\\ = \int p(x_{k}|x_{k - 1})p(x_{k - 1}|y_{1 : k})dx_{k - 1}\\
  • 更新過程:由p(x_k | y_{1 : k - 1})得到后驗(yàn)概率p(x_k | y_{1 :k }),這是通過新到的觀測(cè)值y_k修正p(x_k | y_{1 : k - 1})的過程铁追,公式如下:
    p(x_k|y_{1:k}) = \frac{p(y_k|x_k,y_{1:k - 1})p(x_k|y_{1:k - 1})}{p(y_k|y_{1:k - 1})}\\ = \frac{p(y_k|x_k)p(x_k|y_{1:k - 1})}{p(y_k|y_{1:k - 1})}

關(guān)于貝葉斯濾波的簡(jiǎn)介就到這里季蚂,我們可以注意到,貝葉斯后驗(yàn)概率的計(jì)算過程中需要用到積分琅束,但是對(duì)于一般的非線性扭屁,非高斯系統(tǒng),很難得到后驗(yàn)概率的解析解涩禀,所以就得引進(jìn)蒙特卡洛采樣了料滥。

蒙特卡洛采樣

蒙特卡洛采樣通過與總體分布一致的采樣樣本(粒子)來估計(jì)總體分布某些函數(shù)(往往可以表示某一事件的發(fā)生)期望值的一種方法,其思想是用平均值來代替積分艾船。
因?yàn)樨惾~斯后驗(yàn)概率的計(jì)算過程中用到積分葵腹,為了解決積分難的問題,可以用蒙特卡洛采樣來代替計(jì)算后驗(yàn)概率屿岂,假設(shè)可以從后驗(yàn)概率中采樣到N個(gè)樣本践宴,那么后驗(yàn)概率的計(jì)算可以表示為:
\hat{P}\left ( x_{n} | y_{1 : k}\right ) = \frac{1}{N}\sum_{i = 1}^{N}\delta \left ( x_n - x_n^{(i)} \right )\approx P\left ( x_{n} | y_{1 : k}\right )
其中f(x) = \delta \left ( x_n - x_n^{(i)} \right )為狄拉克函數(shù)(dirac delta function),即為指示函數(shù)爷怀,用來表示某事件是否發(fā)生阻肩。
既然用蒙特卡洛方法能夠用來直接估計(jì)后驗(yàn)概率,現(xiàn)在估計(jì)出了后驗(yàn)概率运授,那到底怎么用來做圖像跟蹤或者濾波呢烤惊?\color{red} {要做圖像跟蹤或?yàn)V波,其實(shí)就是想知道當(dāng)前狀態(tài)的期望值}
E\left [ f(x_n) \right ]\approx \int f(x_n) \hat {P}\left ( x_{n} | y_{1 : k}\right ) dx_n \\ = \frac{1}{N}\sum_{i = 1}^{N}\int f(x_n)\delta \left ( x_n - x_n^{(i)} \right )dx_n\\ =\frac{1}{N}\sum_{i = 1}^{N}f(x_n^{(i)})
從上面可知吁朦,粒子濾波實(shí)際上就是從后驗(yàn)概率(通過貝葉斯濾波或蒙特卡洛采樣得到)中采樣很多粒子柒室,用它們的狀態(tài)(以粒子為參數(shù)的狄拉克函數(shù),表示某事件是否發(fā)生)求平均就得到了濾波結(jié)果逗宜。
蒙特卡洛采樣的假設(shè)是可以從后驗(yàn)概率分布中采樣N個(gè)樣本雄右,但是此時(shí)后驗(yàn)概率未知剥啤,所以,直接用是不行的不脯,我們需要祭出重要性采樣這個(gè)大神了

重要性采樣

重要性采樣的核心思想就是從任意一個(gè)已知的分布(可以對(duì)應(yīng)系統(tǒng)任意狀態(tài)?)中采樣刻诊,而在用均值估計(jì)期望時(shí)與蒙特卡洛采樣不同的是它采用例子的加權(quán)平均值估計(jì)系統(tǒng)當(dāng)前的期望防楷,下面推導(dǎo)權(quán)重的計(jì)算。
設(shè)當(dāng)前系統(tǒng)狀態(tài)分布為q(x|y)q(x_k|y_{1 : k})是可采樣的则涯,這樣以上求期望的式子可寫成(2)式


其中

由于

(2)式可進(jìn)一步寫成:

上面的期望計(jì)算都可以采用蒙特卡洛方法來解決复局,也就是說,通過采樣N個(gè)樣本粟判,再用樣本的均值來估計(jì)當(dāng)前系統(tǒng)狀態(tài)期望亿昏,所以(3)式可近似為:

其中

以上的權(quán)重是歸一化后的權(quán)重,而(2)式中的權(quán)重是沒有歸一化的档礁。
到這里已經(jīng)解決了不能從后驗(yàn)概率直接采樣的問題角钩,但是上面這種每個(gè)粒子的權(quán)重都直接計(jì)算的方法,效率低呻澜,因?yàn)槊吭黾右粋€(gè)采樣p(x_k|y_{1 :k})都需要重新計(jì)算递礼,所以我們需要尋找一種能避免每次增加一個(gè)采樣都計(jì)算p(x_k|y_{1 :k})的方法,對(duì)的羹幸,我們要引入p(x_k|y_{1 :k})的遞推公式脊髓,推導(dǎo)如下:
首先假設(shè)重要性概率密度函數(shù)q(x_{0 : k}|y_{1 : k}),這里x的下標(biāo)是0:k栅受,也就是說粒子濾波是估計(jì)過去所有時(shí)刻的狀態(tài)的后驗(yàn)将硝。假設(shè)它可以分解為:


則后驗(yàn)概率密度函數(shù)的遞推形式可以表示未:

其中,為了表示方便屏镊,將 用 來表示依疼,注意 Y 與 y 的區(qū)別。同時(shí)闸衫,上面這個(gè)式子和上一節(jié)貝葉斯濾波中后驗(yàn)概率的推導(dǎo)是一樣的涛贯,只是之前的x(k)變成了這里的x(0:k),就是這個(gè)不同蔚出,導(dǎo)致貝葉斯估計(jì)里需要積分弟翘,而這里后驗(yàn)概率的分解形式卻不用積分
粒子權(quán)值的遞歸形式可以表示為:

注意骄酗,這種權(quán)重遞推形式的推導(dǎo)是在前面(2)式的形式下進(jìn)行推導(dǎo)的稀余,也就是沒有歸一化。而在進(jìn)行狀態(tài)估計(jì)的公式為:

這個(gè)公式中的的權(quán)重是歸一化以后的趋翻,所以在實(shí)際應(yīng)用中睛琳,遞推計(jì)算出w(k)后,要進(jìn)行歸一化,才能夠代入(4)式中去計(jì)算期望。
上面(5)式中的分子是不是很熟悉师骗,在上一節(jié)貝葉斯濾波中我們都已經(jīng)做了介紹历等,,的形狀實(shí)際上和狀態(tài)方程中噪聲的概率分布形狀是一樣的,只是均值不同了辟癌。因此這個(gè)遞推的(5)式和前面的非遞推形式相比寒屯,公式里的概率都是已知的,權(quán)重的計(jì)算可以說沒有編程方面的難度了黍少。權(quán)重也有了以后寡夹,只要進(jìn)行稍微的總結(jié)就可以得到SIS Filter。
重要性采樣通過引入重要性概率密度函數(shù)來解決蒙特卡洛采樣中后驗(yàn)概率無法采樣的問題厂置,如今已經(jīng)有很多經(jīng)典的算法來解決關(guān)于如何從后驗(yàn)概率采樣(也就是如何生成特定概率密度的樣本)的問題(如拒絕采樣菩掏,Markov Chain Monte Carlo,Metropolis-Hastings算法昵济,Gibbs采樣)智绸,可以參考博文

序貫重要性采樣濾波(Sequential Importance Sampling(SIS) Filter)

在實(shí)際應(yīng)用中我們假設(shè)重要性分布函數(shù)q()滿足:
q(x_k|x_{0:k - 1}) = q(x_k|x_{k - 1},y_k)
這個(gè)假設(shè)說明重要性分布只和前一時(shí)刻的狀態(tài)x_{k - 1}以及測(cè)量y_k有關(guān)了,那么(5)式就可以轉(zhuǎn)化為:


下面是序貫重要性濾波算法:
SIS采樣形式化如下

具體偽代碼表示如下
For i = 1 : N

  • 采樣:


  • 根據(jù)



    遞推計(jì)算各個(gè)例子的權(quán)重
    End For

這個(gè)算法(SIS)即為粒子濾波的前身砸紊,因?yàn)樗膶?shí)踐體驗(yàn)中有很多問題(如:粒子權(quán)重退化)因此需要通過重采樣(resample)去解決传于,采用重采樣后,就產(chǎn)生了基本的粒子濾波算法醉顽。
這個(gè)算法還有一個(gè)問題是重要性概率密度函數(shù)的選擇問題沼溜。

重采樣

在SIS采樣濾波中,有一個(gè)粒子退化的問題游添,主要表現(xiàn)在1)經(jīng)過迭代后有些粒子的權(quán)重變得很小系草,可以忽略了2)粒子權(quán)值的方差越來越大,這樣就會(huì)造成無效采樣唆涝,使得大量的計(jì)算浪費(fèi)在對(duì)估計(jì)后驗(yàn)概率分布幾乎不起作用的粒子上找都,使算法性能下降。
通常采用有效厘子湖來衡量粒子退化程度即:


這個(gè)式子的含義是廊酣,有效粒子數(shù)越小能耻,即權(quán)重的方差越大,也就是說權(quán)重大的和權(quán)重小的之間差距大亡驰,表明權(quán)值退化越嚴(yán)重晓猛。在實(shí)際計(jì)算中,有效粒子數(shù)可以近似為:

在進(jìn)行序貫重要性采時(shí)凡辱,若上式小于一定的閾值戒职,則應(yīng)該采取一些措施加以制止。
克服序貫重要性采樣算法權(quán)值退化現(xiàn)象最直接的方法是增加粒子數(shù)透乾,而這會(huì)造成計(jì)算量的相應(yīng)增加洪燥,影響計(jì)算的實(shí)時(shí)性磕秤。因此,一般采用以下兩種途徑:(1)選擇合適的重要性概率密度函數(shù)捧韵;(2)在序貫重要性采樣之后市咆,采用重采樣方法。
這里重要討論第二種再来,即重采樣
重采樣的思路很簡(jiǎn)單床绪,它會(huì)舍棄權(quán)重很小的例子,同時(shí)通過重復(fù)權(quán)重較大的粒子來保持粒子數(shù)目不變其弊,復(fù)制數(shù)量是根據(jù)粒子權(quán)重大小占比分配的
前面提到,求某種期望問題變成了加權(quán)和的形式:

通過重采樣之后膀斋,期望的表示形式時(shí)下面這樣的:

對(duì)比1梭伐、2我們就可以發(fā)現(xiàn),重采樣之每個(gè)例子的權(quán)重都是1/N(1式中的表示重采樣前的粒子仰担,2式中的表示重采樣之后的粒子)糊识,2式中的表示重采樣后粒子重復(fù)次數(shù),它可能為0
有了思路之后摔蓝,具體操作方法請(qǐng)參考遺傳算法中的輪盤賭
將重采樣的方法放入之前的SIS算法中赂苗,便可以得到基本的粒子濾波算法。

至此贮尉,粒子濾波的基本算法已經(jīng)給出來了拌滋,下面介紹SIR粒子濾波

Sampling Importance Resampling Filter(SIR)

最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者
  • 序言:七十年代末,一起剝皮案震驚了整個(gè)濱河市猜谚,隨后出現(xiàn)的幾起案子败砂,更是在濱河造成了極大的恐慌,老刑警劉巖魏铅,帶你破解...
    沈念sama閱讀 211,561評(píng)論 6 492
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件昌犹,死亡現(xiàn)場(chǎng)離奇詭異,居然都是意外死亡览芳,警方通過查閱死者的電腦和手機(jī)斜姥,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 90,218評(píng)論 3 385
  • 文/潘曉璐 我一進(jìn)店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來沧竟,“玉大人铸敏,你說我怎么就攤上這事⊥驼蹋” “怎么了搞坝?”我有些...
    開封第一講書人閱讀 157,162評(píng)論 0 348
  • 文/不壞的土叔 我叫張陵,是天一觀的道長(zhǎng)魁袜。 經(jīng)常有香客問我桩撮,道長(zhǎng)敦第,這世上最難降的妖魔是什么? 我笑而不...
    開封第一講書人閱讀 56,470評(píng)論 1 283
  • 正文 為了忘掉前任店量,我火速辦了婚禮芜果,結(jié)果婚禮上,老公的妹妹穿的比我還像新娘融师。我一直安慰自己右钾,他們只是感情好,可當(dāng)我...
    茶點(diǎn)故事閱讀 65,550評(píng)論 6 385
  • 文/花漫 我一把揭開白布旱爆。 她就那樣靜靜地躺著舀射,像睡著了一般。 火紅的嫁衣襯著肌膚如雪怀伦。 梳的紋絲不亂的頭發(fā)上脆烟,一...
    開封第一講書人閱讀 49,806評(píng)論 1 290
  • 那天,我揣著相機(jī)與錄音房待,去河邊找鬼邢羔。 笑死,一個(gè)胖子當(dāng)著我的面吹牛桑孩,可吹牛的內(nèi)容都是我干的拜鹤。 我是一名探鬼主播,決...
    沈念sama閱讀 38,951評(píng)論 3 407
  • 文/蒼蘭香墨 我猛地睜開眼流椒,長(zhǎng)吁一口氣:“原來是場(chǎng)噩夢(mèng)啊……” “哼敏簿!你這毒婦竟也來了?” 一聲冷哼從身側(cè)響起宣虾,我...
    開封第一講書人閱讀 37,712評(píng)論 0 266
  • 序言:老撾萬榮一對(duì)情侶失蹤极谊,失蹤者是張志新(化名)和其女友劉穎,沒想到半個(gè)月后安岂,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體轻猖,經(jīng)...
    沈念sama閱讀 44,166評(píng)論 1 303
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡,尸身上長(zhǎng)有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 36,510評(píng)論 2 327
  • 正文 我和宋清朗相戀三年域那,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了咙边。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片。...
    茶點(diǎn)故事閱讀 38,643評(píng)論 1 340
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡次员,死狀恐怖败许,靈堂內(nèi)的尸體忽然破棺而出,到底是詐尸還是另有隱情淑蔚,我是刑警寧澤市殷,帶...
    沈念sama閱讀 34,306評(píng)論 4 330
  • 正文 年R本政府宣布,位于F島的核電站刹衫,受9級(jí)特大地震影響醋寝,放射性物質(zhì)發(fā)生泄漏搞挣。R本人自食惡果不足惜,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 39,930評(píng)論 3 313
  • 文/蒙蒙 一音羞、第九天 我趴在偏房一處隱蔽的房頂上張望囱桨。 院中可真熱鬧,春花似錦嗅绰、人聲如沸舍肠。這莊子的主人今日做“春日...
    開封第一講書人閱讀 30,745評(píng)論 0 21
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽翠语。三九已至,卻和暖如春财边,著一層夾襖步出監(jiān)牢的瞬間啡专,已是汗流浹背。 一陣腳步聲響...
    開封第一講書人閱讀 31,983評(píng)論 1 266
  • 我被黑心中介騙來泰國(guó)打工制圈, 沒想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留,地道東北人畔况。 一個(gè)月前我還...
    沈念sama閱讀 46,351評(píng)論 2 360
  • 正文 我出身青樓鲸鹦,卻偏偏與公主長(zhǎng)得像,于是被迫代替她去往敵國(guó)和親跷跪。 傳聞我的和親對(duì)象是個(gè)殘疾皇子馋嗜,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 43,509評(píng)論 2 348

推薦閱讀更多精彩內(nèi)容

  • 多目標(biāo)跟蹤的問題是這樣的:有一段視頻,視頻是由 N 個(gè) 連續(xù)幀構(gòu)成的吵瞻。從第一幀到最后一幀葛菇,里面有多個(gè)目標(biāo),不斷地有...
    Fantesla閱讀 6,436評(píng)論 0 9
  • 轉(zhuǎn)載自 https://mp.weixin.qq.com/s/OXXtPoBrCADbwxVyEbfbYg 25....
    _龍雀閱讀 1,658評(píng)論 0 0
  • 經(jīng)過看各種博客和文章橡羞,讓我最清楚明白的眯停,是xiahouzuoxin 的博客,之后又看了一些國(guó)外的文獻(xiàn)進(jìn)行自己的理解...
    marine0131閱讀 7,407評(píng)論 4 12
  • 非官方無責(zé)任不靠譜系列之概率機(jī)器人卿泽≥赫《概率機(jī)器人》出版年:2016,作者:[美] 塞巴斯蒂安 · 特龍 一签夭、課本部...
    十月石榴2013閱讀 1,161評(píng)論 0 2
  • 你說/ 你說 天地之大齐邦,到底萍水遇她 你說 孤獨(dú)一人,終于有所牽掛 你說 傾其所有第租,只為她笑靨如花 你說 白璧微瑕...
    耿直的cutey閱讀 263評(píng)論 3 5