- 计算感知的卡尔曼滤波和平滑
高维 Gauss-Markov 模型的推断中,我们提出了一种概率数值方法以解决滤波和平滑中存在的时间和内存复杂性难题,并演示了该方法在大规模气候数据集上的可扩展性。
- 深度强化学习的快速价值追踪
我们的研究利用卡尔曼滤波范式引入了一种称为 Langevinized Kalman Temporal-Difference (LKTD) 的新颖且可扩展的采样算法,用于深度强化学习。通过 LKTD 算法,我们有效地从深度神经网络参数的后验分 - OptiState: 采用具有基于 Transformer 的视觉和卡尔曼滤波的门控网络对四足机器人进行状态估计
通过在四足机器人上评估,我们提出了一种混合解决方案,通过结合本体感知和外部感知信息,利用 Kalman 滤波、优化和基于学习的模态,对机器人躯干状态进行估计,从而实现准确的机器人状态估计,并减少传感器测量和模型简化带来的非线性误差。
- Transformer 能否表示卡尔曼滤波器?
使用 Transformer 实现卡尔曼滤波,该方法可以近似卡尔曼滤波器并且可以用于测量反馈控制,实现与标准最优控制策略相近的性能。
- BOTT:用于 3D 物体跟踪的仅使用框的 Transformer 跟踪器
通过使用 transformers 从 3D 盒子中直接学习特征,本研究提出了一种名为 Box Only Transformer Tracker (BOTT) 的跟踪器,能够学习链接自不同帧的同一对象的 3D 盒子,以及在两个最大的 3D - 精细样本复杂度下的 Kalman 滤波器学习
提出了一种新的 RHPG-KF 框架,可应用于任何线性动态系统,并且不需要先验知识或系统开环稳定,能够实现稳定滤波器的学习,同时具有省时,高效的特性。
- CVPRKFNet: 使用卡尔曼滤波学习时序相机定位
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。
- ICML高维深度特征空间中因式分解推断的递推卡尔曼网络
本文提出了一种名为 RKN 的循环卡尔曼网络,它可以在不使用其他近似方法(如变分推断)的情况下,使用反向传播直接学习高维因式分解潜在状态表示,从而具有能够精确估计不确定性的能力,并在图像插值任务中优于多种生成模型。
- ICML外观机器人自我定位的机器学习
机器人根据外观自我定位的问题,我们提出了一种基于流形学习和深度学习技术的新的几何动机解决方案,包括估计机器人定位映射和 Kalman 滤波问题的反向映射。
- 机器人操作的概率式关节实时跟踪
本篇研究提出了一种基于概率滤波方法的实时、精确估算机器人末端执行器的相机坐标系下位置的方法,并且避免了在与视觉目标的跟踪方法组合时需要进行帧变换的问题。通过建模和纠正测量误差和机器人模型不准确性,在卡尔曼滤波测量的基础上进行基于坐标粒子滤波 - 基于卡尔曼滤波的带停止条件和无关条件数的随机梯度方法
本文针对大规模优化问题中的迭代挑战与函数条件性问题,提出了一种叫做 kSGD 的基于卡尔曼滤波的二阶近端 / 随机梯度下降方法,针对线性回归问题进行了分析和优化,并进一步为 kSGD 在多个问题领域的扩展提供了实验依据。
- 关于高斯过程积分和西格玛点方法之间的关系
本文讨论了基于高斯过程回归方法的数值积分方法 —— 高斯过程积分和高斯 - 赫米特积分以及与非线性滤波和平滑算法中使用的 sigma 点方法之间的等价性,并比较不同 sigma 点位置选取的不同标准和在数值实验中的性能。
- 文本的线性动力学系统模型
该研究通过概率隐变量序列模型,使用前向算法实现连续状态 Kalman 滤波器来学习单词的表示。通过 EM 算法准确地优化参数,使用所学习到的单词嵌入作为标记任务的特征,在标记任务中实现显著的准确度改进,并通过线性递归神经网络通过我们的模型的 - 大规模 MIMO 系统通道估计中的导频波束设计
本研究提出了一种新的算法来针对大规模多输入多输出系统中基站的大量发射天线进行信道估计时的导频波束设计问题,该算法依据信道被假定成是一种平稳的高斯 - 马尔科夫随机过程,并通过利用卡尔曼滤波及其相关的预测误差协方差矩阵的性质以及信道统计信息 - ICML非线性潜力模型的状态空间推断及其在卫星轨道预测中的应用
本文提出了一种基于卡尔曼滤波和平滑方法的有效非线性状态和参数推断的方法,以处理用于预测 GPS 卫星轨道的非线性潜在力模型。