自适应卡尔曼信息变换器 A-KIT
该研究开发了利用 Lie 群和不变观测器设计技术的接触辅助不变扩展卡尔曼滤波器(InEKF),该滤波器结合了接触惯性动力学和正向运动学校正,可估计姿态和速度以及所有当前接触点。研究表明,误差动力学遵循对数线性自治微分方程,从而提高了收敛性能,并产生了符合非线性系统的本地可观测矩阵。该过程在 Cassie 系列双足机器人上进行了模拟和实验,并表明其比基于四元数的 EKF 具有更好的性能。
Apr, 2019
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
该研究提出了一种高效的在线近似贝叶斯推断算法,用于从可能的非静态数据流中估计非线性函数的参数,并通过使用后验精度矩阵的新型低秩加对角线分解,使每步成本与模型参数数量呈线性关系,与基于随机变分推断的方法相比,我们的方法是完全确定性的,不需要步长调整,并显示实验表明,这导致学习速度更快(更节约样本),从而更快地适应不断变化的分布,并作为上下文强化学习算法的一部分积累奖励更快。
May, 2023
本文提出了一种基于不变扩展卡尔曼滤波器 (RIEKF-VINS) 的方法,并通过 Monte Carlo 模拟和实际实验验证了该方法在视觉惯性导航系统中的有效性。该方法使用一种新的不确定性表示方法,可以保留 VINS 中的不变性质,并将 RIEKF-VINS 适用于多状态约束卡尔曼滤波器框架,从而获得一致性的状态估计。
Feb, 2017
通过发展一种称为 Pathspace Kalman Filter (PKF) 的 KF 扩展算法,我们能够动态跟踪与底层数据和先验知识相关的不确定性,并利用贝叶斯方法量化不同的不确定性来源,并且在生物学时间序列数据集上的应用表明,PKF 在合成数据集上的表现优于传统的 KF 方法,均方误差缩小了几个数量级。
Feb, 2024
本文研究非线性状态空间模型中动态状态和动态噪声协方差的联合和递归估计问题,提出了一种基于近似贝叶斯推断原理的非线性状态估计和模型参数识别的递归解决方案。方法基于随机搜索变分推断,通过引入辅助潜变量和优化共轭和非共轭项实现了推断速度和准确度的平衡,通过仿真和实际数据的雷达跟踪应用验证了方法的性能。
May, 2023
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
本文针对自动驾驶车辆中人的驾驶行为的随机性,异质性和时变性构成的挑战,将 $ au$ 步的改进的扩展卡尔曼滤波参数适应算法应用于驾驶行为预测任务,使用观察到的轨迹给出反馈,并通过对基于神经网络的模型进行改进,提出了一套新的度量标准来系统评估降低不同个体和情况的预测误差的在线适应性能,同时还提供了有关模型最佳层和观察步骤的经验研究。
Dec, 2021