Normalisierte Flüsse-basierte differentiable Partikelfilter

In letzter Zeit gab es ein zunehmendes Interesse daran, neuronale Netzwerke in Partikelfilter zu integrieren, z. B. differenzierbare Partikelfilter, um eine gemeinsame sequenzielle Zustandsabschätzung und Modellerlernung für nichtlineare nicht-Gaussian-Zustandsraummodelle in komplexen Umgebungen durchzuführen. Bestehende differenzierbare Partikelfilter sind meistens mit einfachen neuronalen Netzwerken konstruiert, die keine Dichteschätzung ermöglichen. Infolgedessen sind sie entweder auf einen Bootstrap-Partikelfilterrahmen beschränkt oder verwenden vordefinierte Verteilungsfamilien (z. B. Gaussian-Verteilungen), was ihre Leistung in komplexeren realen Szenarien einschränkt. In diesem Papier stellen wir einen differenzierbaren Partikelfilterrahmen vor, der (bedingte) normalisierte Flüsse nutzt, um sein dynamisches Modell, die Vorschlagsverteilung und das Messmodell zu erstellen. Dies ermöglicht nicht nur gültige Wahrscheinlichkeitsdichten, sondern erlaubt es auch, das vorgeschlagene Verfahren adaptiv und flexibel zu erlernen, ohne auf vordefinierte Verteilungsfamilien beschränkt zu sein. Wir leiten die theoretischen Eigenschaften der vorgeschlagenen Filter ab und bewerten die Leistung der vorgeschlagenen normalisierte Flüsse-basierten differenzierbaren Partikelfilter durch eine Reihe numerischer Experimente.