state-estimation

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。

提出生成式贝叶斯滤波（GBF）框架，该框架用预训练的条件生成模型替代限制性的观测模型进行状态估计，在合成数据和实际应用中提高了准确性和鲁棒性。

STOCKTAKE是一个为期26周的供应链基准测试，采用带公平预言机的部分可观测马尔可夫决策过程（POMDP），分别衡量LLM智能体在感知和行动上的失败。结果表明，智能体通常能正确诊断隐藏状态的变化，但未能采取适当行动，显示出陈述信念与高成本行动之间的差距。

简要介绍四旋翼建模、状态估计、运动规划和控制，为新手提供入门起点。

本文提出CA-NKCF，一种结合部分领域知识与深度神经网络的新型分布式潜在状态估计器，无需噪声统计知识即可实现鲁棒性能，在线性、混沌及无线追踪环境中优于传统滤波器。

本文研究使用强化学习训练可观察的控制策略，从而能够通过智能体的动作估计其状态，并在通信受限条件下应用于多智能体协调与监控。

本文针对基于ELTO的卡尔曼滤波器的噪声模型引入了一种结构化参数化方法，使其能够动态适应非平稳过程，提升在噪声时变环境中的状态估计性能。

本文提出了一种理论框架，解释 Transformer 组件（注意力机制、残差连接、归一化）如何源于使用径向-切线随机微分方程（Radial-Tangential SDEs）的球面状态估计问题。

本文描述了一个个人项目，旨在解决仅基于距离的相对定位问题，使用两个带有IMU和UWB的微控制器，通过距离和运动数据让设备相互找到对方，灵感来源于马可波罗游戏。

本文介绍了 Christoffel-DPS，这是一个用于扩散后验采样中最优传感器放置的无分布依赖框架，其性能优于传统的基于高斯假设的方法。它为使用生成式模型从复杂非高斯分布中重建状态提供了理论保证和实际改进。