Sebagian besar implementasi filter partikel akan menggunakan beberapa jenis sampel penting, yang tidak mengharuskan Anda untuk membuat asumsi pada distribusi yang mendasarinya. Ini adalah salah satu alasan utama untuk menggunakan filter partikel. Pengambilan sampel kepentingan tidak mengambil sampel dari perkiraan distribusi, tetapi dari kumpulan sampel tertimbang Anda.
Ini termasuk yang ada di kertas tertaut Anda. Semua referensi ke varians di sana berbicara tentang varians yang diperkenalkan oleh skema re-sampling tertentu. Ini adalah ukuran pada kualitas pengambilan sampel ulang, karena Anda tidak ingin memperkenalkan ketidakpastian yang tidak perlu dalam perkiraan Anda tentang distribusi sebenarnya oleh partikel. Anda tidak perlu menghitung varian partikel Anda untuk pengambilan sampel ulang.
Pada pertanyaan mana yang paling berhasil? Makalah Anda memiliki beberapa jawaban. Saya juga membuat posting tentang subjek menggunakan matematika lebih sedikit. Dalam kebanyakan kasus beberapa bentuk resampling bertingkat akan lebih baik daripada skema multinomial.
Satu-satunya kasus saya bisa memikirkan di mana Anda perlu menghitung varians dari distribusi SO (3) Anda juga akan ketika Anda ingin memverifikasi varians memperkenalkan resampling Anda. Dalam hal itu, apa yang akan saya lakukan adalah menghitung rata-rata orientasi (seperti yang Anda katakan, bukan sepele), dan kemudian menggunakan varians perbedaan dengan mean sebagai sumbu skala representasi rotasi. Tapi seperti yang saya katakan. Saya tidak berpikir Anda membutuhkan ini.
Satu kata peringatan: pengambilan sampel pada pose 6D penuh dalam banyak kasus tidak direkomendasikan. Anda perlu jumlah partikel yang serius untuk ini. Bahkan jika Anda hanya membutuhkan 10 partikel per dimensi untuk mewakili distribusi Anda dengan tepat - yang seringkali tidak cukup - ini bisa berarti bahwa Anda memerlukan hingga satu juta partikel dalam 6D. Banyak memori dan kekuatan pemrosesan ...
