فيلتر ذره‌اي با مدل مشاهده مبتني بر فيلتر وفقي كرنلي

هرچند كه فيلتر ذره‌اي ابزاري مؤثر در رديابي شي مي‌باشد اما يكي از محدوديت‌هاي موجود، نياز به وجود مدلي دقيق براي حالت سيستم و مشاهدات است. بنابراين يكي از زمينه‌هاي مورد علاقه محققين تخمين تابع مشاهده با توجه به داده‌هاي يادگيري است. تابع مشاهده ممكن است خطي يا غير خطي در نظر گرفته شود. روش‌هاي موجود در تخمين تابع مشاهده با مشكلاتي مواجه هستند و از جمله اين مشكلات، وابستگي به مقدار اوليه پارامترها در روش‌هاي دومرحله‌اي مبتني بر ماكسيمم‌سازي انتظار و نيازمندي به يك سري مدل از پيش تعريف شده در روش‌هاي مبتني بر چند مدل مي‌باشد. در اين مقاله، يك روش بدون راهنما براي غلبه بر اين مشكلات با استفاده از فيلترهاي وفقي كرنلي ارائه شده است. به اين منظور از فيلترهاي وفقي حداقل ميانگين مربعات خطاي كرنلي يا حداقل مربعات بازگشتي كرنلي براي تخمين تابع غير خطي مشاهده استفاده مي‌شود. با فرض معلوم‌ بودن تابع فرايند و با داشتن دنباله‌اي از مشاهدات، تابع مشاهده مجهول تخمين زده مي‌شود. ضمناً براي كاهش هزينه محاسباتي و افزايش سرعت اجرا، از روش تنك‌سازي داده‌ها با استفاده از روش وابستگي خطي تقريبي استفاده شده و الگوريتم پيشنهادي در دو كاربرد مورد ارزيابي قرار گرفته است. آزمايش اول بر پيش‌بيني سري‌هاي زماني و ديگري روي رديابي اشيا در ويدئو مي‌باشد. نتايج به دست آمده حاكي از برتري روش پيشنهادي در مقايسه با چند روش موجود است.الگوريتم RRT به دست آمده و مقايسه گرديد. اين نتايج نشانگر كارايي مناسب رويكرد پيشنهادي است.