extended Kalman filter
PulseAugur coverage of extended Kalman filter — every cluster mentioning extended Kalman filter across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
雪地地形无人机与地面机器人导航系统
研究人员开发了一种新颖的导航框架，用于在具有挑战性的雪地地形中运行的无人机和地面机器人。该系统利用高效的U-Net架构进行实时道路分割，通过合成雪数据增强实现了96.5%的准确率。无人机采用扩展卡尔曼滤波器集成GPS和IMU数据进行定位，最大位置误差为0.5米。地面机器人的位置通过无人机的RGB-D摄像头数据和YOLOv5对象检测进行跟踪，从而能够进行考虑雪堆的动态路径规划。
-
新的贝叶斯MCTS框架增强了半导体可靠性测试
研究人员开发了一种用于半导体可靠性鉴定的自适应序贯测试规划的新框架。该方法使用贝叶斯蒙特卡洛树搜索（MCTS-SA）结合扩展卡尔曼滤波器（EKF）来管理多种竞争性失效机制。该系统模拟了偏置温度不稳定性、电迁移和时变介电击穿的每设备变异性，优化了应力选择以表征退化，同时避免了灾难性失效。与静态测试计划相比，这种自适应策略表现出显著的优势，在模拟中将表征产量从20%提高到54%以上。
-
混合机器学习模型改进了自动驾驶卡车的关节角估计
研究人员开发了混合机器学习模型，以准确估计卡车半挂车组合的关节角，这是自动驾驶和高级驾驶员辅助系统的关键任务。这些模型通过直接从视觉和运动学输入估计角度，消除了手动初始化、附加传感器或特定于拖车的信号的需求。该混合方法集成在具有自适应加权方案的扩展卡尔曼滤波器框架内，在各种拖车类型和条件下的广泛真实世界实验中展示了鲁棒性和泛化能力。
-
新的EKL模型通过集成卡尔曼滤波器增强了时间服务质量（QoS）预测能力
研究人员开发了一种名为EKL的新模型，该模型结合了扩展卡尔曼滤波器（Extended Kalman Filter）和潜在特征分析（Latent Feature Analysis），以改进时间服务质量（QoS）预测。这种方法旨在比纯粹的数据驱动方法更有效地捕捉非平稳的时间模式，因为纯数据驱动方法在数据波动时准确性会下降。EKL模型包含一个用于时间潜在特征的模型驱动特征生成器和一个用于时间不变特征的数据驱动生成器，并采用并行策略进行工作负…
-
FalconTrack框架自动生成航空追踪数据
研究人员开发了FalconTrack，一个用于GPS拒绝环境下的视觉航空追踪的新型框架。该系统使用基于高斯溅射的光照逼真模拟器自动生成标注数据，在不到20分钟的时间内生成数千张标注图像。FalconTrack集成了多头感知模块和物理感知追踪，以实现有效的模拟到真实迁移，在真实硬件测试中取得了高精度和高成功率。
-
新的 LMKF SLAM 方法提高了机器人定位和建图的准确性
研究人员开发了一种名为 LMKF SLAM 的新方法，以提高移动机器人同步定位与建图 (SLAM) 的准确性和稳定性。该方法将非线性状态空间模型转换为线性模型，从而可以应用原始卡尔曼滤波器。据报道，LMKF SLAM 方法在准确性、收敛性和计算复杂度方面优于现有技术，特别是基于 EKF 的 SLAM，同时在应对传感器不确定性和系统参数变化方面也表现出更强的鲁棒性。
-
无人机融合深度相机和人工智能以实现更安全的人员追踪
研究人员开发了一种新的无人机（UAV）系统，该系统将深度相机数据与深度学习技术融合，以准确估算并保持与人员的安全距离。该方法利用扩展卡尔曼滤波器（EKF）算法将深度信息与基于单目相机的距离估算相结合，并通过YOLO-pose进行增强以实现实时处理。该系统在挑战性条件下已证明了更高的准确性和鲁棒性，在测试场景中将距离估算误差降低了高达15.3%，并扩展了有效的深度检测范围。
-
得分卡尔曼滤波器绕过配分函数实现非线性贝叶斯滤波
研究人员开发了得分卡尔曼滤波器（SKF），这是一种新颖的非线性贝叶斯滤波方法，它绕过了计算成本高昂的配分函数。通过将得分匹配与斯坦因恒等式相结合，SKF将密度拟合简化为线性求解，并有效地闭合了矩层级。该方法允许在高维空间中进行滤波，已在高达n=20的维度上得到验证，并在合成基准测试中实现了比现有基线更低的均方根误差（RMSE）。
-
新的卡尔曼滤波框架在细胞复形上对复杂时间序列数据进行建模
研究人员开发了一种新的拓扑感知状态空间框架，用于从复杂的时间序列数据中推断潜在动力学。该方法利用细胞复形上的随机偏微分方程来模拟状态演化和观测，即使在部分可观测和结构未知的情况下也是如此。该方法采用扩展卡尔曼滤波器进行递归状态估计，并采用期望最大化算法进行参数学习，同时使用启发式算法来推断缺失的拓扑结构。
-
自主航行器融合声纳与GPS实现精确海底测绘
研究人员开发了一个新的框架，利用自主水面航行器在具有挑战性的浅水浑浊水域进行海底测绘。该系统融合了声纳数据与GPS和IMU读数，采用傅里叶-梅林变换进行局部框架对齐，并使用扩展卡尔曼滤波器进行全局轨迹优化。现场试验表明，与以前的方法相比，漂移误差减少了9.5%，实现了亚米级重建精度和高分辨率纹理保持，这对于牡蛎储量估算等应用至关重要。
-
贝叶斯神经卡尔曼滤波器增强了无人机在嘈杂环境下的状态估计
研究人员开发了一种新的贝叶斯神经卡尔曼滤波器（BNKF），以改善无人机（UAV）在挑战性环境下的状态估计。该混合框架结合了贝叶斯神经网络（BNNs）的که不确定性量化能力和一个卡尔曼校正步骤。BNKF旨在比传统的卡尔曼滤波器更有效地处理非线性运动和嘈杂的传感器数据，在退化的传感条件下提供更高的准确性和精度。
-
物理信息神经网络估算液液分离相高度
研究人员开发了一个利用物理信息神经网络（PINNs）估算液液分离过程中密集堆积区高度的新颖框架。该方法将预先在合成数据和简化的机械模型上训练的PINN与现成的体积流量测量相结合。然后，该系统使用有限的实验数据进行微调，并集成到扩展卡尔曼滤波器中，以实现无需直接测量即可进行准确的实时相高度跟踪。