GP-SUM：非高斯信念的高斯过程滤波
机器人学
2019-02-01 v3 机器学习
机器学习
摘要
本研究探讨了具有复杂信念的随机动态滤波与状态传播问题。主要贡献是 GP-SUM，这是一种滤波算法，专为以高斯过程表示的动态系统和观测模型以及以高斯加权和表示的状态而设计。GP-SUM 的关键特性在于它不依赖动态或观测模型的线性化，也不依赖信念的单峰高斯近似，从而能够跟踪复杂的状态分布。该算法可视为基于采样的滤波器与概率贝叶斯滤波器的结合。一方面，GP-SUM 通过对状态分布进行采样，并将每个样本通过动态系统和观测模型进行传播来运行。另一方面，它依靠系统的高斯过程形式和信念的高斯加权和形式，实现了有效的采样和精确的概率传播。我们表明，GP-SUM 在标准基准测试上优于多种 GP-Bayes 滤波器和粒子滤波器。我们还在推动任务中展示了其应用，以实验精度预测了自然产生的非高斯分布。
引用
@article{arxiv.1709.08120,
title = {GP-SUM. Gaussian Processes Filtering of non-Gaussian Beliefs},
author = {Maria Bauza and Alberto Rodriguez},
journal= {arXiv preprint arXiv:1709.08120},
year = {2019}
}
备注
WAFR 2018, 16 pages, 7 figures