Efficient Gaussian Mixture Filters Based on Transition Density Approximation

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F49777513%3A23520%2F25%3A43976521" target="_blank" >RIV/49777513:23520/25:43976521 - isvavai.cz</a>

Výsledek na webu

<a href="https://doi.org/10.23919/FUSION65864.2025.11124060" target="_blank" >https://doi.org/10.23919/FUSION65864.2025.11124060</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.23919/FUSION65864.2025.11124060" target="_blank" >10.23919/FUSION65864.2025.11124060</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Efficient Gaussian Mixture Filters Based on Transition Density Approximation

Popis výsledku v původním jazyce

Gaussian mixture filters for nonlinear systems usually rely on severe approximations when calculating mixtures in the prediction and filtering step. Thus, offline approximations of noise densities by Gaussian mixture densities to reduce the approximation error have been proposed. This results in exponential growth in the number of components, requiring ongoing component reduction, which is computationally complex. In this paper, the key idea is to approximate the true transition density by an axis-aligned Gaussian mixture, where two different approaches are derived. These approximations automatically ensure a constant number of components in the posterior densities without the need for explicit reduction. In addition, they allow a trade-off between estimation quality and computational complexity.

Název v anglickém jazyce

Efficient Gaussian Mixture Filters Based on Transition Density Approximation

Popis výsledku anglicky

Gaussian mixture filters for nonlinear systems usually rely on severe approximations when calculating mixtures in the prediction and filtering step. Thus, offline approximations of noise densities by Gaussian mixture densities to reduce the approximation error have been proposed. This results in exponential growth in the number of components, requiring ongoing component reduction, which is computationally complex. In this paper, the key idea is to approximate the true transition density by an axis-aligned Gaussian mixture, where two different approaches are derived. These approximations automatically ensure a constant number of components in the posterior densities without the need for explicit reduction. In addition, they allow a trade-off between estimation quality and computational complexity.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

20205 - Automation and control systems

Projekt

<a href="/cs/project/EH22_008%2F0004590" target="_blank" >EH22_008/0004590: Robotika a pokročilá průmyslová výroba</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)<br>I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2025

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

2025 28th International Conference on Information Fusion (FUSION)

ISBN

978-1-03-705623-9

ISSN

—

e-ISSN

—

Počet stran výsledku

8

Strana od-do

1-8

Název nakladatele

IEEE

Místo vydání

Rio de Janiero, Brazílie

Místo konání akce

Rio de Janiero, Brazílie

Datum konání akce

7. 7. 2025

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—