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
A Continuous-Time Ensemble Kalman-Bucy Smoother for Causal Inference and Model Discovery
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；University of Potsdam（波茨坦大学）
本文提出一种连续时间集合卡尔曼-布西平滑器，用于非线性动态系统的数据同化，通过集合矩重建条件分布，无需显式计算切线线性或伴随模型，实现高维复杂系统的即时发现。
2026-09-17 cs.NA cs.SY eess.SY
Low-rank approximated Kalman filter using Oja's principal component flow for discrete-time linear systems
本文针对离散时间线性系统提出基于Oja主成分流的低秩近似卡尔曼滤波器，给出有界均方误差估计的系统理论条件，并通过数值仿真验证其有效性。
2024-09-04 cs.SY eess.SY math.OC
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
Covariance Matching based robust Adaptive Cubature Kalman Filter
本文探讨了基于协方差匹配的自适应鲁棒容积卡尔曼滤波器（CMRACKF）。该方法利用新息序列确定测量噪声的协方差矩阵，克服了传统CKF的局限性。在该算法中，权值自适应调整，并用于在线更新测量噪声协方差矩阵。它还可以增强ACKF的自适应能力。仿真结果表明，该算法的性能进行评估。
2021-06-20 cs.SY eess.SP eess.SY
Resilient Secondary Voltage Control of Islanded Microgrids: An ESKBF-Based Distributed Fast Terminal Sliding Mode Control Approach
针对含逆变器分布式电源的孤岛微网弹性运行问题，提出了一种基于扩展状态卡尔曼-布西滤波器（ESKBF）和快速终端滑模（FTSM）的分布式二次电压控制方法。为了解决多个不确定性的共存，提出了一个统一的建模框架来表示不同类型的干扰，包括参数摄动，测量噪声，和不可测的外部变量，通过扩展状态方法。卡尔曼-布西滤波器，然后应用于精确估计的状态信息的扩展DG模型。此外，在精确估计的基础上，设计了具有终端吸引子的快速终端滑模（FTSM）曲面，以保持系统的稳定性，加快一致性跟踪的收敛速度，从而显著提高了二次电压控制在正常和即插即用两种情况下的性能.最后，在MATLAB/Simulink和实验平台上进行了实例研究，验证了所提方法的有效性.
2020-07-22 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
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 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
CT-ESKF: A General Framework of Covariance Transformation-Based Error-State Kalman Filter
提出统一各类误差状态卡尔曼滤波算法的CT-ESKF框架，通过协方差变换解决InEKF在混合坐标系观测下的轨迹无关性失效问题，在INS/GNSS/里程计系统中性能优于InEKF和原始EKF。
2025-11-01 cs.SY eess.SY
CAR-EnKF: A Covariance-Adaptive and Recalibrated Ensemble Kalman Filter Framework
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）
本文提出CAR-EnKF框架，通过引入重新校准机制和正定协方差补偿项，解决非线性测量下的协方差估计问题，实验表明其在低噪声条件下显著降低RMSE。
2026-09-17 cs.SY eess.SY
A Kalman Filter Algorithm with Process Noise Covariance Update
针对生物分子随机模型中过程噪声协方差依赖状态、卡尔曼滤波协方差更新理论依据不明的问题，提出带过程噪声协方差更新的类卡尔曼算法，证明其在特定线性系统中为最优线性无偏估计器，并推广至非线性与连续系统场景。
2025-07-29 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
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
Covariance Intersection-based Invariant Kalman Filtering(DInCIKF) for Distributed Pose Estimation
本研究提出一种基于带协方差相交的不变卡尔曼滤波器的多智能体分布式位姿估计新方法，可有效处理协同定位的复杂相关性，保证估计合理性，且算法具备一致性与稳定性。
2024-09-12 cs.SY 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
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
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
An Exponentially stable Extended Kalman Filter with Estimate dependent Process noise Covariance for Chemical Reaction Networks
National Institute of Technology, Rourkela（印度鲁尔基拉国家理工学院）
本文提出一种用于化学反应网络的扩展卡尔曼滤波器，通过化学 Langevin 方程更新过程噪声协方差，确保离散时间生物分子系统的均方指数有界性，减少对启发式协方差调优的依赖。
2026-06-05 cs.SY eess.SY
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
Adaptive Adjustment of Noise Covariance in Kalman Filter for Dynamic State Estimation
Pacific Northwest National Laboratory（太平洋西北国家实验室）；Binghamton University, State University of New York（纽约州立大学宾汉姆顿分校）
本文提出一种自适应方法，通过创新性和残差来适应性估计协方差矩阵，以提高扩展卡尔曼滤波器对同步机动态状态估计的准确性。
2017-02-03 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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
