Monte Carlo滤波新进展及其应用

非高斯、非线性的状态空间模型研究近年来有很多新的进展,在许多领域得到应用, 其中用Monte Carlo方法进行滤波是一种简洁、方便的新方法,本文介绍这方面的新进展以及应用 情况,包括本研究组的研究成果.

目标跟踪中的改进Monte Carlo滤波算法

传统的Monte Carlo滤波算法在目标跟踪过程中存在严重的采样贫瘠问题,这直接导致了样本集的退化。为了解决这个问题,提出一种改进的Monte Carlo滤波算法。在样本集建立阶段,采用基于视觉机制的方法建立样本集合,使得样本集在与中心距离较近的地方密集,在离中心较远的地方稀疏,这样的样本集合建立方法能够更准确地反映人眼对事物的感知;在样本集传播阶段,获得一个区分样本优劣的阈值,将样本集合分为优劣两种,用重采样的方法对优样本集合采样,采样半数样本,用随机抽样的方法补充其余半数样本,实验结果表明,这种方法可以很好地解决样本退化的问题。

一种基于Monte Carlo滤波的对POMDPRS系统性能的改进

规划是人工智能研究的一个重要方向,具有极其广泛的应用背景.POMDPRS是一种结合了PRS的持续规划机制、POMDP的概率分布信念模型和极大效用原理的持续规划系统.它具有较强的对动态不确定性环境的适应能力.但是在大状态空间下的信念更新是其作为实时系统的瓶颈.该文试图将Monte Carlo滤波引入POMDPRS,从而达到降低信念更新的复杂度的目的,满足系统实时性的要求.