利用粒子滤波 (SLAM) 方法，结合编码数据和光纤陀螺数据实现车辆运动的精确估计，激光雷达技术提供环境感知，建立了一个粒子滤波 (SLAM) 框架，以有效地解决机器人系统中的同时定位和地图构建的复杂性。

Feb, 2024

提出了一种基于当前统计模型的卡尔曼粒子滤波（CSKPF）算法，用于多视角多目标三维跟踪场景，通过预测目标状态、估计目标状态协方差、抑制测量噪声以提高粒子采样效率，与现有基于恒定速度的粒子滤波（CVPF）方法相比，模拟实验和果蝇集群真实实验都证实了 CSKPF 方法在跟踪的完整性、连续性和精度方面的有效性。

Sep, 2023

该研究提出了一种新颖的内存高效的循环神经网络（RNN）架构，用于解决目标定位问题，并通过将经典的粒子滤波器与 GRU RNN 架构相结合，提出了构建粒子滤波器 RNN 模型（mePFRNN）的关键特性是在处理不同尺寸环境时所需的参数数目相同。因此，相比于先前提出的 PFRNN 模型，该提议的 mePFRNN 架构消耗更少的存储参数内存。通过在对称且嘈杂的环境中进行测试，以展示我们模型的性能，实验结果表明，相比于其他考虑的竞争者，mePFRNN 模型具有更精确的定位结果，并且需要更少的训练参数。

Oct, 2023

本文介绍了一种新的方法 PF-Net，将粒子滤波算法和神经网络相结合，为具有复杂动态或丰富感知输入的系统构建概率系统模型。实验结果表明，PF-Net 在机器人视觉定位任务中具有更好的表现和普适性。

May, 2018

本文介绍了一种可扩展的贝叶斯技术，用于在动态环境中从多个平台进行去中心化状态估计。通过严格分散的方法并通过互动通信协议促进信息流，实现仅在附近平台之间交换信息和在分布式监视方案的上下文下进行评估，其结果展示了对大型车队的前所未有的可扩展能力。

Oct, 2012

在存在异常值和误设测量模型的状态空间模型的在线滤波中，我们导出了一种新颖、可靠证明的闭合贝叶斯更新规则。我们的方法将广义贝叶斯推理与滤波方法（如扩展和集成卡尔曼滤波器）相结合，其中前者用于展示鲁棒性，后者用于确保非线性模型的计算效率。在异常值测量的一系列滤波问题（如物体跟踪、高维混沌系统的状态估计和在线神经网络学习）中，我们在更低的计算成本下与其他鲁棒滤波方法（如基于变分贝叶斯的方法）相匹配或表现更好。

May, 2024

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

从有噪音观测数据中对动态系统进行状态估计是许多应用中的一个基本任务。本文介绍了一种无参数算法，通过简短的迭代过程对 Kalman 滤波器的标准更新步骤进行在线估计，从而减轻观测数据中异常值的有害影响。仿真和实地实验评估证明了我们的方法在滤波场景中对异常值的鲁棒性，相比其他算法表现出有竞争力的性能。

Sep, 2023

本文提出一种基于 Counter-Hypothetical 似然函数的方法来解决 6D 姿态估计中粒子缺失和模式崩溃的问题，并在刚性物体 6D 姿态跟踪任务上验证了其有效性。

May, 2023

本文提出了基于高斯混合模型和因子图框架的非线性最小二乘优化，用于处理三维空间中多个移动物体的跟踪问题，并展示了在 KITTI 跟踪数据集上实验的表现。

Aug, 2020