通过使用 Kalman 滤波网络改进了相机时空重定位方法，实现了极高的定位精度。

Mar, 2020

该论文提出了一种使用时间生成模型进行反事实推断的方法，利用统一算法高效地学习广谱卡尔曼滤波器，其中还引入了 “Healing MNIST” 数据集用于建模，并基于 8000 名患者超过 4.5 年的电子病历数据显示了其对反事实推断的有效性。

Nov, 2015

我们提出了两种创新的数据驱动滤波方法，通过结合可训练的运动模型进行对象位置预测，并将观察结果与对象检测器的预测相结合，以提高边界框预测准确性。我们的方法在多个数据集上进行了广泛评估，证明在对象跟踪方面，尤其是非线性运动模式的情况下，我们的滤波器优于传统的 Kalman 滤波器。

Feb, 2024

本文提出了使用自适应学习框架解决多目标过滤的固定运动和测量模型问题，通过使用随机有限集术语定义目标元组以及利用具有长短期记忆结构的递归神经网络，提出了一种与预测轨迹元组兼容的新型数据关联算法，使得能够更新被遮挡的目标以及分配目标的出生、存活和死亡。该算法在一个常用的过滤器模拟场景中进行了评估，结果非常有前途。

Jun, 2018

提出了一种学习多个自适应关联滤波器的方法，同时具有目标外观的长期和短期记忆，以实现强大的物体跟踪，在大规模基准数据集上表现优异，尤其在效率、准确性和鲁棒性方面均优于现有的技术方法。

Jul, 2017

本文介绍了一种基于梯度下降逼近的 Kalman 滤波方法，其仅需要进行加权预测误差的局部计算，同时还提出了一种适应性学习规则。作者在一个简单的 Kalman 滤波任务中展示了该方法的性能，并提出了一种神经实现方法。

Feb, 2021

本文提出了一种基于全非侵入式长短时记忆（LSTM）嵌入结构的递归神经网络方法，用于估算限制性项，该方法不仅强制状态轨迹到观察值，而且还在一定程度上充当了稳定器，并通过相关数据的强大力量，可以有效地进行再培训。实验结果表明，与 EKF 和 EnKF 相比，所提出的 LSTM 间隙处理方法在只有稀疏观察数据可用时产生了更准确的估计。

May, 2020

DeepKalPose 是一种通过使用基于深度学习的卡尔曼滤波器来增强视频中的单目车辆姿态估计的时间一致性的新方法，它通过整合双向卡尔曼滤波策略、可学习的运动模型以及表示复杂运动模式的方式，显著提高了在各种条件下车辆姿态的准确性和鲁棒性，特别是对于遮挡或远离的车辆。在 KITTI 数据集上的实验证实了 DeepKalPose 在姿态准确性和时间一致性方面优于现有方法。

Apr, 2024

该论文介绍了一种新颖的基于感觉自身位置的机器人状态估计器，该估计器结合了基于模型的滤波器和深度神经网络。通过整合神经测量网络 (NMN) 和不变扩展卡尔曼滤波器，论文展示了该状态估计框架在各种地形中的性能改进。

Feb, 2024

本文提出了一种紧密耦合的扩展卡尔曼滤波器框架，使用训练有素的神经网络来回归三维位移估计和其不确定性，进而在滤波器中实现测量更新步骤，从而解决姿态、速度和传感器偏差问题。与速度积分和 AHRS 姿态滤波器方法相比，本文的系统在位置和姿态估计方面表现更好，且该网络可用于步行者数据的统计一致的测量和不确定性。

Jul, 2020