Kalman Filtering
PulseAugur coverage of Kalman Filtering — every cluster mentioning Kalman Filtering across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的Bryson-Frazier平滑器增强了高斯过程回归的稳定性
研究人员为时间高斯过程回归开发了一种改进的Bryson-Frazier（MBF）平滑器。该方法通过避免有问题的协方差矩阵求逆，提供了比Rauch-Tung-Striebel（RTS）平滑器更数值稳定的替代方案。MBF平滑器还降低了计算成本和内存需求，同时实现了高效的核超参数学习。
-
树莓派成为原生边缘计算机器学习气象站
一个项目已将树莓派 Zero 2 W 和 Sense HAT V2 改造成了一个独立的、原生边缘计算的机器学习气象站。该设置在没有云连接或重型机器学习框架的情况下运行，利用纯 NumPy 实现进行高级统计建模，包括卡尔曼滤波和共形预测。该系统持续更新其本地大气模型，生成校准的不确定性区间，并在 Sense HAT 的 LED 矩阵上显示动画预测，整个项目是开源的。
-
DiFA 框架受卡尔曼滤波启发，增强扩散模型推理能力
研究人员推出了一种新颖的、无需训练的扩散模型框架 DiFA（前向过程对齐扩散预测）。DiFA 将推理过程重构为受卡尔曼滤波启发的顺序状态估计问题，以建立预测的时间一致性。该方法旨在通过将推理与前向扩散过程的统计结构对齐来提高生成保真度，在 CIFAR-10 和 ImageNet 数据集上取得了显著的提升。
-
新的机器学习框架增强了在无GPS环境下的车辆定位能力
研究人员开发了两个新颖的机器学习框架，以提高车辆定位能力，特别是在GPS信号不可靠的环境中。第一个框架PRML2结合了卡尔曼滤波和物理正则化机器学习，利用车载传感器来提高准确性和泛化能力。第二个框架EVC-Mamba利用证据Mamba模型创建一个虚拟速度传感器，用于校正IMU漂移，并提供不确定性量化和实时部署能力。这两种方法都旨在为自主系统提供稳健且经济高效的定位解决方案。
-
新的分层变分卡尔曼滤波提高了估计精度
研究人员开发了一种新颖的分层变分卡尔曼滤波方法，以克服传统方法在过程协方差估计不一致和收敛缓慢方面的局限性。新方法引入了无过程噪声状态的代理变量，从而可以显式建模和推断过程噪声统计量。此外，它将坐标上升变分推断（CAVI）重新表述为具有单步超参数拟合的边际最大后验问题，从而加快了收敛速度并提高了估计精度。
-
双层自回归模型学习卡尔曼滤波
研究人员证明，当在部分观测到的线性动力系统的训练数据上进行训练时，双层线性自回归模型可以学会近似卡尔曼滤波。该研究表明，即使模型没有明确了解底层动力学，其学习到的隐藏表示也与最优卡尔曼滤波器产生的状态估计一致。这一发现得到了关于自回归模型卡尔曼滤波近似的理论见解、双层模型的良性优化景观以及预测和状态恢复误差的有限样本保证的支持。
-
新的解析双射增强了归一化流模型
研究人员为归一化流开发了新的解析双射，解决了创建表达性且可逆的变换的挑战。这些新方法提供了全局平滑性和闭式解析可逆性，克服了仿射变换或单调样条等先前方法的局限性。特别是引入的径向流架构，展示了卓越的训练稳定性和几何可解释性，以显著更少的参数实现了与更复杂模型相当的质量，并在物理模拟等应用中显示出前景。
-
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。
-
DVPO和EVPO通过新颖的RL优化技术推进LLM训练后
研究人员引入了DVPO，这是一个新的强化学习框架，旨在改进大型语言模型（LLM）的训练后，特别是在处理嘈杂或不完整的监督信号时。DVPO利用分布值建模和不对称风险正则化来平衡鲁棒性和泛化性，旨在避免现有方法可能产生的过于保守的策略。在对话、数学推理和科学问答任务上的实验表明，在嘈杂条件下，DVPO的表现优于PPO和GRPO等标准方法。