Unscented Kalman Filter
PulseAugur coverage of Unscented Kalman Filter — every cluster mentioning Unscented Kalman Filter across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
Unscented KalmanNet 通过混合深度学习增强非线性状态估计
研究人员开发了 Unscented KalmanNet (UKN)，这是一种新颖的混合深度学习滤波器，旨在改进非线性动力系统的状态估计。UKN 将两个学习组件 NoiseNet 和 GainNet 集成到现有的 Unscented Kalman Filter (UKF) 框架中。这种方法旨在提高估计精度和协方差校准，这两者通常会因噪声和模型不匹配而降低。在合成数据和真实飞行数据上与其他滤波器进行基准测试，UKN 证明了状态估计误差和均…
-
新系统利用卫星图像实现无GPS空中地理定位
研究人员开发了一个名为NGPS（下一代定位系统）的新系统，用于高空无人机（UAV），实现了无GPS的绝对定位。该系统通过将无人机捕获的向下拍摄的图像与使用深度特征的地理参考卫星图像进行匹配来实现这一点。NGPS集成了自适应置信度加权UKF融合、速度预测核提取以及异步多速率时间优先级队列，以融合绝对位置、VIO和IMU更新。该框架支持实时2.5D地理参考正射镶嵌重建，并在测试中显示出比独立单目VIO显著的改进。
-
无味卡尔曼滤波器增强非线性系统状态估计
无味卡尔曼滤波器是一种用于非线性系统状态估计的方法。它改进了扩展卡尔曼滤波器，在某些应用中提供了更好的准确性和鲁棒性。
-
新AI系统通过自适应传感器融合增强自主导航能力
研究人员开发了一种新的混合深度学习系统，用于自主导航，该系统结合了Vision Transformer和无迹卡尔曼滤波器。该系统通过捕获IMU数据的时序依赖性并从视觉输入中学习运动线索来增强姿态估计。一个自适应融合模块根据估计的不确定性动态调整传感器数据的权重，从而提高在挑战性环境中的鲁棒性。该方法还包含一个不确定性感知的损失函数，以实现对嘈杂或不完整传感器数据的更精确导航。
-
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）。
-
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。