粒子滤波算法
09S003057 徐飞
由于我的课题是用粒子滤波进行目标跟踪,今天参加了一场粒子滤波算法的讲座,对
经典粒子滤波与其它粒子滤波进行了详细的讲解,学到了很多知识。
经典粒子滤波
算法的一般描述:
1.初始化:取 k=0,按 抽取 N 个样本点 ,i=1,…,N。
2.重要性采样: ,令 ,其中 i=1,…,N。
3.计算权值:
若采用一步转移后验状态分布,该式可简化为 。
4.归一化权值:
5.重采样:根据各自归一化权值 的大小复制/舍弃样本 ,得到N个近似服从
分布的样本 。令 = =1/N,i=1,…,N。
6.输出结果:算法的输出是粒子集 ,用它可以近似表示后验概率和函数
的期望
7.K=K+1,重复2步至6步。
其它粒子滤波
正则粒子滤波
正则粒子滤波(Regularized Particle Filter,RPF)是为了解决由重采样引入的新问题
而提出的一种改进的粒子滤波。当通过序贯重要性采样后引起粒子退化问题时,前面提到
可以用重采样的方法来减小退化的影响,但是引入重采样策略同时也引入了新的问题,即
粒子匮乏问题,经过若干次迭代之后,所有粒子都趋向于同一个粒子,导致粒子的多样性
丧失。这是因为在重采样过程中,粒子是从离散分布中采样取得的,而不是从连续分布中
采样得到的。
正则粒子滤波正是为了解决上述问题而提出的。它与 SIR 粒子滤波的区别在于:在重
采样过程中,SIR 从离散近似的分布中重采样,而正则粒子滤波则从连续近似的分布中重
采样。