Neural Aided Adaptive Innovation-Based Invariant Kalman Filter
本文提出一种结合不变滤波理论与神经辅助自适应噪声估计的卡尔曼滤波器,用于提升自主水下导航的定位精度,实验表明其在位置均方误差方面优于现有方法。
2026-03-17 cs.RO cs.SY eess.SP
Robust Extended Kalman Filtering for Systems with Measurement Outliers
University of Kansas(堪萨斯大学);US Army Research Laboratory(美国陆军研究实验室);Mitsubishi Electric Research Laboratories(三菱电机研究实验室)
本文提出了一种创新饱和机制,用于改进扩展卡尔曼滤波以增强对测量异常的鲁棒性,通过自适应调整饱和边界,实现了对连续和离散时间系统的鲁棒EKF方法,能够在存在有界异常干扰的情况下生成有界误差估计。
2019-03-31 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
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
An Innovation-Based Approach to Detect Stealthy Disturbance Attacks in Maritime Monitoring
Università Campus Bio-Medico di Roma(罗马生物医学大学);Consorzio Nazionale Interuniversitario per i Trasporti e la Logistica (NITEL)(意大利国家交通与物流大学联盟)
本文提出统计检测套件(SDS)用于检测恶意隐蔽干扰,通过Kalman滤波创新直接进行异常监控,结合四种互补检查提升海上系统对物理-网络安全的防御能力。
2026-04-19 cs.SY eess.SY
Alternative Form of Predictor Based Identification of LPV-SS Models with Innovation Noise
Eindhoven University of Technology(埃因霍温理工大学)
本文提出了一种识别具有状态空间模型结构的线性参数变化系统的方法,其中系数函数具有静态和仿射依赖于调度信号的特性。该方法减少了维度灾难问题,将LPV-SS模型重新表述为等效的冲击响应形式,即具有外生输入的移动平均系统(MAX系统)。LPV-MAX表示的马尔可夫系数函数在调度信号及其时间移位上是多线性的,与基于预测器的方法中对应的LPV自回归加外生输入系统多二次的特性不同。本文证明,在某些输入和调度信号条件下,LPV-MAX模型的一步预测误差的$\ell_2$损失函数具有唯一的最小值,对应于原始系统。因此,在预测误差最小化框架下识别LPV-MAX模型将是一致且无偏的。通过应用高效的基减Ho-Kalman实现,将LPV-SS模型实现出来。所提出方法的性能通过蒙特卡洛模拟研究评估。
2016-09-23 cs.SY eess.SY
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
KIND: A Kalman-Inspired Adaptive Estimator for SRF Cavity Detuning
Helmholtz-Zentrum Berlin(亥姆霍兹柏林中心);Universität Siegen(锡根大学)
本文提出KIND,一种融合动态模式分解与Transformer的自适应估计器,用于SRF腔体偏移估计,通过输出不确定性信号实现异常检测,相较于传统卡尔曼滤波具有更广泛的应用前景。
2026-05-12 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
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
Adaptive Target Tracking Using Retrospective Cost Input Estimation
本文提出一种自适应离散时间卡尔曼滤波方法,通过在线更新输入估计误差方差与状态估计误差相关性之和,使基于回顾成本输入估计的因果数值微分无需人工确定最佳固定参数,并在 CarSim 仿真车辆跟踪中验证了其性能。
2024-07-26 cs.SY eess.SY
Robust Input Shaping Control for Flexible Structures Based on Unscented Kalman Filter
本文提出UZS方法,结合无迹卡尔曼滤波实时参数辨识与零振动微分输入整形,在柔性梁平台上验证了其优于现有方法的鲁棒振动抑制效果。
2025-07-02 cs.SY eess.SY
Model-Based Detection of Anomalous Events in Submarine Cables Using Distributed Deformation Sensing and Kalman Filtering
Università Campus Bio-Medico di Roma(罗马生物医学大学)
研究利用分布式变形传感和卡尔曼滤波对海底电缆异常事件进行基于模型的检测,将电缆建模并经空间离散化获得状态空间表示,用卡尔曼滤波器估计动态状态,通过统计假设检验进行异常检测,能可靠识别局部干扰且对环境激励保持鲁棒性。
2026-07-10 cs.SY eess.SY
Data-Driven Predictive Control for Stochastic Descriptor Systems: An Innovation-Based Approach Handling Non-Causal Dependencies
Tsinghua University(清华大学);East China University of Science and Technology(华东理工大学)
针对随机描述系统中非因果依赖性问题,提出一种基于创新驱动的数据驱动预测控制框架,通过将快子系统分解为噪声驱动和输入驱动部分,并结合慢子系统定义创新卡尔曼滤波器,实现无需系统矩阵的预测控制。
2026-05-24 cs.SY eess.SY
Robust Kalman filter-based dynamic state estimation of natural gas pipeline networks
为了在不良数据和非零均值噪声条件下获得大规模天然气管网的准确瞬态状态,本文利用线性化的天然气管道瞬态流动方程,提出了一种基于鲁棒卡尔曼滤波器的动态状态估计方法。首先,建立了动态状态估计模型。由于输气管道的瞬态流动方程比状态方程少,边界条件被用作预测瞬态的补充约束。为了增加测量冗余度,在汇聚节点的零质量流率约束被视为虚拟测量。其次,为了保证系统在坏数据条件下的稳定性,提出了鲁棒卡尔曼滤波器算法,该算法通过引入时变标量矩阵,在每一时间步根据新息向量对量测误差方差进行正确调整。最后,将该方法应用于30节点天然气管网在几种测量条件下的优化计算。仿真结果表明,所提出的鲁棒动态状态估计能有效地减小坏数据的影响,获得较好的估计效果。
2021-02-26 cs.SY eess.SP eess.SY
LiFePO4 Battery SOC Estimation under OCV-SOC Curve Error Based onAdaptive Multi-Model Kalman Filter
针对磷酸铁锂电池OCV-SOC曲线长平台区导致SOC估计对曲线误差敏感的问题,提出自适应多模型卡尔曼滤波方法,可动态调整滤波参数并选优,实现高精度鲁棒SOC估计,误差较传统方法低10%以上。
2024-10-31 cs.SY eess.SY
A Model Randomization Approach to Statistical Parameter Privacy
在本文中,我们研究了一个隐私滤波器的设计问题的传感器测量序列,其联合概率密度函数(p.d.f.)依赖于一个私有参数。为了确保参数隐私,我们提出了一个滤波器设计框架,它由两个部分组成:一个随机发生器和一个非线性变换。随机数发生器将私有参数作为输入并随机生成伪参数。非线性映射变换测量,使得联合p.d.f.过滤器的输出依赖于伪参数而不是私有参数。它还确保了联合警察部队。滤波器的输出属于与测量相同的分布族。非线性变换具有前馈-反馈结构,其允许使用递归结构以低复杂度实时和因果地生成伪装的测量。的随机发生器的设计制定作为一个优化问题的隐私约束,在互信息方面,它示出的最佳随机发生器是凸优化问题的解决方案。使用信息论不等式,我们表明,任何估计的私人参数的性能,根据隐私过滤器的输出,是有限的隐私约束。在独立同分布、马尔可夫和高斯-马尔可夫测量的特殊情况下,研究了非线性变换的结构。我们的研究结果表明,在高斯马尔可夫的情况下,隐私过滤器可以实现为两个一步前进卡尔曼预测和一组最小均方误差预测。卡尔曼预测器显著降低了计算伪装测量的复杂性。在楼宇自动化系统中的占用隐私的数值例子说明了这种方法。
2021-05-22 cs.SY eess.SY
Optimal Intermittent Measurements for Tumor Tracking in X-ray Guided Radiotherapy
ICTEAM Institute, UCLouvain(UCLouvain ICTEAM研究所)
本文提出了一种基于遗传算法的最优间歇卡尔曼预测方法,以在有限测量预算下优化肿瘤跟踪,通过选择最优测量时间减少预测误差。
2019-03-20 cs.SY eess.SY stat.AP
UltimateKalman: Flexible Kalman Filtering and Smoothing Using Orthogonal Transformations
本文提出并实现基于 Paige-Saunders 正交变换算法的灵活线性 Kalman 滤波与平滑框架 UltimateKalman,支持多语言、时变和变维状态等场景。
2024-08-29 cs.NA cs.SY eess.SY
Machine Learning for LiDAR-Based Navigation System
本文提出了一种鲁棒的6自由度相对导航相结合的迭代最近点(ICP)注册算法和噪声自适应卡尔曼滤波器(AKF)在一个闭环配置与测量从激光扫描仪和惯性测量单元(IMU)。在该方法中,配准的精细对准阶段与用于估计校正的滤波器创新步骤集成,而滤波器估计传播提供在ICP迭代周期开始时找到对应点所需的粗略对准。ICP点匹配的收敛由故障检测逻辑监控,并且与ICP对准误差相关联的协方差由递归算法估计。这种ICP增强已被证明可以提高姿态跟踪性能的鲁棒性和准确性,并在跟踪丢失时自动恢复正确的对齐。设计了卡尔曼滤波器估计器,以辨识所需的参数,如惯性测量单元的偏差和航天器质心(CoM)位置。
2022-08-09 cs.SY eess.SY
Model-free Online Learning for the Kalman Filter: Forgetting Factor and Logarithmic Regret
University of California San Diego(加州大学圣地亚哥分校);Department of Electrical and Computer Engineering(电气与计算机工程系)
针对未知非爆发线性随机系统的在线预测,提出用指数遗忘平衡回归模型,以兼顾回归与正则化误差并降低累积误差,得到 O(log^3 N) 的更锐利对数遗憾界。
2025-05-13 cs.LG cs.SY eess.SP
Online Learning of the Kalman Filter with Logarithmic Regret
University of Pennsylvania(宾夕法尼亚大学)
本文研究了由随机噪声驱动的未知部分可观测线性系统在线产生的观测值的预测问题。对于这样的系统,在均方意义上的最佳预测器是著名的卡尔曼滤波器,当系统模型已知时,可以显式地计算。当系统模型未知时,我们必须学习如何根据有限的数据在线预测观测值,这可能会使卡尔曼滤波器的预测值出现非零误差。我们表明,它是可能的,以实现一个遗憾的顺序$\mathrm{poly}\log(N)$具有很高的概率,其中$N$是观察收集的数量。我们的工作是第一个提供对数遗憾保证广泛使用的卡尔曼滤波器。这是使用在线最小二乘算法实现的,该算法利用了未来观测和过去观测之间的近似线性关系。遗憾的分析是基于卡尔曼滤波器的稳定性,最近的统计工具,有限样本分析的系统辨识,和经典的结果分析的最小二乘算法的时间序列。我们的遗憾分析也可以应用于隐藏状态的状态预测,在未知的噪声统计,但已知的状态空间的基础。一个基本的技术贡献是,我们的界限举行,甚至为类的非爆炸性的系统,其中包括类的边际稳定的系统,这是一个开放的问题的情况下,在线预测随机噪声。
2020-02-12 cs.LG cs.SY eess.SY
A subspace approach to data-driven predictive control for linear parameter-varying systems
Eindhoven University of Technology(埃因霍温理工大学);HUN-REN Institute for Computer Science and Control(匈牙利科学院计算机与控制研究所);University of Pennsylvania(宾夕法尼亚大学)
本文针对线性参数变时系统,提出一种子空间数据驱动预测控制方法,通过降阶预测器等设计,提升了控制器的鲁棒性与计算效率,实现了可实际部署的多步控制方案。
2026-07-31 cs.SY eess.SY
Weak in the NEES?: Auto-tuning Kalman Filters with Bayesian Optimization
Department of Computer Science(计算机科学系);University of Colorado Boulder(科罗拉多大学博尔德分校);University College London(伦敦大学学院);Smead Aerospace Engineering Sciences(Smead航空航天工程科学系)
本文提出一种基于贝叶斯优化的自动调节卡尔曼滤波器方法,通过智能采样参数空间,利用非参数高斯过程代理函数,高效识别多个局部极小值并提供结果不确定性量化。
2018-07-23 cs.LG cs.RO cs.SY
Kalman Filter Tuning with Bayesian Optimization
在给定状态空间过程模型和观测模型的情况下,必须对多种状态估计算法进行调整,必须选择过程噪声参数和观测噪声参数。传统的调整方法依赖于启发式手动调整或基于梯度的优化技术来最小化性能代价函数。然而,调谐噪声值和估计器性能之间的关系是高度非线性和随机的。因此,调谐解决方案很容易陷入局部最小值,这可能导致噪声参数的选择不佳和次优估计器性能。本文介绍了贝叶斯优化(BO)如何克服这些问题。BO将优化作为随机"黑箱“代价函数的贝叶斯搜索问题,其目标是搜索解空间以最大化改进当前最佳解的概率。因此,BO提供了一种原则性的方法,在局部最小值和性能随机性的存在下,基于优化的估计器调整。虽然扩展的卡尔曼滤波器(EKF)是这项工作的主要焦点,但是BO可以类似地用于调谐其他相关的状态空间滤波器。这里提出的方法使用的性能指标来自归一化创新平方(NIS)通过传感器数据获得的滤波器残差,这使得地面实况状态的知识不必要。在实际的非线性状态估计问题、闭环航空机器人控制中,说明了基于BO的调整的鲁棒性、准确性和可靠性。
2019-12-17 cs.RO cs.SY eess.SY
Active Classification for POMDPs: a Kalman-like State Estimator
University of Southern California(南加州大学);University of California, Irvine(加州大学尔湾分校)
本文提出基于POMDP的主动分类方法,通过卡尔曼-like滤波器估计马尔可夫链状态,并利用均方误差优化控制策略,用于无线体传感网络中的活动检测。
2013-12-06 cs.SY eess.SY math.OC
SLIP: Learning to Predict in Unknown Dynamical Systems with Long-Term Memory
University of California, Berkeley(加州大学伯克利分校)
针对随机噪声下的未知部分观测线性动力系统,提出了一种有效实用的在线预测算法(多项式时间)。当系统参数已知时,最优线性预测器是卡尔曼滤波器。然而,现有的预测模型的性能是穷人在重要的LDS类,只是勉强稳定,并表现出长期的预测记忆。我们解决这个问题,通过界定广义Kolmogorov宽度的卡尔曼滤波器模型的谱方法和进行紧凸松弛。我们提供了一个有限样本的分析,表明我们的算法竞争与卡尔曼滤波器在事后只有对数遗憾。我们的遗憾分析依赖于门德尔松的小球方法,提供尖锐的误差范围没有浓度,有界性,或指数遗忘的假设。我们还给出了实验结果表明,我们的算法优于国家的最先进的方法。我们的理论和实验结果揭示了有效的可能近似正确(PAC)学习的卡尔曼滤波器从部分观测数据所需的条件。
2020-10-12 cs.LG cs.SY eess.SY
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
Schur-Neural KF: Learned Schur-Consistent Corrections to the Extended Kalman Filter
California Institute of Technology (Caltech)(加州理工学院)
SN-KF通过Schur补参数化保证半正定协方差,以学习方式修正EKF,在数据稀缺和传感器故障场景下提升性能。
2026-09-29 cs.LG cs.SY eess.SP
Coded Kalman Filtering Over Gaussian Channels with Feedback
本文研究带反馈MIMO-AWGN信道下向量Gauss-Markov源的零延迟编码估计问题,提出最优线性新息编码器与Kalman滤波解码器,并证明在MISO/SIMO信道下实现有限估计误差的充要条件是状态矩阵不稳定特征值对数之和小于Shannon信道容量。
2023-10-18 cs.IT cs.SY eess.SY
An autoregressive (AR) model based stochastic unknown input realization and filtering technique
Texas A&M University(德克萨斯农工大学)
本文提出基于自回归模型的随机未知输入实现与滤波技术,通过求解最小二乘问题恢复输入统计,利用ERA构建创新模型,并结合扩展状态系统和卡尔曼滤波进行状态估计,引入降阶模型降低计算成本。
2016-04-04 cs.SY eess.SY math.DS
Kalman Filter Auto-tuning through Enforcing Chi-Squared Normalized Error Distributions with Bayesian Optimization
University of Colorado(科罗拉多大学);University of College London(伦敦大学学院)
针对卡尔曼滤波器传统优化调优易陷局部极小、GPBO方法鲁棒性不足的问题,提出扩展NIS/NEES一致性检验的卡方分布惩罚代价函数,结合TPBO实现时间离散模型下鲁棒的滤波器自动调优,经经典问题验证性能更优。
2023-06-12 cs.RO cs.SY eess.SY
Dissipative stabilization of linear input delay systems via dynamical state feedback controllers: an optimization based approach
本文提出了一种有效的方法来解决线性输入时滞系统在耗散约束下的镇定问题,同时用一种新结构的控制器来补偿输入时滞的影响。该方法的灵感来自最近的发展,在数学处理的分布延迟和预测控制器,这是至关重要的解决方案的推导。一个重要的概念创新是使用一个参数化的动态状态反馈控制器(DSFC),控制器的维数等于控制输入的维数。通过Krasovskii泛函方法得到了耗散DSFC存在的一个充分条件,其中该条件包含一个双线性矩阵不等式.为了解决BMI,我们应用内凸近似算法,该算法可以基于预测控制器增益的显式构造来初始化。建议DSFC可以被认为是经典的预测控制器的扩展,从而能够补偿所有的逐点输入延迟的影响,同时满足耗散约束。最后给出了一个数值例子来说明所提方法的有效性。
2022-08-16 cs.SY eess.SY math.OC
Regret Guarantees for Model-Free Cooperative Filtering under Asynchronous Observations
UCSD(加州大学圣地亚哥分校)
本文提出了一种基于异步观测的无模型协作滤波算法,通过自回归表示和在线最小二乘方法,实现了对动态系统的实时预测,并给出了O(log^3 N)的遗憾界,证明其在边际稳定系统中优于传统模型预测方法。
2026-03-05 cs.SY eess.SY
Disturbance Preview for Nonlinear Model Predictive Trajectory Tracking of Underwater Vehicles in Wave Dominated Environments
Institute for Integrated Micro and Nano Systems, School of Engineering, University of Edinburgh(爱丁堡大学工程学院集成微纳系统研究所)
本文提出一种集成确定性海浪预测器的非线性模型预测控制器,通过扩展卡尔曼滤波器获取状态信息形成闭环策略,用于水下车辆轨迹跟踪,实验显示位置误差改善51%,姿态误差改善44.5%。
2023-07-27 cs.RO cs.SY eess.SY
Robust Power System Dynamic State Estimator with Non-Gaussian Measurement Noise: Part I--Theory
本文提出了一种新的鲁棒广义最大似然型Unscented卡尔曼滤波器(GM-UKF)的理论框架和方程,该滤波器能够在滤除非高斯测量噪声的同时抑制观测和新息离群值。由于采用相量测量单元(PMU)计算的有功和无功功率测量值的误差服从长尾概率分布,传统的UKF方法依赖于加权最小二乘估计器,因此提供了强偏差的状态估计。相比之下,我们的GM-UKF的状态估计和残差被证明是大致高斯的,允许sigma点可靠地近似预测和校正的状态向量的均值和协方差阵。为了开发我们的GM-UKF,我们首先通过同时处理预测和观测来导出批处理模式回归形式,其中使用统计线性化方法。我们证明了这样导出的方程组等价于无迹变换的方程组。然后,一个强大的GM估计,最小化凸Huber费用函数,同时使用通过投影统计(PS)计算的权重。将PS应用于由连续相关的预测状态和创新向量组成的二维矩阵,以检测观察和创新离群值。GM估计器使用迭代重加权最小二乘算法来抑制这些离群值。最后,由总影响函数推导出GM-UKF状态估计的渐近误差协方差阵。在配套文件中,大量的仿真结果将被证明所提出的方法的有效性和鲁棒性。
2017-03-14 cs.SY eess.SY math.ST
Learning When to See for Long-term Traffic Data Collection on Power-constrained Devices
Tandon School of Engineering, New York University(纽约大学坦登工程学院)
针对功耗受限设备的长期交通数据采集需求,提出含预测器、控制器、估计器的学习框架,通过策略性选择观测时机重建数据流,在PeMS数据集上较基线方法估计精度提升10%,可延长系统寿命。
2024-01-25 cs.AI cs.LG cs.SY
Extended Kalman Filter-Based State Estimation for a Nine-Compartment Nonlinear Epidemic Model -- Convergence Analysis and In-Silico Benchmark Calibrated on the COVID-19 Third Wave in Italy
University of Palermo(巴勒莫大学);InEmbryo S.r.l.s.(InEmbryo有限公司)
针对九室非线性COVID-19流行病模型,提出基于扩展卡尔曼滤波(EKF)的实时状态估计方法,通过李导数可观测性分析揭示秩亏条件,证明误差局部指数均方有界性,并在标定模型上实现0.07%-2.72%的RMSE基准性能。
2026-06-16 cs.SY eess.SY math.OC
Probabilistic Data Association-Feedback Particle Filter for Multiple Target Tracking Applications
Coordinated Science Laboratory and the Department of Mechanical Science and Engineering at the University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校协同科学实验室与机械科学与工程系)
本文提出了一种基于反馈控制的粒子滤波算法,用于多目标跟踪中的单目标或多目标跟踪问题,该算法在非线性非高斯情况下扩展了经典卡尔曼滤波的概率数据关联滤波器。
2014-04-16 cs.SY eess.SY math.OC