Physics-informed neural particle flow for the Bayesian update step
作者: Domonkos Csuzdi, Tamás Bécsi, Olivér Törő
分类: cs.LG
发布日期: 2026-02-26
💡 一句话要点
提出物理信息神经粒子流，用于贝叶斯更新中的高效概率密度传输
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 贝叶斯更新 粒子流 物理信息神经网络 概率密度传输 无监督学习
📋 核心要点
- 高维非线性贝叶斯更新计算成本高昂，传统方法如粒子滤波面临数值刚性问题。
- 论文提出物理信息神经粒子流，利用神经网络学习概率密度传输的速度场，并以PDE作为物理约束。
- 实验表明，该方法在模式覆盖率和鲁棒性方面优于现有方法，且无需ground-truth后验样本。
📝 摘要（中文）
贝叶斯更新步骤在高维非线性估计中面临巨大的计算挑战。对数同伦粒子流滤波器为随机采样提供了一种替代方案，但现有公式通常会产生刚性微分方程。现有的深度学习近似通常将更新视为黑盒任务，或依赖于渐近松弛，忽略了有限视界概率传输的精确几何结构。本文提出了一种物理信息神经粒子流，这是一种可分摊的推理框架。为了构建流，我们将先验到后验密度函数的对数同伦轨迹与描述密度演化的连续性方程相结合。这种推导产生了一个控制偏微分方程（PDE），称为主PDE。通过将该PDE作为物理约束嵌入到损失函数中，我们训练一个神经网络来近似传输速度场。这种方法实现了纯无监督训练，无需ground-truth后验样本。我们证明了神经参数化充当隐式正则化器，减轻了解析流固有的数值刚度，并降低了在线计算复杂度。在多模态基准和具有挑战性的非线性场景中的实验验证表明，与最先进的基线相比，该方法具有更好的模式覆盖率和鲁棒性。
🔬 方法详解
问题定义：论文旨在解决高维非线性贝叶斯更新中计算复杂度高和数值刚性的问题。传统的粒子滤波方法，特别是基于对数同伦粒子流的方法，在处理复杂模型时会遇到数值不稳定和计算效率低下的问题。现有的深度学习方法要么将贝叶斯更新视为黑盒，要么依赖于近似，忽略了概率密度传输的内在几何结构。
核心思路：论文的核心思路是将贝叶斯更新过程建模为一个概率密度传输问题，并利用物理信息神经网络（PINN）来学习传输速度场。通过将描述密度演化的连续性方程（即主PDE）作为物理约束嵌入到神经网络的损失函数中，可以实现无监督的训练，从而避免了对ground-truth后验样本的依赖。这种方法利用神经网络的函数逼近能力来缓解数值刚性，并降低在线计算复杂度。
技术框架：整体框架包括以下几个主要步骤：1) 将贝叶斯更新问题转化为概率密度传输问题；2) 推导描述密度演化的主PDE；3) 构建一个神经网络来近似传输速度场；4) 将主PDE作为物理约束嵌入到神经网络的损失函数中；5) 使用无监督的方式训练神经网络。该框架的关键在于将物理信息融入到神经网络的训练过程中，从而提高模型的泛化能力和鲁棒性。
关键创新：论文最重要的技术创新点在于提出了物理信息神经粒子流，它将概率密度传输的物理规律（即主PDE）与神经网络的函数逼近能力相结合。与现有方法相比，该方法不需要ground-truth后验样本，并且能够有效地缓解数值刚性问题。此外，神经参数化充当隐式正则化器，降低了在线计算复杂度。
关键设计：关键设计包括：1) 神经网络的结构，需要能够有效地近似传输速度场；2) 损失函数的设计，需要能够有效地将主PDE作为物理约束嵌入到训练过程中；3) 训练策略，需要能够保证模型的收敛性和泛化能力。具体而言，损失函数通常包括两部分：一部分是数据驱动的损失，另一部分是物理信息驱动的损失。物理信息驱动的损失通过计算主PDE的残差来衡量模型对物理规律的满足程度。
🖼️ 关键图片
📊 实验亮点
实验结果表明，该方法在多模态基准测试和具有挑战性的非线性场景中，与最先进的基线方法相比，具有更好的模式覆盖率和鲁棒性。具体而言，该方法能够更准确地捕捉后验分布的多个模式，并且在噪声干扰下表现出更强的稳定性。此外，该方法还能够降低在线计算复杂度，使其更适用于实时应用。
🎯 应用场景
该研究成果可应用于机器人定位与导航、目标跟踪、状态估计、参数辨识等领域。在这些领域中，贝叶斯更新是核心算法之一，而高维非线性问题是常见的挑战。该方法有望提高这些应用中的计算效率和精度，并降低对大量训练数据的依赖，具有重要的实际应用价值。
📄 摘要（原文）
The Bayesian update step poses significant computational challenges in high-dimensional nonlinear estimation. While log-homotopy particle flow filters offer an alternative to stochastic sampling, existing formulations usually yield stiff differential equations. Conversely, existing deep learning approximations typically treat the update as a black-box task or rely on asymptotic relaxation, neglecting the exact geometric structure of the finite-horizon probability transport. In this work, we propose a physics-informed neural particle flow, which is an amortized inference framework. To construct the flow, we couple the log-homotopy trajectory of the prior to posterior density function with the continuity equation describing the density evolution. This derivation yields a governing partial differential equation (PDE), referred to as the master PDE. By embedding this PDE as a physical constraint into the loss function, we train a neural network to approximate the transport velocity field. This approach enables purely unsupervised training, eliminating the need for ground-truth posterior samples. We demonstrate that the neural parameterization acts as an implicit regularizer, mitigating the numerical stiffness inherent to analytic flows and reducing online computational complexity. Experimental validation on multimodal benchmarks and a challenging nonlinear scenario confirms better mode coverage and robustness compared to state-of-the-art baselines.