没有合适的资源?快使用搜索试试~ 我知道了~
粒子滤波理论一看就懂要点.pdf
需积分: 10 10 下载量 129 浏览量
2019-08-07
11:00:14
上传
评论
收藏 226KB PDF 举报
温馨提示
试读
12页
文档详细介绍了粒子滤波器的由来、优缺点,公式推导有理有据易于理解,避免晦涩难懂。
资源推荐
资源详情
资源评论
2 粒子滤波理论
粒子滤波通过 非参数化的蒙特卡洛 (Monte Carlo) 模拟方法来实现递推贝叶斯滤波 ,适用
于任何能用状态空间模型描述的非线性系统, 精度可以逼近最优估计。 粒子滤波器具有简单、
易于实现等特点, 它为分析非线性动态系统提供了一种有效的解决方法, 从而引起 目标跟踪、
信号处理以及自动控制等领域的广泛关注。 本章首先概述用于求解目标状态后验概率的贝叶
斯滤波理论, 随后介绍具有普遍适用性的粒子滤波器, 最后针对当前粒子滤波器存在的粒子
多样性丧失问题,提出了一种量子进化粒子滤波算法。
2.1 贝叶斯滤波
动态系统的目标跟踪问题可以通过图 2.1所示的状态空间模型来描述。本节在贝叶斯滤
波框架下讨论目标跟踪问题。
图 2.1 状态空间模型
Fig. 2.1 State space model
在目标跟踪问题中,动态系统的状态空间模型可描述为
1 1
( )
( )
k k k
k k k
x f x u
y h x v
(2.1)
其中 ( ), ( )f h 分别为状态转移方程与观测方程,
k
x 为系统状态,
k
y 为观测值,
k
u 为过程
噪声,
k
v 为观测噪声。 为了描述方便, 用
0: 0 1
{ , , , }
k k k
X x x x x 与
1: 1
{ , , }
k k k
Y y y y
分别表示
0
到
k
时刻所有的状态与观测值。 在处理目标跟踪问题时, 通常假设目标的状态转
移过程服从一阶马尔可夫模型,即当前时刻的状态
k
x 只与上一时刻的状态
-1k
x 有关。另外
一个假设为观测值相互独立,即观测值
k
y 只与
k
时刻的状态
k
x 有关。
贝叶斯滤波为非线性系统的状态估计问题提供了一种基于概率分布形式的解决方案。 贝
叶斯滤波将状态估计视为一个概率推理过程, 即将目标状态的估计问题转换为利用贝叶斯公
式求解 后验概率密度
( | )
k k
p X Y 或滤波概率密度 ( | )
k k
p x Y ,进而获得目标状态的最优估计。
贝叶斯滤波包含预测和更新两个阶段, 预测过程利用系统模型预测状态的先验概率密度, 更
新过程则利用最新的测量值对先验概率密度进行修正,得到后验概率密度。
假设已知 1k 时刻的概率密度函数为
1 1
( | )
k k
p x Y
,贝叶斯滤波的具体过程如下:
(1) 预测过程 ,由
1 1
( | )
k k
p x Y
得到
1
( | )
k k
p x Y
:
1 1 1 1 1 1
( , | ) ( | , ) ( | )
k k k k k k k k
p x x Y p x x Y p x Y
(2.2)
当给定
1k
x
时,状态
k
x
与
1k
Y
相互独立,因此
1 1 1 1 1
( , | ) ( | ) ( | )
k k k k k k k
p x x Y p x x p x Y (2.3)
上式两端对
1k
x 积分,可得 Chapman-Komolgorov 方程
1 1 1 1 1
( | ) ( | ) ( | )d
k k k k k k k
p x Y p x x p x Y x
(?????) (2.4)
(2) 更新过程,由
1
( | )
k k
p x Y
得到 )|(
kk
Yxp
:
获取
k
时刻的测量
k
y 后,利用贝叶斯公式对先验概率密度进行更新,得到后验概率
1 1
1
( | , ) ( | )
( | )
( | )
k k k k k
k k
k k
p y x Y p x Y
p x Y
p y Y
(2.5)
假设
k
y 只由
k
x 决定,即
1
( | , ) ( | )
k k k k k
p y x Y p y x (2.6)
因此
1
1
( | ) ( | )
( | )
( | )
k k k k
k k
k k
p y x p x Y
p x Y
p y Y
(2.7)
其中,
1
( | )
k k
p y Y
为归一化常数
1
( | )
k k
p y Y
1
( | ) ( | )d
k k k k k
p y x p x Y x
(2.8)
贝叶斯滤波以递推的形式给出后验 (或滤波 ) 概率密度函数的最优解。 目标状态的最优估
计值可由后验 ( 或滤波 ) 概率密度函数进行计算。 通常根据极大后验 (MAP) 准则或最小均方误
差(MMSE) 准则,将具有极大后验概率密度的状态或条件均值作为系统状态的估计值,即
?
=arg min ( | )
k
MAP
k k k
x
x p x Y
(2.9)
?
=E[ ( )| ] ( ) ( | ) d
MMSE
k k k k k k k
x f x Y f x p x Y x (2.10)
贝叶斯滤波需要进行积分运算,除了一些特殊的系统模型 (如线性高斯系统,有限状态
的离散系统)之外, 对于一般的非线性、非高斯系统,贝叶斯滤波很难得到后验概率的封闭
解析式。 因此, 现有的非线性滤波器多采用近似的计算方法解决积分问题, 以此来获取估计
的次优解。 在系统的非线性模型可由在当前状态展开的线性模型有限近似的前提下, 基于一
阶或二阶 Taylor 级数展开的扩展 Kalman 滤波得到广泛应用
[119]
。在一般情况下,逼近概率
密度函数比逼近非线性函数容易实现。据此, Julier 与 Uhlmann 提出一种 Unscented Kalman
滤波器, 通过选定的 sigma 点来精确估计随机变量经非线性变换后的均值和方差, 从而更好
的近似状态的概率密度函数, 其理论估计精度优于扩展 Kalman 滤波
[120]
。获取次优解的另外
一中方案便是基于蒙特卡洛模拟的粒子滤波器。
2.2 粒子滤波
早在 20 世纪 50 年代, Hammersley 便采用基于序贯重要性采样 (Sequential importance
sampling,SIS) 的蒙特卡洛方法解决统计学问题
[121]
。20 世纪 60 年代后期, Handschin 与 Mayne
使用序贯蒙特卡洛方法解决自动控制领域的相关问题
[122]
。20 世纪 70 年代,Handschin、Akashi
以及 Zaritskii 等学者的一系列研究工作使得序贯蒙特卡洛方法得到进一步发展
[123] [124, 125]
[126]
。限于当时的计算能力以及算法本身存在的权值退化问题,序贯重要性采样算法没有受
到足够重视,在随后较长一段时间内进展较为缓慢。直到 20 世纪 80 年代末,计算机处理能
力的巨大进展使得序贯蒙特卡洛方法重新受到关注。 Tanizaki、Geweke 等采用基于重要性采
样的蒙特卡洛方法成功解决了一系列高维积分问题
[127-130]
。Smith 与 Gelfand 提出的采样 -重
采样思想为 Bayesian 推理提供了一种易于实现的计算策略
[131]
。随后, Smith 与 Gordon 等人
合作,于 20 世纪 90 年代初将重采样 (Resampling)步骤引入到粒子滤波中,在一定程度上解
决了序贯重要性采样的权值退化问题,并由此产生了第一个可实现 的 SIR(Sampling
importance resampling) 粒子滤波算法 (Bootstrap 滤波 )
[132]
,从而掀起粒子滤波的研究热潮。美
国海军集成水下监控系统中的 Nodestar 便是粒子滤波应用的一个实例。进入 21 世纪,粒子
滤波器成为一个非常活跃的研究领域, Doucet、Liu 、Arulampalam 等对粒子滤波的研究作了
精彩的总结
[133-135]
,IEEE 出版的论文集 “Sequential Monte Carlo Methods in Practice ”对粒子滤
波器进行了详细介绍
[136]
。
2.2.1 贝叶斯重要性采样
蒙特卡洛模拟是一 种利用随机数求解物理和数学问题的计算方法, 又称为计算机随机模
拟方法。该方 法源于第一次世界大战期间美国研制原子弹的曼哈顿计划,著名数学家冯 诺
伊曼作为该计划的主持人之一, 用驰名世界的赌城, 摩纳哥的蒙特卡洛来命名这种方法 。蒙
特卡洛模拟方法利用所求状态空间中大量的样本点来近似逼近待估计变量的后验概率分布 ,
如图 2.2 所示, 从而将积分问题转换为有限样本点的求和问题 。粒子滤波算法的核心思想便
是利用一系列随机样本的加权和表示后验概率密度, 通过求和来近似积分操作。 假设可以从
后验概率密度 ( | )
k k
p x Y
中抽取
N
个独立同分布的随机样本
( )i
k
x
,
1, ,i N
,则有
剩余11页未读,继续阅读
资源评论
jiyu66
- 粉丝: 2
- 资源: 7
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功