自适应 KalmanNet：具有快速适应能力的数据驱动卡尔曼滤波器
信号处理
2024-01-10 v3
摘要
将经典卡尔曼滤波器（KF）与深度神经网络（DNN）结合，可在部分已知状态空间（SS）模型中进行跟踪。当前 DNN 辅助设计的一个主要局限在于需要针对源自特定分布与底层 SS 模型的数据进行训练。因此，模型参数变化可能需耗费大量时间重新训练。虽然 KF 通过参数调节实现适应，但 DNN 的黑箱特性使可调节组件的识别十分困难。为此，我们提出自适应 KalmanNet（AKNet），一种无需重新训练即可适应 SS 模型变化的 DNN 辅助 KF。受大语言模型微调范式近期进展的启发，AKNet 使用紧凑超网络生成上下文相关的调制权重。数值评估表明，即使在仅利用有限噪声设置的数据训练时，AKNet 也能在连续噪声分布范围内提供一致的状态估计性能。
引用
@article{arxiv.2309.07016,
title = {Adaptive KalmanNet: Data-Driven Kalman Filter with Fast Adaptation},
author = {Xiaoyong Ni and Guy Revach and Nir Shlezinger},
journal= {arXiv preprint arXiv:2309.07016},
year = {2024}
}
备注
Accepted by ICASSP 2024