Robust State and fault Estimation of Linear Discrete Time Systems with Unknown Disturbances
Electrical Engineering Department of ESSTT, Research Unit C3S, Tunis University(突尼斯大学 ESSTT 电气工程系 C3S 研究单位)
本文提出了一种基于递归最小二乘滤波器的鲁棒故障和状态估计方法,用于具有未知扰动的线性随机系统。该方法通过简单易实现的平方根方法解决未知输入滤波器及相关信息滤波和平滑算法的数值问题,并采用迭代框架依次运行信息和协方差滤波器和平滑以估计状态和故障。
2013-06-19 cs.SY eess.SY
Stochastic Event-triggered Variational Bayesian Filtering
提出了一种事件触发变分贝叶斯滤波器,用于未知时变噪声协方差的远程状态估计。在预先设定多个标称过程噪声协方差和一个初始测量噪声协方差后,利用变分贝叶斯方法和定点迭代方法联合估计随机事件触发机制下的后验状态向量和未知噪声协方差。该算法在较宽的未知噪声协方差范围内具有较低的通信负载和良好的估计性能。最后,通过对车辆的跟踪仿真,验证了该算法的性能。
2022-06-14 cs.SY eess.SP eess.SY
Learning Kalman Policy for Singular Unknown Covariances via Riemannian Regularization
University of California, Los Angeles(加州大学洛杉矶分校)
本文通过控制-估计对偶性与数据驱动策略优化,将稳态卡尔曼增益学习转化为随机策略优化问题,提出黎曼正则化方法以恢复优化景观结构,实现对未知和秩不足噪声协方差的高效处理。
2026-04-06 cs.SY eess.SY math.OC
Data-driven Optimal Filtering for Linear Systems with Unknown Noise Covariances
本文研究在噪声协方差未知的线性系统中利用含噪数据学习最优滤波策略,将其表述为最小化预测误差的随机优化问题,并分析了算法收敛性及推导出对数缩放的偏差-方差误差界限。
2023-10-26 cs.SY eess.SY math.OC
Maximum likelihood smoothing estimation in state-space models: An incomplete-information based approach
Victoria University of Wellington(惠灵顿维多利亚大学)
本文回顾了Rauch(1963,et al.1965)的经典工作,提出了一种新的基于不完全信息/数据的随机状态空间系统的极大似然(ML)平滑估计方法。引入了不完全数据的评分函数和条件观测信息矩阵,建立了它们的分布恒等式。利用这些恒等式,给出了ML平滑器$\widehat{x}_{k\vert n}^s =\argmax_{x_k} \log f(x_k,\widehat{x}_{k+1\vert n}^s, y_{0:n}\vertθ)$,$k\leq n-1$.结果表明,ML平滑器比ML状态估计器$x_k$具有更好的对数似然性和更小的标准误差,并具有$\widehat{x}_{n\vert n}^s=\widehat{x}_n$ .递归估计的EM梯度粒子算法,扩展了工作的\cite{Lange} ML平滑估计。该算法有一个显式的迭代更新,缺乏(\cite{Ramadan})EM算法的平滑。一个序贯蒙特卡罗方法的评分函数和观察到的信息矩阵的估值。推导了估计误差协方差矩阵的递推公式,用于计算标准误差。在线性系统的情况下,该方法表明,Rauch-Tung-Striebel(RTS)平滑器是一个完全有效的平滑状态估计,其协方差矩阵符合Cramér-Rao下界,期望信息矩阵的逆。此外,RTS平滑器与具有较少协方差矩阵的卡尔曼滤波器一致。进行数值研究,确认的主要结果的准确性。
2023-03-29 cs.IT cs.LG cs.SY
Windowing and random weighting based cubature RTS smoothing for target tracking
提出了一种基于加窗随机加权的自适应容积Rauch Tung Striebel平滑器。无迹卡尔曼滤波(WRWUKF)已经存在作为非线性平滑解决方案的替代方案。该方法将加窗估计和随机加权估计相结合,用于估计噪声统计量。随后,随机调整每个窗口的权重,并在每个历元更新过程和测量噪声协方差矩阵。改进的WRWACRTS算法克服了传统CKS算法的局限性。基于李雅普诺夫函数的方法被用来研究WRWACRTS算法的收敛性证明。最后通过数值算例验证了算法的有效性.
2021-06-20 cs.SY eess.SP eess.SY
Adaptive Dual Covariance Steering with Active Parameter Estimation
针对含乘性未知参数与附加扰动的系统,本文提出基于递归最小二乘在线估计的自适应双重协方差控制方法,通过优化控制策略对参数估计的影响实现闭环辨识,并在车辆控制示例中验证其有效性。
2024-03-22 cs.SY eess.SY
Duality-Based Stochastic Policy Optimization for Estimation with Unknown Noise Covariances
控制和估计的双重性允许将数据引导控制的最新进展映射到估计设置。本文形式化,并利用这样的映射,考虑学习的最佳(稳态)卡尔曼增益过程和测量噪声统计是未知的。具体而言,建立在合成最优控制和估计增益之间的对偶性,滤波器设计问题被形式化为直接策略学习。在这个方向上,对偶性是用来扩展现有的理论保证的直接政策更新线性二次型调节器(LQR)建立全局收敛的梯度下降(GD)算法的估计问题-同时解决两个合成问题之间的细微差别。随后,采用随机梯度下降(SGD)方法来学习最优卡尔曼增益,而无需噪声协方差的知识。通过几个数值例子说明了结果。
2023-03-06 cs.SY eess.SP eess.SY
Skew-t inference with improved covariance matrix approximation
Tampere University of Technology(坦佩雷理工大学);Linköping University(林雪平大学)
本文提出改进的斜分布滤波器和平滑器,通过变分贝叶斯近似提高后验协方差矩阵的准确性,并在精度和速度上优于传统方法。
2016-03-20 cs.SY eess.SY stat.CO
A Probabilistic Perspective on Gaussian Filtering and Smoothing
University of Washington(华盛顿大学);University of Cambridge(剑桥大学)
本文从概率视角统一高斯滤波与平滑方法,指出其核心区别仅在于联合概率均值和协方差的计算/近似方式,并据此推导了容积卡尔曼平滑器及基于吉布斯采样的鲁棒滤波与平滑算法。
2011-06-08 cs.AI cs.RO cs.SY
Variational Nonlinear Kalman Filtering with Unknown Process Noise Covariance
Northwestern Polytechnical University(西北工业大学);Nanjing Research Institute of Electronics Technology(南京电子技术研究所)
针对非线性系统中未知时变过程噪声协方差问题,提出基于随机搜索变分推断的联合状态与参数递归估计方法,通过辅助变量解耦和混合优化提升精度与速度,并在雷达目标跟踪中验证。
2023-05-06 cs.LG cs.SY eess.SY
A Modified Rao-Blackwellised Particle Filter Based on Updated Process Noise Covariance for Chemical Reaction Networks
National Institute of Technology, Rourkela(印度理工学院鲁尔基分校)
本文针对化学反应网络,提出一种基于递归更新过程噪声协方差的改进Rao-Blackwellised粒子滤波,联合估计参数与状态,并在精度、误差和白度间取得平衡。
2026-11-17 cs.SY eess.SY
Simultaneously Parameter Identification and Measurement-Noise Covariance estimation of a Proton Exchange Membrane Fuel Cell
提出了质子交换膜燃料电池(PEMFC)半经验模型参数的在线辨识方法。同时估计了未知测量噪声的协方差。实际数据被馈送到卡尔曼滤波器(对于参数线性模型)或扩展卡尔曼滤波器(对于非线性模型),它们已经被适配用于参数识别。这些滤波器的缺点是测量的噪声是未知的。为了解决这一难题,同时估计的测量噪声,并在滤波器中使用的估计。估计测量噪声的最终结果是误差减少,这已被仿真结果所证明。
2019-11-02 cs.SY eess.SY math.OC
Tracking an Underwater Target with Unknown Measurement Noise Statistics Using Variational Bayesian Filters
针对被动传感器测量噪声统计未知的纯方位跟踪问题,提出基于变分贝叶斯和正态逆Wishart分布的自适应滤波方法,在多种非线性场景下优于最大似然和最大后验方法,但计算成本更高。
2023-05-15 cs.SY eess.SP eess.SY
Kullback-Leibler divergence for interacting multiple model estimation with random matrices
Seventh Research Division, Beihang University(北京航空航天大学第七研究院)
本文基于信息论发散度解决具有随机矩阵的交互多模型估计问题,通过最小化加权Kullback-Leibler发散度获得闭式解,提升滤波性能。
2014-11-05 cs.SY eess.SY
Data-Driven Robust Covariance Control for Uncertain Linear Systems
针对动力学未知且受扰动的离散时间线性系统,提出基于输入-状态数据、最大似然噪声界估计与鲁棒凸优化的端到端协方差导引方法,并在双积分器上验证其接近模型法的效果。
2024-05-18 cs.SY eess.SY math.OC
Error Bounds for Kernel-Based Linear System Identification with Unknown Hyperparameters
基于核的方法已成功地应用于线性系统的识别使用稳定的核设计。从高斯过程的角度来看,它自动提供概率误差界的后验协方差,这是有用的鲁棒性和随机控制的识别模型。然而,误差界需要在内核设计的真正的超参数的知识,并证明是不准确的轻阻尼系统的超参数估计或存在高噪声。在这项工作中,我们提供了可靠的量化的超参数未知时的估计误差。通过首先从边缘似然函数中构造真实超参数的高概率集合,然后在集合中找到最坏情况的后验协方差,来获得边界。数值模拟结果验证了该界的有效性。
2023-03-17 cs.SY eess.SY stat.ML
Doubly Robust Smoothing of Dynamical Processes via Outlier Sparsity Constraints
提出一种基于ℓ1正则化最小二乘的双稳健平滑算法,通过坐标下降和ADMM联合估计状态与离群变量,同时处理测量和状态动态中的离群值。
2011-04-28 cs.SY eess.SY math.OC
Assumed Density Filtering and Smoothing with Neural Network Surrogate Models
University of California, Davis(加州大学戴维斯分校)
本文提出利用神经网络替代模型进行假设密度滤波与平滑,通过分析公式计算深度神经网络的均值与协方差,改进了非线性系统中的不确定性传播,并在洛伦兹系统和维纳系统中验证了方法的优越性。
2026-05-07 cs.LG cs.SY eess.SY
Learning Safety Filters for Unknown Discrete-Time Linear Systems
University of Melbourne(墨尔本大学);Defence Science and Technology (DST) Group(澳大利亚国防科学与技术(DST)集团);Australian National University(澳大利亚国立大学)
针对模型未知的离散时间线性系统,提出基于学习的鲁棒优化安全滤波器,通过收紧约束确保高概率安全,且收紧幅度随数据增多而减小。
2023-05-08 cs.LG cs.SY eess.SY
Dimension and model reduction approaches for linear Bayesian inverse problems with rank-deficient prior covariances
Universität Potsdam(波茨坦大学);Georgia Institute of Technology(佐治亚理工学院)
本文提出新的降维和模型降维方法,用于具有秩不足先验协方差的线性贝叶斯逆问题,通过限制推理到由数据信息的低维子空间,提高计算效率和精度。
2026-05-11 cs.NA cs.SY eess.SY
Safe Learning of Uncertain Environments
University of Melbourne(墨尔本大学);Defence Science and Technology Group(国防科学技术集团);Australian National University(澳大利亚国立大学)
在许多基于学习的控制方法中,学习未知的动态模型先于控制阶段,而目的是控制系统,使其保持在状态空间的某个安全区域。在这项工作中,我们的目标是在学习和控制同时进行的同时保证安全。具体来说,我们考虑的问题,安全学习的非线性控制仿射系统的未知添加剂的不确定性。我们首先将不确定性建模为高斯噪声,并使用状态测量来学习其均值和协方差。我们提供严格的时变界限的不确定性的均值和协方差,并采用它们来修改控制输入通过一个优化程序与潜在的时变安全约束。我们表明,以任意大的概率,我们可以保证状态将保持在安全集,而学习和控制同时进行,提供了一个可行的解决方案存在的优化问题。我们提供了一个二次配方的这种优化,是计算上更有效。这是基于收紧安全约束,以对抗学习均值和协方差的不确定性。收紧的幅度可以随着我们对学习均值和协方差的信心增加而减小(即,当我们收集更多关于环境的测量时)。扩展的方法提供了未知的均值和协方差的非高斯过程噪声,以及高斯不确定性与状态相关的均值和协方差,以适应更一般的环境。
2021-05-13 cs.LG cs.SY eess.SY
Numerically Robust Fixed-Point Smoothing Without State Augmentation
Technical University of Denmark(丹麦技术大学)
本文提出一种无需状态增广的数值稳健高斯固定点平滑器,采用Cholesky分解形式,兼顾运行速度与数值稳健性,填补了固定点平滑在实际应用中的空白。
2025-01-23 cs.LG cs.NA cs.SY