Filtri particellari con denoising per una stima efficiente dello stato del robot

I ricercatori propongono un nuovo algoritmo di filtraggio particellare per la stima dello stato in robotica che evita il costoso addestramento end-to-end. Invece, i modelli vengono addestrati a partire da singole transizioni di stato, sfruttando la proprietà di Markov. Il modello di misura viene appreso implicitamente tramite denoising score matching, e durante l'inferenza, il denoiser appreso lavora con un modello di dinamica per risolvere le equazioni bayesiane di filtraggio passo dopo passo. Questo approccio guida gli stati previsti verso il manifold dei dati informato dalle misurazioni. Il metodo viene valutato su compiti robotici impegnativi, offrendo un'alternativa più interpretabile ed efficiente all'apprendimento basato su sequenze.