Covariance-Intersection-based Distributed Kalman Filtering: Stability Problems Revisited
本文重新研究了基于协方差交叉的分布式卡尔曼滤波在时变系统中的稳定性,建立误差协方差与可观测性格拉姆矩阵的关系,证明周期时变情形下滤波周期性收敛且闭环转移矩阵Schur稳定,且无需网络连通性假设。
2025-04-08 cs.SY eess.SY
Riemannian Trust-Region based Adaptive Kalman filter with unknown noise Covariance matrices
研究了具有未知噪声协方差阵的离散可观测线性时变系统的自适应卡尔曼滤波问题。测量差自协方差方法用于制定一个线性最小二乘代价函数包含的测量和过程和测量噪声协方差矩阵。随后,黎曼信赖域优化方法的设计,以最小化最小二乘代价函数,并确保对称性和正定性的噪声协方差矩阵的估计。噪声协方差矩阵的估计,在充分的激励下的系统,收敛到其未知的真值。显著地,指数稳定性和收敛性的保证,建议的自适应卡尔曼滤波器的最佳卡尔曼滤波器与已知的噪声协方差矩阵被证明是在相对温和的假设下实现的一致可观性和一致可控性。线性时变系统的数值仿真验证了所提自适应滤波算法的有效性。
2021-04-24 cs.SY eess.SY math.DS
An Autocovariance Least-Squares-Based Data-Driven Kalman Filter for Unknown Systems
针对动力学和噪声协方差未知的线性系统,提出基于自协方差最小二乘的数据驱动卡尔曼滤波器(ADKF),统一系统辨识与状态估计,量化模型误差影响,并验证其鲁棒性与有效性。
2025-05-25 cs.SY eess.SY
A Square-Root Kalman Filter Using Only QR Decompositions
Carnegie Mellon University(卡内基梅隆大学)
卡尔曼滤波器通过以均值和协方差的形式存储状态估计的高斯描述来操作。代替直接存储和操纵协方差矩阵,平方根卡尔曼滤波器仅形成和更新协方差矩阵的三角矩阵平方根。该算法比传统的卡尔曼滤波器具有更好的数值稳定性,工作精度提高一倍。本文提出了一种公式的平方根卡尔曼滤波器,利用QR分解,大大简化了产生的算法。
2022-08-12 cs.RO cs.SY eess.SY
Adaptive Covariance Kalman Filtering and Nonlinear Decoupling Control via Feedback Linearization for a Three-Tank Process
Institut Teknologi Sepuluh Nopember(印尼理工学院)
针对三水箱过程,采用自适应协方差卡尔曼滤波进行状态估计,并设计线性状态反馈控制器和基于反馈线性化的非线性解耦控制器,实现参考跟踪。
2026-06-23 cs.SY eess.SY
Adaptive Extended Kalman Filter (ROSE-Filter) for Positioning System
本文阐述了用扩展卡尔曼滤波器(EKF)估计车辆位置和姿态的方法。为此,设计了非线性模型,并使用测量噪声协方差矩阵的自适应计算,即所谓的ROSE滤波器(快速持续随机协方差估计滤波器)。系统的输入是来自二维位置系统的测量位置。估计的是车辆的姿态(位置和方向)和速度。
2021-08-24 cs.SY eess.SY
Distributed Invariant Unscented Kalman Filter based on Inverse Covariance Intersection with Intermittent Measurements
本文提出了DIUKF-ICI方法,首次将逆协方差交集融合策略扩展到矩阵李群,解决了传感器网络上分布式状态估计中的未知相关性和间歇测量问题,并证明了估计误差有界。
2024-09-26 cs.SY eess.SY
Steady State Distributed Kalman Filter
Universidade Lusófona, INESC INOV - Lab(卢索丰大学,INESC INOV 实验室)
本文提出一种最优固定增益分布式观测器,用于无线传感器网络中离散时间线性系统的稳态估计,通过离线计算全局分布式BLUE估计器的渐近误差协方差确定固定观测器增益,实现最优渐近性能。
2026-03-27 cs.SY eess.SY
Adaptive Invariant Extended Kalman Filter with Noise Covariance Tuning for Attitude Estimation
本文提出一种基于四元数的自适应右不变扩展卡尔曼滤波方法,利用EM算法在线估计噪声协方差以融合惯性与磁力计数据,并通过仿真验证其在姿态估计中的稳定性、收敛性和精度优势。
2024-10-02 cs.SY eess.SP eess.SY
Mitigating Overconfidence in Nonlinear Kalman Filters via Covariance Recalibration
Department of Civil and Environmental Engineering, University of California, Berkeley(加州大学伯克利分校土木与环境工程系)
本文提出一种协方差重新校准框架,用于缓解非线性卡尔曼滤波器在非线性测量下的协方差低估问题,通过重新近似测量模型提升状态和协方差估计精度。
2026-09-22 cs.RO cs.SY eess.SP
A Frequency-Domain Characterization of Optimal Error Covariance for the Kalman-Bucy Filter
Royal Institute of Technology(皇家理工学院);City University of Hong Kong(香港城市大学)
本文通过频域积分特性,揭示卡尔曼-布西滤波器最优输出估计误差协方差与噪声协方差的比值迹可由系统动态和噪声统计表达。采用解析函数理论分析代数里卡蒂方程,并与布德积分相关联。
2018-07-23 cs.RO cs.SY eess.SP
Kalman-Like Filter under Binary Sensors
研究了二值传感器下的线性/非线性类卡尔曼滤波问题。由于新息代表了传感器测量中的新信息,并用于校正卡尔曼滤波器(KLF)的预测,提出了一种新的不确定测量模型,使得从二进制传感器产生的新息可以被捕获。在考虑线性动态系统时,利用矩阵不等式构造了一个参数可调的保守估计误差协方差,然后通过最小化其迹导出了一个最优滤波增益。同时,通过最小化保守估计误差协方差的上界,给出了可调参数的最优选择准则。当考虑非线性动态系统时,利用无迹变换和矩阵不等式构造了一个参数可调的保守估计误差协方差。然后,遵循线性动态系统设计KLF的思想,设计了非线性滤波器增益和最佳可调参数。最后,通过$O_2$含量估计和非线性数值系统的仿真验证了所提方法的有效性和优越性。
2021-10-27 cs.SY eess.SY
Proof that the Kalman gain minimizes the generalized variance
卡尔曼滤波器的最优增益矩阵通常是通过最小化后验协方差矩阵的迹来获得的。在这里,我表明,卡尔曼增益也最小化的协方差矩阵的行列式,称为广义方差的数量。当误差分布为高斯分布时,微分熵也最小化。
2021-03-11 cs.SY eess.SY math.OC
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
LMI Optimization Based Multirate Steady-State Kalman Filter Design
本文提出基于LMI的多速率稳态卡尔曼滤波器设计框架,通过周期性时变系统建模,利用双LQR与LMI优化处理半正定噪声协方差,实现多目标设计,验证了多速率传感器融合在汽车导航中的有效性。
2026-04-29 cs.SY eess.SY
Equivalence of Left- and Right-Invariant Extended Kalman Filters on Matrix Lie Groups
本文推导了矩阵李群上的连续时间EKF,证明全阶协方差重置能确保状态估计对左不变或右不变误差定义的不变性,并通过Monte Carlo模拟验证了该性质。
2025-06-02 cs.SY eess.SY
Distributionally Robust Kalman Filter
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);National Polytechnic University of Armenia(亚美尼亚国立理工大学);Seoul National University(首尔大学)
本文提出了一种分布鲁棒卡尔曼滤波器,通过Wasserstein不确定性集处理噪声分布不确定性,实现稳态下的最优估计性能。
2026-01-16 cs.SY eess.SY math.OC
An Improved Stability Condition for Kalman Filtering with Bounded Markovian Packet Losses
本文研究了有界马尔可夫丢包下的卡尔曼滤波峰值协方差稳定性,通过时间齐次有限状态马尔可夫链控制连续丢包长度,建立充分稳定性条件并转化为线性矩阵不等式可行性问题,条件对状态相似变换不变且更保守。
2015-01-22 cs.SY eess.SY
Design Guidelines for Nonlinear Kalman Filters via Covariance Compensation
Department of Civil and Environmental Engineering, University of California, Berkeley(加州大学伯克利分校土木与环境工程系)
本文提出了一种理论框架,通过协方差补偿概念,为非线性卡尔曼滤波器的设计提供了三个指导原则,以提高估计精度。
2026-03-24 cs.RO cs.SY eess.SP
Probe Sets for Nonlinear Kalman Filtering: Multi-Center Gains and Covariance Recalibration
University of California, Berkeley(加州大学伯克利分校);Chalmers University of Technology(查尔姆斯理工大学)
针对非线性卡尔曼滤波中单一中心近似导致增益不准和协方差过度自信的问题,提出探针集方法,通过多中心局部近似选择最优增益并重校准协方差,在保持精度的同时显著降低协方差不一致性和罕见大误差。
2026-10-15 cs.SY eess.SP eess.SY
High Accuracy Distributed Kalman Filtering for Frequency and Phase Synchronization in Distributed Phased Arrays
针对分布式相控阵在微波及以上频率的频率与相位同步难题,提出HA-DKF,通过多类本地状态与协方差的一致性平均提升同步精度,仿真证明其收敛更快且性能更优。
2023-02-18 cs.SY eess.SY
Scalable Sensor Scheduling for Continuous-Discrete Kalman Filtering via Information-Form Surrogate Dynamics
School of Electrical Engineering, Korea Advanced Institute of Science & Technology (KAIST)(韩国科学技术院电气工程学院)
本文提出一种信息形式确定性代理,用于连续-离散卡尔曼滤波的可扩展离线设计,通过传感器特定的加性信息增量消除混合状态-输入导数,简化了非线性程序的导数结构,并提供了可计算的双侧性能界限。
2026-04-23 cs.SY eess.SY
Distributed Kalman Filters with State Equality Constraints: Time-based and Event-triggered Communications
KTH Royal Institute of Technology(皇家理工学院);Key Laboratory of Systems and Control, Academy of Mathematics and Systems Science, Chinese Academy of Sciences(中国科学院数学与系统科学研究院系统与控制重点实验室);Rocket Force University of Engineering(火箭军工程大学);Department of Electronic and Computer Engineering, Hong Kong University of Science and Technology(香港科技大学电子及计算机工程系)
本文研究了具有状态等式约束的多智能体系统分布式估计问题,提出了一种具有保证一致性的分布式卡尔曼滤波器,并建立了共识步、等式约束与估计误差协方差之间的关系,进一步提出了基于等式约束的扩展集体可观测性条件,并设计了事件触发通信协议以提高通信效率。
2019-03-11 cs.SY eess.SY
A new state estimation approach-Adaptive Fading Cubature Kalman filter
提出了一种新的基于双传递因子的自适应衰减体积卡尔曼滤波器(AFCKF)。所开发的自适应算法被解释为两个阶段;阶段(i)使用单个传递因子来更新基于新息或残差向量的预测状态误差协方差${\bf \hat P_{k}}^{-}$,而在阶段(ii)中,测量噪声协方差矩阵${\bf \hat R_{k}^{*}}$由另一传递因子缩放。进一步给出了在AFCKF算法中结合新息向量和残差向量估计过程噪声、${\bf \hat Q_{k}^{*}}$和测量噪声协方差矩阵的证明概念。在噪声统计未知的情况下,它能提供可靠的状态估计。基准目标跟踪的例子被认为是显示所开发的算法的性能改善。与现有的自适应方法相比,所提出的衰落算法可以提供更好的估计结果。
2021-08-25 cs.SY eess.SP eess.SY
Optimality vs Stability Trade-off in Ensemble Kalman Filters
研究了一类集合卡尔曼滤波(EnKF)算法的最优性和稳定性。EnKF通常用作卡尔曼滤波器的替代方案,用于高维问题,其中存储协方差阵在计算上是昂贵的。该算法由相互作用的粒子驱动的反馈控制律的合奏。设计控制律,使得在线性高斯设置和无限多个粒子的渐近极限中,粒子的均值和协方差遵循卡尔曼滤波器的精确均值和协方差。找到一个精确的控制律的问题并没有唯一的解,这让人想起找到两个分布之间的传输映射的问题。一个唯一的控制律可以通过引入控制费用函数来确定,该控制成本函数由最优运输问题或薛定谔桥问题激励。本文研究一类精确控制律的最优性与长期稳定性之间的关系。值得注意的是,在最优运输意义上最优的控制律导致不稳定的EnKF算法。
2022-02-19 cs.SY eess.SY math.OC
A New computation reduction based nonlinear Kalman filter
提出了一种基于确定性σ点和先验均值和协方差EKF线性化框架的非线性状态估计新算法。该方法将状态的均值和协方差转化为三阶泰勒级数,使UKF的计算量减少约50%,且具有比EKF更高的精度。为了减少UKF的计算量,已经提出了几种类型的卡尔曼滤波器,然而,这种新的KF由于其简单性、数值稳定性和实时实现的准确性而成为更好的选择。算例验证了该方法的有效性。
2019-07-22 cs.SY eess.SP eess.SY
Multi-Rate Distributed Unscented Kalman Filtering Under Collective Detectability
Bouvet(布韦特);Arta Kyb(阿尔塔基布);Department of Engineering Cybernetics, Norwegian University of Science and Technology (NTNU)(挪威科技大学工程控制系)
本文针对无融合中心的非线性网络,提出多速率分布式UKF方法,基于集体可检测性实现信息扩散,在多速率采样下保持稳定且精度优于五轮协方差平均一致性。
2026-08-12 cs.SY eess.SY
Extensions to the Theory of Widely Linear Complex Kalman Filtering
Colorado State University(科罗拉多州立大学)
针对非正常复数信号,利用互补协方差提出更通用的广泛线性复数卡尔曼滤波(WLCKF)和无迹WLCKF,性能优于传统复数卡尔曼滤波。
2011-11-17 cs.IT cs.SY eess.SY
Distributed Kalman filtering with minimum-time consensus algorithm
Huazhong University of Science and Technology(华中科技大学);The Hong Kong University of Science and Technology(香港科技大学);University of Waterloo(滑铁卢大学);The University of Newcastle(纽卡斯尔大学);University of Cambridge(剑桥大学);University of Luxembourg, Faculté des Sciences, de la Technologie et de la Communication(卢森堡大学科学与技术通讯学院)
本文提出一种结合局部协方差计算方案的分布式卡尔曼滤波方法,通过最小时间一致性算法加速状态估计收敛,结合理论分析和数值模拟验证了方法的有效性。
2017-03-16 cs.SY eess.SY
A robust extended Kalman filter for power system dynamic state estimation using PMU measurements
本文提出了一种鲁棒扩展卡尔曼滤波器,用于估计多机电力系统同步发电机的转子角和转速。使用批处理模式回归形式,过滤器处理预测的状态向量和PMU测量值,以跟踪系统动态比标准的扩展卡尔曼滤波器更快。我们提出的滤波器是基于一个强大的GM估计,边界的影响,垂直离群值和坏的杠杆点,这是通过投影统计。由于使用了Huber代价函数,在过程和观测噪声的高斯分布假设下实现了良好的统计效率,该代价函数通过迭代重加权最小二乘算法最小化。通过GM-估计器的总影响函数的协方差矩阵导出状态估计误差向量的渐近协方差矩阵。在IEEE 39节点测试系统上进行的仿真表明,该鲁棒扩展卡尔曼滤波器在高斯过程和观测噪声下具有良好的跟踪能力,即使在杠杆作用下也能抑制观测野值。只有在电力系统模型的线性近似有效的情况下,才能获得这些良好的性能。
2021-04-05 cs.SY eess.SY
Probabilistic Performance Bounds for Randomized Sensor Selection in Kalman Filtering
研究了线性时不变动力系统在过程噪声和测量噪声下的传感器随机选择问题。我们对传感器进行独立采样,并且来自相同的分布。我们通过估计误差协方差来衡量卡尔曼滤波器的性能。使用随机矩阵理论的工具,我们得到的估计误差协方差在半定意义上的概率界。我们间接地提高了我们的卡尔曼滤波器的最大特征值度量的性能,并表明在一定条件下,最小化上界的最大特征值的最佳采样分布是一个适当定义的凸优化问题的解决方案。我们的数值结果表明,在提高卡尔曼滤波器的性能相对于平凡的均匀采样分布和贪婪采样$\textit{with replacement}$算法的最佳采样方案的功效。
2021-03-20 cs.SY eess.SY math.OC
Likelihood Gradient Evaluation Using Square-Root Covariance Filters
本文提出一种基于平方根协方差滤波器的新算法,用于更稳健地计算对数似然梯度,避免传统卡尔曼滤波的数值不稳定性。
2016-05-21 cs.SY eess.SY math.OC
Learning to Distributedly Estimate under Partially Known Dynamics: A Covariance-Agnostic Neural Kalman Consensus Filter
Department of Informatics and Telecommunications, National and Kapodistrian University of Athens(信息与电信学院,国家与卡波迪斯蒂亚大学)
提出一种结合部分领域知识与深度神经网络的在线分布式状态估计框架CA-NKCF,无需噪声统计信息,在多种环境下优于传统滤波器和纯模型无关网络。
2026-06-26 cs.AI cs.LG cs.MA
Distributed Kalman Filter for A Class of Nonlinear Uncertain Systems: An Extended State Method
LSC, NCMIS, Academy of Mathematics and Systems Science, Chinese Academy of Sciences(中国科学院数学与系统科学研究院);School of Mathematical Sciences, University of Chinese Academy of Sciences(中国科学院大学数学科学学院)
本文研究了一类具有非线性不确定动态的离散时间随机系统在时变传感器网络拓扑下的分布式状态估计问题,提出了一种扩展状态向量的滤波器设计方法,证明了滤波器能实时提供估计协方差的上界,且在较弱假设下保持估计协方差有界。
2018-09-11 cs.SY eess.SY
Mobile Robot Localization Using Fuzzy Neural Network Based Extended Kalman Filter
University of Engineering and Technology, Vietnam National University, Hanoi(越南河内国家大学工程技术大学)
针对移动机器人定位问题,提出了一种改进扩展卡尔曼滤波器(EKF)性能的新方法。采用模糊逻辑系统连续调整滤波器的噪声协方差矩阵。实现了一个神经网络来调节模糊规则的前件和后件部分的隶属函数。其目的是在噪声协方差矩阵固定或错误确定的情况下,提高EKF的精度,避免EKF发散。进行了仿真和实验。结果表明,该滤波器在定位移动机器人方面优于EKF。
2021-05-06 cs.RO cs.SY eess.SY
Neural-Enhanced Micro-Kalman Filtering for Satellite Tracking: A Comparative Study
Institut Teknologi Sepuluh Nopember (ITS)(十月份理工学院)
研究卫星跟踪中准确状态估计的问题,提出神经增强微卡尔曼滤波方法,通过引入轻量级神经缩放机制在线调整噪声协方差,经数值模拟对比,该方法能准确跟踪卫星状态,兼具计算优势,为卫星状态估计提供有效灵活框架。
2026-07-09 cs.SY eess.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
NDKF: A Neural-Enhanced Distributed Kalman Filter for Nonlinear Multi-Sensor Estimation
California Polytechnic State University(加州州立理工大学)
本文提出NDKF,一种基于神经网络的分布式卡尔曼滤波器,用于非线性系统多传感器状态估计。该方法通过神经网络替代传统分析模型,降低通信开销并避免集中融合瓶颈。
2026-03-15 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
A Note on the Extended Kalman Filter on a Manifold
本文提出将扩展卡尔曼滤波器(EKF)适应到流形所需的最小几何结构是仿射联络,并基于协方差的平行移动对经典 EKF 的更新和重置步骤进行几何修改,显著改善了姿态估计中滤波器的瞬态行为。
2023-09-12 cs.SY eess.SY
On the evaluation of uncertainties for state estimation with the Kalman filter
Physikalisch-Technische Bundesanstalt(德国联邦物理技术研究院)
本文探讨了卡尔曼滤波器与GUM标准的不确定性分析关系,分析了线性系统与非线性系统中不同方法的兼容性及局限性,并提出基于蒙特卡洛方法的在线评估方案。
2016-05-04 cs.SY eess.SY
Simultaneous State and Unknown Input Estimation for Continuous-discrete Stochastic Systems
本文研究连续-离散随机系统的状态和未知输入同时估计问题。两种类型的方法(有和没有建模的未知输入),可以解决这个问题进行了研究。提出了一种新的连续递归四步卡尔曼滤波器,并建立了其渐近稳定性条件。提出了一种新的一步未知输入卡尔曼滤波器,当未知输入数等于测量数时,该滤波器具有稳定性。统一了未知输入卡尔曼滤波器和观测器的设计。此外,一个自适应增广卡尔曼滤波器,它需要建模的未知输入的介绍。分析比较了递归四步卡尔曼滤波器和自适应增广卡尔曼滤波器的估计误差协方差。最后,仿真结果表明了所提出的方法的有效性。
2020-05-11 cs.SY eess.SY
Decentralized Dynamic State Estimation in Microgrids
提出了一种分布式微网动态状态估计方案。该方法通过相量同步在dq0参考系中采用电压和电流测量,以便能够从它们的关系式中排除正交函数。在此基础上,利用卡尔曼滤波器动态估计微电网的状态。测量值与状态向量和输入向量的解耦降低了计算复杂度。卡尔曼滤波器考虑过程噪声协方差,其相对于测量的输入值的协方差被修改。理论分析和仿真结果进行了验证。
2019-07-06 cs.SY eess.SY
Desensitized Cubature Kalman Filter with Uncertain Parameter
Zhengzhou University of Light Industry(郑州轻工业大学)
本文提出了一种鲁棒的钝化立方卡尔曼滤波器,用于具有不确定参数的非线性系统。通过定义灵敏度矩阵为积分形式,并通过惩罚后验协方差迹来设计钝化成本函数,从而改进状态估计。通过数值模拟验证了该方法的有效性。
2015-12-24 cs.SY eess.SY
Invariant Kalman Filtering with Noise-Free Pseudo-Measurements
本文提出将状态等式约束作为无噪声伪测量引入不变扩展卡尔曼滤波,推导了秩亏协方差下的卡尔曼增益公式,并在桥式起重机吊钩负载运动估计中验证了该方法。
2024-04-16 cs.SY eess.SY
Maximum Correntropy Kalman Filter
Xi’an Jiaotong University(西安交通大学);University of Florida(佛罗里达大学)
本文提出最大相关熵卡尔曼滤波器,用于改善传统卡尔曼滤波在非高斯噪声下的鲁棒性,通过最大相关熵准则替代最小均方误差准则,提供更稳定的估计。
2015-09-15 cs.SY eess.SY stat.ML
Structured Kalman Filter for Time Scale Generation in Atomic Clock Ensembles
针对原子钟组时间尺度生成,本文提出带卡尔曼规范分解变换矩阵的结构化卡尔曼滤波器,并通过凸优化分析其与CKF的最优性关系及初始协方差鲁棒性。
2023-12-07 cs.SY eess.SY
Matrix Concentration Inequalities for Sensor Selection
针对卡尔曼滤波状态估计的随机传感器选择问题,提出支撑集有限的i.i.d.半正定随机矩阵和的新型矩阵集中不等式,推广现有结果且适用所需采样传感器数更少,数值验证其界定稳态误差协方差的性能更优。
2024-03-09 cs.SY eess.SY
Kalman-Bucy Filtering with Randomized Sensing: Fundamental Limits and Sensor Network Design for Field Estimation
University of Michigan(密歇根大学)
本文针对随机感知场景下的连续时间Kalman-Bucy滤波问题,推导期望估计协方差上界与场估计性能下界,揭示性能极限并为传感器网络部署设计提供指导。
2026-10-15 cs.MA cs.SY eess.SY
Kalman Filtering Based Flight Management System Modeling for AAM Aircraft
Machine Learning Research Engineer(机器学习研究员)
本文提出基于卡尔曼滤波的AAM飞行管理系统建模方法,通过动态调整测量信任提高飞行计划验证的准确性。
2026-09-11 cs.RO cs.SY eess.SY
Risk-Aware Control of Discrete-Time Stochastic Systems: Integrating Kalman Filter and Worst-case CVaR in Control Barrier Functions
本文针对受随机干扰的离散时间线性系统,提出一种结合 Kalman filter 状态估计与 worst-case CVaR 风险量化的风险感知控制方法,通过将风险集成至 CBF 形成约束以应对安全集边界尾部风险,并针对半空间和椭球安全集设计了两种基于优化的控制方法。
2024-12-18 cs.SY eess.SY math.OC
A Hybrid Model and Learning-Based Adaptive Navigation Filter
University of Haifa(海法大学)
惯性导航系统和全球导航卫星系统之间的融合经常用于许多平台,例如无人机,陆地车辆和海洋船舶。融合通常在基于模型的扩展卡尔曼滤波器框架中进行。滤波器的关键参数之一是过程噪声协方差。它负责实时解决方案的准确性,因为它考虑了车辆动力学的不确定性和惯性传感器的质量。在大多数情况下,过程噪声是假设为常数的协方差。然而,由于整个轨迹中的车辆动力学和传感器测量变化,过程噪声协方差会发生变化。为了应对这种情况,在文献中提出了几种基于自适应模型的卡尔曼滤波器。在本文中,我们提出了一种混合模型和学习为基础的自适应导航滤波器。我们依赖于基于模型的卡尔曼滤波器,并设计了一个深度神经网络模型来调整瞬时系统噪声协方差矩阵,仅基于惯性传感器读数。一旦学习了过程噪声协方差,就将其插入完善的基于模型的卡尔曼滤波器。推导出建议的混合框架后,使用四旋翼的现场实验结果和基于模型的自适应方法的比较。我们表明,该方法获得了25%的位置误差的改善。此外,所提出的混合学习方法可以用于任何导航滤波器,也可以用于任何相关的估计问题。
2022-09-02 cs.LG cs.RO cs.SY
Cooperative localization for mobile agents: a recursive decentralized algorithm based on Kalman filter decoupling
本文提出一种递归分布式协同定位算法,通过解耦卡尔曼滤波实现分布式状态估计,提升移动代理的定位精度与效率。
2015-10-05 cs.RO 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