0
点赞
收藏
分享

微信扫一扫

Linux-用户管理

奋斗De奶爸 2024-05-28 阅读 21

机器人运动轨迹学习——GMM/GMR算法

  • 前置知识

    GMM的英文全称为:Gaussian mixture model,即高斯混合模型,也就是说,它是由多个高斯模型进行混合的结果:当然,这里的混合是带有权重概念的。

    • 一维高斯分布

      GMM中的个体就是高斯模型,说认真点就是高斯基函数,它还有另一个名字,径向基函数。

      对于一维变量,其高斯分布为:

      image-20240521211130226

      对应高斯概率密度的图形:

      img

      也就是说,对于一维变量x,它落在均值区间 [ u − σ , u + σ ] [u-\sigma, u+\sigma] [uσ,u+σ]的概率为68.26%

    • 多维高斯分布

      多维 Gaussian 分布的概率密度函数为:

      image-20240521211953699

      其中 μ \mu μ为均值向量, Σ \Sigma Σ为协方差矩阵

  • GMM对复杂轨迹的拟合

    一个复杂运动的表达式可由一系列简单信号的加权组合表述,我们称这些简单信号为基函数

    一些流行的基函数有:Radial Basis Functions (RBFs)Bernstein Basis FunctionsFourier Basis Functions

    其中,Radial Basis Functions (RBFs),即径向基函数,一种应用如下图所示:通过为各基函数赋予不同的权重,生成了一条相对复杂的轨迹

    img
  • GMR的回归思想

    GMR(Gaussian mixture regression)的思想:

    对于一个输入,借用GMM进行回归,回归的结果是一个高斯分布

    也就是说,我们回归得到的结果不是一个固定的值,而是一个概率值

    以一维高斯分布为例:

    我们回归得到的结果其均值为 μ \mu μ,在 [ u − σ , u + σ ] [u-\sigma, u+\sigma] [uσ,u+σ]区间内的概率为68.26%

  • GMM的学习思想

    根据我们的假设,GMM由多个高斯分布加权得到,那么GMM的概率密度函数为:

    image-20240516101413324

    其中 p ( k ) = π k p(k)=\pi_k p(k)=πk是取第 k k k个高斯核的概率, p ( x ∣ k ) = N ( x ∣ u k , Σ k ) p(x|k)=N(x|u_k,\Sigma_k) p(xk)=N(xuk,Σk)是在第 k k k个高斯核下,取值x的概率

    因此,如果我们要从 GMM 的分布中随机地取一个点的话,实际上可以分为两步:

    • 首先随机地在这 𝐾 个 高斯 之中选一个,每个 高斯 被选中的概率实际上就是它的系数 π k \pi_k πk
    • 选中了 高斯 之后,再单独地考虑从这个 高斯 的分布中选取一个点就可以了

    观察概率密度函数的形式,我们需要确定的参数为 π k , μ k , Σ k \pi_k,\mu_k,\Sigma_k πk,μk,Σk

    已知(假定)了概率密度函数的形式,而要估计其中的参数的过程被称作“参数估计”

  • GMM参数估计

    • 思想

      假设我们有一组数据点,假设他们服从分布p(x)(GMM中的一个高斯分布),我们要求其中的参数,

      方法是直接假设一组参数,在这组参数( π k , μ k , Σ k \pi_k,\mu_k,\Sigma_k πk,μk,Σk)下所确定的概率分布生成这组数据点的概率 π k \pi_k πk最大

    • 步骤一(E步,后验概率)

      计算数据由每个高斯生成的概率:

      image-20240521220124673

      其中, π k , μ k , Σ k \pi_k,\mu_k,\Sigma_k πk,μk,Σk取上一次迭代的值(或初始值)

    • 步骤二(M步,估计相关的参数)

      调整参数

      对上面的公式进行对数似然,有:

      image-20240516103429825 image-20240523110657213
    • 步骤三

      重复上述步骤,直到满足我们的收敛条件(概率密度函数几乎不变)或超过设定的最大迭代次数

    • 补充

      我们注意到,在第一次执行上述步骤一时,参数 π k , μ k , Σ k \pi_k,\mu_k,\Sigma_k πk,μk,Σk未知,这时我们需要给定一组初值,初值的好坏对收敛有影响,详情可参考漫谈 Clustering (3): Gaussian Mixture Model (pluskid.org)。

  • GMR参数回归

    完成GMM模型的建立后,得到高斯混合模型:

    image-20240516101413324

    为了对给定参数进行回归,我们对其中的参数x,将其分为输入参数及输出参数,即有:

    image-20240521231922676

    根据GMR回归思想,对于均值和协方差,自然就分为:

    image-20240521232303005

    于是,直接根据公式,输入对单个高斯的回归,有:

    image-20240521232054664

    其中:

    image-20240521232244547 image-20240521232120424 image-20240521232136328 image-20240521232158989

    对于最终的结果,有:

    image-20240522102327051 image-20240522102352751
举报

相关推荐

0 条评论