Kalman Filters
PulseAugur coverage of Kalman Filters — every cluster mentioning Kalman Filters across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新框架将卡尔曼滤波器映射到 NPU 以实现实时跟踪
研究人员开发了 KATANA，一个新颖的框架，能够有效地在现代 AI-PC SoC 中发现的神经网络处理单元 (NPU) 上执行卡尔曼滤波器。该方法旨在克服在实时跟踪系统中使用传统 CPU 或定制硬件的局限性，而这些系统在自动驾驶和国防等应用中至关重要。通过针对 NPU 优化卡尔曼滤波器算法，KATANA 在速度和功耗效率方面取得了显著改进，从而将 CPU 和 GPU 解放出来用于其他任务。
-
新的贝叶斯滤波方法可适应动态噪声
研究人员开发了一种新的贝叶斯滤波方法，通过解决传统噪声模型的局限性来增强序列状态估计。该方法为滤波器的噪声模型引入了结构化参数化，允许动态适应非平稳过程。实证结果表明，在嘈杂、时变环境中的性能有所提高。
-
新的卡尔曼滤波器变体增强了机器人学和神经科学中的状态估计
研究人员开发了两个用于改进复杂系统状态估计的新框架。其中，频率加权神经卡尔曼滤波器（FW-NKF）将频谱整形集成到卡尔曼滤波器中，以更好地处理频率依赖性噪声和模型不匹配，在机器人应用中定位误差减少高达10%。另一个是计算感知状态空间模型（CASSM），它提供了一种用于神经动力学建模的贝叶斯方法，在大状态空间中与深度网络相当，同时提供了改进的不确定性校准，特别适用于神经科学数据集。
-
Kalman 滤波门控收缩创新统计，研究发现
一篇新论文详细介绍了 Kalman 滤波中的验证门控如何导致创新统计的收缩。研究表明，低于某个阈值的测量值在用于状态更新时，会导致创新统计受门控条件而非名义值的影响。这种导致创新协方差确定性收缩的效应，由于最近邻关联方法而进一步加剧。
-
新型自适应卡尔曼滤波器可提高通信中断期间的无人机状态估计能力
研究人员开发了一种新型自适应卡尔曼滤波器，即 N-Deep Recurrent Sage-Husa Filter (NDR-SHKF)，旨在提高无人机 (UAV) 的状态估计能力。该先进滤波器用一个由分层循环网络管理的学习记忆衰减策略取代了传统方法的静态遗忘因子。NDR-SHKF 的架构区分了短期传感器异常和长期动态趋势，从而在遥测中断和不同噪声条件下实现更鲁棒的性能。在模拟混沌吸引子和真实无人机飞行数据上的评估表明，其性能优于现有的…
-
混合LSTM模型在NBA球员运动预测中领先
研究人员探索了各种神经网络架构用于动态运动预测，特别是在NBA球员轨迹的背景下。卡尔曼滤波器等传统方法难以处理体育运动的非线性动力学，而LSTM、GNN和Transformer等机器学习模型提供了更大的灵活性。一种增强了上下文信息的混合LSTM模型实现了1.51米的最低最终位移误差，优于GAT和Transformer等其他先进架构，尽管没有单一模型在所有指标上都表现最佳。
-
PiGGO框架增强了非线性动态结构的虚拟传感能力
研究人员开发了PiGGO，一个结合了物理信息图神经网络和卡尔曼滤波器的创新框架，用于复杂非线性系统中的增强状态估计。该方法通过将学习到的动力学与递归贝叶斯滤波相结合，解决了数字孪生部署中的挑战，如模型不确定性和稀疏传感。PiGGO在数值案例研究中实现了比传统方法更鲁棒的在线虚拟传感和不确定性感知状态估计。