Resampling-freie Partikelfilter in hohen Dimensionen

Die Zustandsabschätzung ist entscheidend für die Leistung und Sicherheit zahlreicher robotischer Anwendungen. Unter den verschiedenen Schätzungstechniken haben sich Partikelfilter als leistungsstarke Lösung herausgestellt, aufgrund ihrer nicht-parametrischen Natur. Dennoch stehen diese Filter in hochdimensionalen Zustandsräumen vor Herausforderungen wie 'Partikelverarmung', die eine genaue Darstellung der wahren posterioren Verteilung behindert. Dieses Papier stellt einen neuartigen, resampling-freien Partikelfilter vor, der entwickelt wurde, um die Partikelverarmung zu mindern, indem der traditionelle Resampling-Schritt ausgelassen wird. Dies gewährleistet einen breiteren und vielfältigeren Partikelsatz, was insbesondere in hochdimensionalen Szenarien von entscheidender Bedeutung ist. Theoretisch zeigt unser vorgeschlagener Filter eine nahezu genaue Darstellung der gewünschten posterioren Verteilung in hochdimensionalen Kontexten. Empirisch wird die Effektivität unseres Ansatzes durch eine hochdimensionale synthetische Zustandsabschätzungsaufgabe und eine 6D-Pose-Schätzung aus Videos unterstrichen. Wir gehen davon aus, dass Partikelfilter, die für hochdimensionale Zustandsräume maßgeschneidert sind, unverzichtbar sein werden, während sich robotische Systeme mit größeren Freiheitsgraden weiterentwickeln.