Core Concepts
粒子フィルタは重み付き粒子のコレクションを使って多様な後見モードを非パラメトリックに柔軟に表現できるが、従来は既知の動力学モデルと観測尤度を前提としていた。本研究では、深層ニューラルネットワークエンコーダを使って任意の観測に対する潜在オブジェクト状態の不確定性を識別的に学習する粒子ベースの表現を提案する。既存の識別的粒子フィルタは離散的な粒子リサンプリングの発見的緩和や勾配打ち切りによる偏った学習を使っていたが、本手法は連続的な混合密度表現を使うことで偏りのない低分散の勾配推定を実現する。理論と実験により、既存の再パラメータ化ベースの混合密度勾配推定器には深刻な問題があることを明らかにし、重要度サンプリングベースの勾配推定器で対処する。標準的な再帰ニューラルネットワークとは異なり、提案手法は多様な不確定性を連続潜在状態で表現し、精度と頑健性を向上させる。
Abstract
本研究は、従来の粒子フィルタ(PF)が既知の動力学モデルと観測尤度を前提としていたのに対し、深層学習を使って任意の観測に対する潜在状態の不確定性を識別的に学習する新しい粒子ベースの手法を提案する。
具体的には以下の3つの特徴がある:
粒子リサンプリングの非微分性を克服するため、連続的な混合密度表現を使う。これにより、偏りのない低分散の勾配推定を実現する。既存の手法では発見的緩和や勾配打ち切りによる偏った学習を行っていた。
理論的・実験的に、既存の再パラメータ化ベースの混合密度勾配推定器に深刻な問題があることを明らかにし、重要度サンプリングベースの新しい勾配推定器を提案する。
標準的な再帰ニューラルネットワークとは異なり、提案手法は多様な不確定性を連続潜在状態で表現できるため、精度と頑健性が向上する。
実験では、複雑な追跡タスクにおいて提案手法が大幅な精度向上と安定性を示すことを確認した。
Stats
粒子フィルタは重み付き粒子のコレクションを使って多様な後見モードを非パラメトリックに表現できる。
従来の粒子フィルタは既知の動力学モデルと観測尤度を前提としていた。
提案手法は深層ニューラルネットワークを使って任意の観測に対する潜在状態の不確定性を識別的に学習する。
既存の識別的粒子フィルタは離散的なリサンプリングの発見的緩和や勾配打ち切りによる偏った学習を使っていた。
提案手法は連続的な混合密度表現を使うことで偏りのない低分散の勾配推定を実現する。
理論と実験により、既存の再パラメータ化ベースの混合密度勾配推定器に深刻な問題があることを明らかにし、重要度サンプリングベースの新しい勾配推定器を提案する。
提案手法は標準的な再帰ニューラルネットワークとは異なり、多様な不確定性を連続潜在状態で表現できるため、精度と頑健性が向上する。
Quotes
"粒子フィルタは重み付き粒子のコレクションを使って多様な後見モードを非パラメトリックに柔軟に表現できる"
"既存の識別的粒子フィルタは離散的なリサンプリングの発見的緩和や勾配打ち切りによる偏った学習を使っていた"
"提案手法は連続的な混合密度表現を使うことで偏りのない低分散の勾配推定を実現する"