Power System Dynamic State Estimation Using Extended and Unscented Kalman Filters
电力系统动态特性的准确估计对于提高电力系统的可靠性、弹性、安全性和稳定性具有重要意义。随着基于逆变器的分布式能源的日益集成，对于电力系统的适当控制和操作，电力系统动态的知识变得比以往任何时候都更加必要和关键。虽然测量设备和传输技术的最新进展已经显著地减少了测量和传输误差，但是这些测量仍然不能完全摆脱测量噪声。因此，噪声测量需要被过滤以获得准确的电力系统操作动态。在这项工作中，电力系统的动态状态估计使用扩展卡尔曼滤波器（EKF）和无迹卡尔曼滤波器（UKF）。我们对西部电力协调委员会（WECC）的$3$ -机$9$ -总线系统和新英格兰$10$ -机$39$ -总线进行了案例研究.结果表明，UKF和EKF能够准确估计电力系统动态特性。最后给出了EKF和UKF在测试情况下的性能比较。其他卡尔曼滤波技术以及基于机器学习的估计器将很快在本报告中更新。所有源代码，包括Newton Raphson潮流，导纳矩阵计算，EKF计算和UKF计算，都可以在Github中公开获得
2020-12-11 cs.SY eess.SY
An Unscented Kalman Filter-Informed Neural Network for Vehicle Sideslip Angle Estimation
提出了一种新的车辆侧滑角估计方法，该方法利用基于非线性单轨车辆模型的无迹卡尔曼滤波器（UKF）的物理知识提高卷积神经网络（CNN）的估计精度。基于模型的方法和数据驱动的方法相互作用，两者都使用标准惯性测量单元和通过负载传感技术测量的轮胎力。CNN受益于UKF利用物理定律的能力。同时，UKF使用CNN输出作为侧滑角伪测量和自适应过程噪声参数。通过时间的反向传播算法被端到端地应用于CNN和UKF，以利用互利特性。使用包含多种车辆行为的216次机动的大规模实验数据集，我们证明了与基于模型和数据驱动技术相结合的当前最先进的混合方法相比，所提出的架构的准确性有了显着的提高。在有限的数据集的情况下，提供的训练阶段，所提出的混合方法仍然保证估计的鲁棒性。
2023-03-09 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
Position and Velocity estimation of Re-entry Vehicles using Fast Unscented Kalman Filters
Australian Centre for Space Engineering Research, UNSW Australia（澳大利亚太空工程研究中心，新南威尔士大学）；School of Engineering and Information Technology, UNSW Australia（新南威尔士大学工程与信息技术学院）
本文提出两种基于UKF的改进估计方法，用于提升再入飞行器位置和速度估计的精度与效率，通过减少计算时间验证了SPUKF和ESPUKF在精度与速度上的优势。
2016-11-25 cs.SY eess.SY
Computationally Efficient Unscented Kalman Filtering Techniques for Launch Vehicle Navigation using a Space-borne GPS Receiver
ACSER, UNSW Australia（澳大利亚新南威尔士大学先进通信与信号处理研究中心）；UNSW Australia（澳大利亚新南威尔士大学）
本文提出两种改进的UKF变体用于运载工具导航，显著减少处理时间并提供与UKF相当的估计精度，通过Falcon 9 V1.1在CRS-5任务中的性能验证。
2016-11-25 cs.SY eess.SY
Do the Contemporary Cubature and Unscented Kalman Filtering Methods Outperform Always the Traditional Extended Kalman Filter?
CEMAT (Center for Computational and Stochastic Mathematics), Instituto Superior Técnico, Universidade de Lisboa（里斯本大学高等理工学院计算与随机数学中心）
本文探讨了在存在刚性行为的随机系统中，传统扩展卡尔曼滤波可能优于当代方法的问题。
2016-04-15 cs.SY eess.SY math.OC
Comparison of Unscented Kalman Filter Design for Agricultural Anaerobic Digestion Model
本研究系统比较了多种无约束与带约束UKF变体在厌氧消化模型中的应用，发现带约束UKF估计最准确且可通过预计算梯度和二次规划重构大幅加速，为非线性Kalman滤波器实践者提供了实现指导。
2024-08-06 cs.SY eess.SY
Unscented Kalman Filtering on Manifolds for AUV Navigation -- Experimental Results
Virginia Polytechnic Institute and State University（弗吉尼亚理工学院暨州立大学）
在这项工作中，我们提出了一个辅助惯性导航系统的自主水下航行器（AUV）使用流形上的无迹卡尔曼滤波器（UKF-M）。惯性导航估计由多普勒速度记录仪（DVL）、深度传感器、声波测距仪以及在地面上的GPS辅助。明确描述了AUV上每个导航传感器的传感器模型，包括IMU和每个传感器之间的杠杆臂偏移的补偿。此外，提出了一个离群值拒绝步骤，以拒绝测量离群值，会降低导航性能。UKF-M的AUV导航的实时导航弗吉尼亚理工大学690 AUV和验证现场实施。最后，通过对导航传感器数据的后处理，我们通过实验证明了UKF-M能够在任意大的初始航向误差的存在下收敛到正确的航向。
2022-10-12 cs.RO cs.SY eess.SY
Quaternion-based Unscented Kalman Filter for Robust Wrench Estimation of Human-UAV Physical Interaction
Carleton University（卡尔顿大学）
本文提出基于四元数的无迹卡尔曼滤波器（QUKF），用于实时、鲁棒估计辅助空中载具运输系统中系统状态和外部力矩。该方法通过四元数表示避免奇点，确保姿态和交互力矩的全局一致无漂移估计，通过动态模型实现耦合的平动和转动动力学，验证了QUKF在力矩估计中的高精度和数值稳定性。
2026-03-28 cs.SY eess.SY
Object Tracking Incorporating Transfer Learning into Unscented and Cubature Kalman Filters
King Saud University（沙特国王大学）；George Mason University（乔治梅森大学）
本文提出一种新的滤波算法，通过贝叶斯迁移学习解决两个传感器在非线性动态系统模型下噪声不匹配的问题，通过将源传感器的预测观测参数迁移到主传感器并作为过滤过程中的额外先验，提高主传感器的估计精度。
2026-05-18 cs.SY eess.SP eess.SY
A Two-Stage Bayesian Optimisation for Automatic Tuning of an Unscented Kalman Filter for Vehicle Sideslip Angle Estimation
Delft University of Technology（代尔夫特理工大学）；University of Eindhoven（埃因霍温大学）
提出了一种新的无迹卡尔曼滤波器（UKF）自整定方法。它涉及到使用两阶段贝叶斯优化（TSBO），基于t-学生过程，以优化车辆侧滑角估计的UKF的过程噪声参数。我们的方法最大限度地减少性能指标，给出的状态和测量的估计误差的平均总和为各种车辆操纵涵盖了广泛的车辆行为。通过TSBO使预定义的代价函数最小化，TSBO旨在找到可行区域中的位置，该位置使改进当前最佳解的概率最大化。实验数据集上的结果表明，在79.9%的时间比使用遗传算法（GA）和整体能力，以提高估计性能的9.9%的实验测试数据集，以目前的最先进的GA调整UKF的能力。
2022-06-30 cs.RO cs.SY eess.SY
DeepUKF-VIN: Adaptively-tuned Deep Unscented Kalman Filter for 3D Visual-Inertial Navigation based on IMU-Vision-Net
Carleton University（卡尔顿大学）
本文提出DeepUKF-VIN，利用IMU-Vision-Net和深度学习自适应机制调节无迹卡尔曼滤波器噪声协方差，实现GPS拒止环境下三维视觉惯性导航的方位、位置和速度鲁棒估计，并在真实数据上验证其优于标准UKF。
2025-03-12 cs.RO 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
Dual Quaternion-Based Unscented Kalman Filter with Visual Inertial Odometry for Navigation in GPS-Denied Environments
Carleton University（卡尔顿大学）
提出一种基于对偶四元数的无迹卡尔曼滤波（DQUKF）结合视觉惯性里程计（VIO），在GPS拒止环境下实现高精度状态估计，在EuRoC数据集上位置RMSE达0.2584米。
2026-06-08 cs.RO cs.SY eess.SY
UAV attitude estimation using Unscented Kalman Filter and TRIAD
本文提出一种基于UKF和TRIAD算法的AHRS，通过仿真和实验证明其在微控制器上具有低计算成本和实时性能。
2016-09-23 cs.RO cs.SY eess.SY
Data-Driven Intrusion Detection in Vehicles: Integrating Unscented Kalman Filter (UKF) with Machine Learning
针对车辆动力学参数难以获取的挑战，提出一种结合UKF与机器学习的数据驱动入侵检测框架，无需精确车辆建模即可有效检测传感器和执行器上的DoS攻击。
2025-06-27 cs.SY eess.SP eess.SY
Counter-Adversarial Learning with Inverse Unscented Kalman Filter
在反对抗系统中，为了推断智能对抗代理的策略，防御代理需要认知地感知对手收集的关于后者的信息。以前的工作的问题采用线性高斯状态空间模型和解决这个逆认知问题，通过设计逆随机滤波器。然而，在实践中，对抗系统通常是高度非线性的。在本文中，我们解决了这种情况下，制定逆认知作为一个非线性高斯状态空间模型，其中对手采用了无迹卡尔曼滤波器（UKF）估计防御者的状态，减少线性化误差。为了估计对手对防御者的估计，我们提出并开发了一种逆UKF（IUKF）系统。然后，我们推导出理论保证IUKF的随机稳定性的均方有界意义。多个实际应用的数值实验表明，IUKF的估计误差收敛，并密切遵循递归Cramér-Rao下界。
2023-03-24 cs.SY eess.SP eess.SY
Unscented Kalman Filter for Long-Distance Vessel Tracking in Geodetic Coordinates
Massachusetts Institute of Technology（麻省理工学院）
本文介绍了一种新的跟踪滤波器，主要用于自动地面车辆（ASV）的防撞系统。所提出的方法利用实时动态信息广播通过自动信息系统（AIS）的消息协议，以估计附近的合作目标的位置，速度和航向。每个目标的状态递归估计在大地坐标系中使用无迹卡尔曼滤波器（UKF）与运动学方程推导出的余弦球定律。这改进了以前的方法，其中许多采用扩展的卡尔曼滤波器（EKF），因此需要一个局部平面坐标系的规格，以便于描述的状态运动学在一个容易微分的形式。建议的大地UKF消除了对这个本地平面的需要。该特征对于远程ASV特别有利，否则远程ASV必须周期性地重新定义新的局部平面以减少线性化误差。在现实世界的行动中，这种重复的重新定义可能会引入错误并使任务规划复杂化。通过仿真和现场测试表明，建议的大地UKF执行以及，或优于传统的平面笛卡尔EKF，无论是在估计误差和稳定性。
2021-11-25 cs.AI cs.RO cs.SY
Lie Algebraic Unscented Kalman Filter for Pose Estimation
Norwegian University of Science and Technology (NTNU)（挪威科技大学（NTNU））
提出了一种基于矩阵李群的无迹卡尔曼滤波器，其中状态的时间传播在李代数上表示。这是用对数的运动微分方程完成的，其中使用右雅可比矩阵的逆。sigma点可以表示为向量形式的矩阵，sigma点的时间传播以及均值和协方差的计算可以在李代数上完成。所得公式在很大程度上基于矢量形式的矩阵，因此更接近于$\mathbb{R}^n$中系统的UKF。这给出了一个优雅的和结构良好的配方，提供了额外的洞察力的问题，这是计算效率。所提出的方法是特别制定和研究的矩阵李群$SE(3)$。对右雅可比矩阵和左雅可比矩阵进行了讨论，并导出了$SE(3)$上右雅可比矩阵的逆矩阵的一种新的封闭形式解，该解给出了一种包含较少矩阵运算的紧凑表示.所提出的方法在仿真中进行了验证。
2020-04-30 cs.RO cs.SY eess.SY
The Kalman Filter: a didactical overview
Zurich University of Applied Sciences（苏黎世应用科学大学）
本文教学性地介绍了卡尔曼滤波的三种标准变种——基本、扩展和无迹滤波，并讨论了它们在三个代表性问题中的应用。
2016-07-16 cs.SY eess.SY
Nodal Hydraulic Head Estimation through Unscented Kalman Filter for Data-driven Leak Localization in Water Networks
Institut de Robòtica i Informàtica Industrial, CSIC-UPC（西班牙国家研究委员会-加泰罗尼亚理工大学工业机器人与信息技术研究所）；University of Bucharest（布加勒斯特大学）；Institute for Logic and Data Science（逻辑与数据科学研究所）；Politehnica University of Bucharest（布加勒斯特理工大学）；Supervision, Safety and Automatic Control Research Center (CS2AC) - UPC（加泰罗尼亚理工大学监督、安全与自动控制研究中心）
本文提出一种基于无迹卡尔曼滤波的节点水头估计方法，通过结合预测模型与实测数据并动态更新权重矩阵，有效提升了供水管网的状态估计与数据驱动泄漏定位精度。
2023-11-27 cs.LG cs.NA cs.SY
An unscented Kalman filter method for real time input-parameter-state estimation
Department of Civil Engineering and Engineering Mechanics, Columbia University（哥伦比亚大学土木工程与工程力学系）
本文提出一种新型无迹卡尔曼滤波方法，通过两阶段估计实现线性与非线性系统的实时未知输入、参数与状态联合估计，并利用扰动分析证明其可唯一识别系统。
2025-11-04 cs.AI cs.CV cs.SY
Real-to-Sim: Predicting Residual Errors of Robotic Systems with Sparse Data using a Learning-based Unscented Kalman Filter
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）；Mitsubishi Electric Research Laboratories（三菱电机研究实验室）
本研究提出利用无迹卡尔曼滤波器更新神经网络参数，以少量数据学习机器人动力学或仿真模型与真实机器人间的残差误差，并在机械臂和轮式机器人上验证，有效缩小了现实差距。
2023-05-08 cs.LG cs.RO cs.SY
Adaptive Force Controller for Contact-Rich Robotic Systems using an Unscented Kalman Filter
University of California, Los Angeles（加州大学洛杉矶分校）
针对多点接触机器人的力控需求，提出一种基于自动整定的自适应导纳控制器，可兼顾旋转摩擦、力旋量跟踪、防滑与避奇异，并在攀爬机器人硬件上验证了操作与移动任务中的鲁棒性。
2023-10-01 cs.RO cs.SY eess.SY
Dual Unscented Kalman Filter Architecture for Sensor Fusion in Water Networks Leak Localization
Institut de Robòtica i Informàtica Industrial, CSIC-UPC（西班牙科学研究理事会-加泰罗尼亚理工大学机器人与工业自动化研究所）；LOS-CS-FMI, University of Bucharest（布加勒斯特大学数学与计算机科学学院计算机科学系）；Supervision, Safety and Automatic Control Research Center (CS2AC) of the Universitat Politècnica de Catalunya（加泰罗尼亚理工大学监督、安全与自动控制研究中心）；Politehnica University of Bucharest（布加勒斯特理工大学）
本文提出双无迹卡尔曼滤波方法融合多类传感器数据，提升节点水头与管道流量估计，在Modena和L-TOWN案例中优于现有方法，实现更精确泄漏定位。
2024-12-16 cs.LG cs.SY eess.SY
Quaternion-based Unscented Kalman Filter for 6-DoF Vision-based Inertial Navigation in GPS-denied Regions
Carleton University（卡尔顿大学）
针对GPS拒止区域刚体6自由度运动的位姿、位置和线速度估计问题，提出定义在特定空间的计算高效的四元数导航无迹卡尔曼滤波器，融合视觉与IMU数据，经真实数据集验证其鲁棒性和有效性。
2024-12-03 cs.RO cs.SY eess.SY
Continuous-discrete unscented Kalman filtering framework by MATLAB ODE solvers and square-root methods
针对连续-离散无迹卡尔曼滤波器的实现设计问题，提出基于MATLAB ODE求解器和J正交变换平方根方法的实现框架，可提升随机动态系统状态估计的精度与鲁棒性。
2023-10-06 cs.NA cs.SY eess.SY
Analysis of the Unscented Transform Controller for Systems with Bounded Nonlinearities
本文分析了一种与无迹卡尔曼滤波对偶的无迹变换控制器，针对含状态有界非线性的离散时间系统，利用李雅普诺夫方法证明状态和输入收敛到原点附近有界球，并通过战斗机和四旋翼模型验证其调节与跟踪性能。
2025-04-11 cs.SY eess.SY
The Unscented Kalman Filter for Nonlinear Parameter Identification of Adaptive Cruise Control Systems
提出双重无迹卡尔曼滤波器，利用车载传感器实时联合辨识商用ACC的状态与CTHP参数，并基于实测SUV数据验证其相对最小二乘方法的有效性。
2023-06-06 cs.SY eess.SY math.OC
Inverse Unscented Kalman Filter
本文针对非线性系统提出逆无迹卡尔曼滤波器（I-UKF），并推广到未知系统提出 RKHS-UKF，理论证明其稳定性与保守性，实验验证了估计性能。
2024-05-01 cs.SY eess.SP eess.SY
Vision-based Unscented FastSLAM for Mobile Robot
本文提出一种结合无迹粒子滤波和无迹卡尔曼滤波的视觉无迹快速SLAM算法，通过双目视觉检测地标实现定位与建图，利用无迹快速SLAM提升定位与建图的精度和鲁棒性。
2019-05-03 cs.RO cs.SY eess.SY
Unscented Orientation Estimation Based on the Bingham Distribution
Intelligent Sensor-Actuator-Systems Laboratory (ISAS) Institute for Anthropomatics Karlsruhe Institute of Technology (KIT), Germany（智能传感器-执行器系统实验室（ISAS） 人机学研究所 卡尔斯鲁厄大学（KIT） 德国）；Computer Graphics Group Department of Computer Science University College London (UCL), United Kingdom（计算机图形学组 计算机科学系 伦敦大学学院（UCL） 英国）
本文提出基于Bingham分布的滤波器，考虑姿态估计的周期性，利用超球面上的分布特性提升非线性姿态估计的精度。
2013-11-22 cs.RO cs.SY eess.SY
Estimating States and Model Uncertainties Jointly by a Sparsity Promoting UKF
在许多工程领域中，只有所考虑系统的部分模型可用时的状态估计仍然是一个主要挑战。本文提出了一种联合平方根无迹卡尔曼滤波器，通过物理激励库函数的线性组合同时估计状态和模型不确定性。使用稀疏性促进方法，选择这些线性组合的选择，从而可以提取可解释的模型。结果表明，一个小的估计误差相比，传统的平方根无迹卡尔曼滤波器，并表现出增强的物理意义的模型。
2022-07-08 cs.SY eess.SP 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
Cubature Kalman Filter as a Robust State Estimator Against Model Uncertainty and Cyber Attacks in Power Systems
本文比较了容积卡尔曼滤波器（CKF）与扩展卡尔曼滤波器（EKF）在电力系统面对模型不确定性和网络攻击时的估计性能，证明CKF在精度和攻击检测上更优。
2025-03-27 cs.SY eess.SY
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
On the Accuracy of the One-step UKF and the Two-step UKF
无迹卡尔曼滤波器（UKF）的最精确的版本涉及两个集成的建设。然而，为了降低计算成本，UKF通常在没有第二集合的情况下实现。然而，这种简化是有代价的，因为对于线性系统，两步UKF的一步变化并不专用于经典的卡尔曼滤波器，具有相关的精度损失。本文弥补了这一缺点，通过开发一个修改的一步UKF恢复经典的卡尔曼滤波器的线性系统。数值算例表明，在具有线性输出的非线性系统中，改进的一步UKF也恢复了两步UKF的精度。
2022-08-18 cs.SY eess.SY
Estimation for Quadrotors
Brown University（布朗大学）；Udacity, Inc.（Udacity公司）；Fotokite（Fotokite公司）
本文基于四旋翼模型，推导了扩展卡尔曼滤波器的推导过程，提供EKF、贝叶斯滤波和无迹卡尔曼滤波的伪代码，旨在解决四旋翼状态估计中的噪声和计算限制问题。
2018-08-31 cs.RO cs.SY eess.SY
Unscented Particle Filter for Visual-inertial Navigation using IMU and Landmark Measurements
Department of Mechanical and Aerospace Engineering, Carleton University（机械与航空航天工程系，卡尔顿大学）
本文提出了一种基于四元数的无迹粒子滤波器QUPF-VIN，通过融合低成本IMU和视觉地标观测数据，专为GPS拒止环境下的6 DoF车辆设计，实验证明其跟踪精度优于标准Kalman滤波器。
2025-04-27 cs.RO cs.SY eess.SY
Multi-modal filtering for non-linear estimation
Technische Universität Darmstadt（达姆施塔特工业大学）；MPI for Intelligent Systems（马克斯·普朗克智能系统研究所）
本文提出一种非线性滤波算法，利用高斯混合模型表示多模态密度，通过闭式估计参数提升时间序列和实际应用中的跟踪性能。
2013-12-31 cs.SY eess.SY
Comparing Kalman Filters and Observers for Power System Dynamic State Estimation with Model Uncertainty and Malicious Cyber Attacks
University of Central Florida（中佛罗里达大学）；the University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校）；Southern Methodist University（南卫理公会大学）
本文比较了卡尔曼滤波器与观测器在处理电力系统动态状态估计中的模型不确定性及网络攻击问题，通过测试发现CKF和观测器在鲁棒性上更优。
2018-06-29 cs.SY eess.SY math.OC
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
Nonlinear Bayesian Estimation: From Kalman Filtering to a Broader Horizon
University of Kansas（堪萨斯大学）；Mitsubishi Electric Research Laboratories（三菱电机研究实验室）；New Jersey Institute of Technology（新泽理工学院）；US Army Research Laboratory（美国陆军研究实验室）
本文综述了非线性贝叶斯估计的最新进展，系统介绍了状态估计框架，回顾了从标准卡尔曼滤波到扩展卡尔曼滤波、无迹卡尔曼滤波和集合卡尔曼滤波等方法，并扩展到更复杂的联合状态和参数估计问题。
2017-12-14 cs.SY eess.SY
RCUKF: Data-Driven Modeling Meets Bayesian Estimation
University of New Mexico（新墨西哥大学）
RCUKF结合数据驱动建模与贝叶斯估计，用于高维或混沌系统中准确的状态估计与实时校正。
2025-08-07 cs.LG cs.SY eess.SY
State Estimation Methods for Continuous-Discrete Nonlinear Systems involving Stochastic Differential Equations
在这项工作中，我们提出的方法，在连续离散非线性系统涉及随机微分方程的状态估计。我们提出了扩展卡尔曼滤波器，无味卡尔曼滤波器，集合卡尔曼滤波器和粒子滤波器。在Matlab中实现了状态估计方法。我们评估的性能的方法对修改后的四罐系统的模拟。我们实现了非刚性组系统的状态估计方法，即，使用显式数值积分方案。扩展卡尔曼滤波器的实现利用约瑟夫稳定形式的数值稳定性。我们评估的准确性的状态估计方法的平均绝对百分误差在模拟地平线。我们表明，每种方法成功地估计的状态和不可测的干扰的模拟修改后的四罐系统。最后，我们提出结论。
2022-05-05 cs.SY eess.SY math.OC
An Information-Based Micro-Kalman Filter for Satellite Tracking: A Comparative Study
Institut Teknologi Sepuluh Nopember (ITS)（十月初六理工学院）
提出一种基于线性化模型的微卡尔曼滤波器（μKF），通过径向和角度状态估计卫星轨道，并与经典卡尔曼滤波、扩展卡尔曼滤波、无迹卡尔曼滤波及自适应卡尔曼滤波对比，μKF在低且有限的估计误差下达到相近性能。
2026-06-23 cs.SY eess.SY math.DS
Observability analysis and state estimation of lithium-ion batteries in the presence of sensor biases
University of Oxford（牛津大学）
本文研究了锂离子电池常用等效电路模型的可观测性，并提出在存在传感器偏置时的状态估计方法，强调可观测性分析对选择合适状态估计算法的重要性。通过微分几何方法推导出非线性等效电路模型的可观测性条件，并通过非线性卡尔曼滤波器估计测量偏置。
2016-03-11 cs.SY eess.SY
Fully Multiplicative Attitude and Orbit Determination for Deep space Navigation
Iowa State University（爱荷华州立大学）
研究针对深空导航联合航天器姿态-轨道估计及双星跟踪器对准校准问题，提出全乘法无迹卡尔曼滤波器，通过融合多种测量并保留天体像差，对比乘法扩展卡尔曼滤波器，蒙特卡罗结果显示其在粗传播间隔时性能更优。
2026-07-14 cs.SY eess.SY
Model-based vs Data-driven Estimation of Vehicle Sideslip Angle and Benefits of Tyre Force Measurements
本文提供了一个全面的比较基于模型和数据驱动的方法，并分析了使用测量轮胎力的车辆侧滑角估计的好处。基于模型的方法基于扩展的卡尔曼滤波器和无迹卡尔曼滤波器，其中在观测模型中利用测量的轮胎力。引入自适应协方差矩阵，以最大限度地减少轮胎模型不匹配在规避机动。对于数据驱动的方法，前馈和递归神经网络进行评估。这两种方法都使用标准惯性测量单元和轮胎力测量值作为输入。使用216个机动的大规模实验数据集，我们证明了使用数据驱动与基于模型的方法在准确性上的显着提高。轮胎力测量提高了基于模型和数据驱动方法的性能，特别是在轮胎的非线性状态下。
2023-03-01 cs.SY eess.SY
On Differential Privacy and Traffic State Estimation Problem for Connected Vehicles
这封信的重点是交通状态估计的高速公路网络的路口的形式上和下匝道，同时保持不同的隐私的交通数据的问题。两种类型的传感器被认为是固定的传感器，如感应线圈检测器和连接的车辆，提供交通密度和速度数据。采用著名的非线性二阶Aw-Rascle- Zhang（ARZ）模型对交通流动力学进行建模。该模型是制定为一个非线性状态空间差分方程。敏感性关系推导出给定的数据，然后用于制定一个差分隐私机制，该机制增加了高斯噪声的数据，使其差分隐私。提出了一种基于线性ARZ模型的交通状态估计的滚动时域估计方法。MHE与卡尔曼滤波器的变体，即扩展卡尔曼滤波器，包围卡尔曼滤波器和Unscented卡尔曼滤波器进行了比较。几个研究和工程问题的制定和分析进行，以找到相应的答案。
2022-09-06 cs.SY eess.SY math.OC
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
Sensitivity Analysis of State Space Models for Scrap Composition Estimation in EAF and BOF
本研究开发了结合质量平衡的线性和非线性状态空间模型，利用修正Kalman滤波器和UKF估计EAF与BOF炼钢中的废钢成分，并分析了模型对关键过程变量测量噪声的敏感性，证实了其实际可行性与局限。
2025-04-15 cs.SY eess.SY
Algorithm Design and Comparative Test of Natural Gradient Gaussian Approximation Filter
本文提出NANO滤波器，通过自然梯度下降避免线性化误差，在多系统与噪声下优于EKF、UKF、IEKF和PLF，计算负担相似。
2025-07-16 cs.SY eess.SY
Automated Tuning of Nonlinear Kalman Filters for Optimal Trajectory Tracking Performance of AUVs
本文针对无DVL的微型AUV，提出使用贝叶斯优化自动调优两种不同预测模型的UKF参数，蒙特卡洛仿真表明该方法使中值跟踪误差最多降低50%。
2023-04-07 cs.SY eess.SY
