Unscented KalmanNet：一种具有校准后验协方差的混合深度学习滤波器，用于非线性状态估计

arXiv cs.LG 论文
state-estimation kalman-filter deep-learning nonlinear-dynamics uncertainty-calibration hybrid-filter

摘要

本文介绍了 Unscented KalmanNet (UKN)，一种混合深度学习滤波器，它通过可学习组件增强无迹卡尔曼滤波器，在未知噪声统计和模型失配下提高状态估计精度和协方差校准。实验表明，与 UKF 和其他 KalmanNet 变体相比，RMSE 显著降低。

arXiv:2608.04201v1 公告类型：新 摘要：非线性动力系统的状态估计通常使用无迹卡尔曼滤波器（UKF），它通过确定性 sigma 点传播状态矩，并在每一步报告后验协方差。然而，在实践中，未知且时变的噪声统计和模型失配会降低估计精度和协方差校准。现有的学习型滤波器提高了精度，但大多基于扩展卡尔曼滤波器构建，要么放弃显式协方差，要么在不修正失配引起的增益偏差的情况下学习不确定性。本文介绍了无迹卡尔曼网络（UKN），一种混合递归估计器，它在保留显式 sigma 点协方差递归的同时，用两个结构不同的可学习组件增强 UKF。噪声网络（NoiseNet）将时变的过程和测量协方差预测为对固定基线的有界乘性校正，保证正定性，而增益网络（GainNet）对解析增益施加有界残差校正。一种校准感知的训练目标通过自适应权重将状态误差与协方差一致性和创新一致性项相结合，联合优化精度和校准。UKN 在三个合成系统和 UZH-FPV 真实飞行数据上与 UKF、KalmanNet 和贝叶斯 KalmanNet 进行了基准测试。它在所有四个示例中实现了最低的聚合状态估计误差，并且在合成案例中，与 UKF 相比，RMSE 降低了 $26.4$-$49.7\%$。对 11 次飞行的留一序列交叉验证显示，平均位置和速度 RMSE 分别降低了 $22.4\%$ 和 $34.3\%$。UKN 还产生了最低的逐折变异性，其归一化 NEES 和经验覆盖率在其他滤波器中接近标称值。
查看原文
查看缓存全文

缓存时间: 2026/08/06 07:46 

# 无迹卡尔曼网络（Unscented KalmanNet）：一种具有校准后验协方差的混合深度学习滤波器，用于非线性状态估计
Source: https://arxiv.org/abs/2608.04201
View PDF (https://arxiv.org/pdf/2608.04201)

> 摘要：非线性动力系统的状态估计通常采用无迹卡尔曼滤波器（UKF），它通过确定性sigma点传播状态矩，并在每一步报告后验协方差。然而，在实践中，未知且时变的噪声统计和模型失配会同时降低估计精度和协方差校准。现有的学习型滤波器提高了精度，但大多基于扩展卡尔曼滤波器构建，要么放弃显式协方差，要么在未纠正失配引起的增益偏差的情况下学习不确定性。本文介绍了无迹卡尔曼网络（UKN），一种混合递归估计器，它在保留UKF显式sigma点协方差递归的同时，用两个结构上不同的学习组件增强UKF。NoiseNet预测时变的过程和测量协方差，作为固定基线的有界乘性修正，保证正定性，而GainNet对解析增益应用有界残差修正。校准感知的训练目标通过自适应权重将状态误差与协方差和创新一致性项相结合，联合优化精度和校准。UKN在三个合成系统和UZH-FPV真实飞行数据上与UKF、KalmanNet和Bayesian KalmanNet进行了基准测试。它在所有四个示例中实现了最低的总状态估计误差，并在合成案例中将RMSE与UKF相比降低了26.4%–49.7%。对11次飞行的留一序列交叉验证显示，平均位置和速度RMSE分别降低了22.4%和34.3%。UKN还产生了最低的逐折变异性，归一化NEES和经验覆盖率最接近其他滤波器中的标称值。

## 提交历史

来自：Minhyeok Ko [查看电子邮件 (https://arxiv.org/show-email/c1dd1483/2608.04201)] **[v1]** 2026年8月4日星期二 19:58:01 UTC（7,698 KB）

相似文章

卡尔曼增量网络：不确定性感知的联想记忆

Hugging Face Daily Papers

介绍了卡尔曼增量网络，该网络通过将线性注意力重新表述为带有卡尔曼滤波更新的线性高斯状态空间模型来改进语言建模，以追踪记忆不确定性，从而产生比现有线性注意力模型性能更优的高效近似。