卡尔曼固定滞后区间平滑的贝叶斯知识迁移
系统与控制
2025-06-18 v1 系统与控制
摘要
提出一种贝叶斯知识迁移机制，利用外部信息来提高卡尔曼固定滞后区间平滑（FLIS）的性能。假设外部观测模型的确切知识缺失，这会阻碍传统迁移学习方法中直接应用贝叶斯规则。通过全概率设计来克服这一限制，将目标状态估计任务条件化为依赖于外部信息。为缓解不准确外部数据的负面影响同时利用精确信息，引入了一个隐变量。有利的是，与滤波器不同，FLIS 对过去的决定进行回溯式修正，直到固定时间范围，从而减少估计误差的累积，从而提高状态推断性能。仿真结果表明，所提出的算法比类似技术更好地利用了精确的外部知识，在信息不准确时实现了可比的结果。
引用
@article{arxiv.2506.14572,
title = {Bayesian Knowledge Transfer for a Kalman Fixed-Lag Interval Smoother},
author = {Ondřej Skalský and Jakub Dokoupil},
journal= {arXiv preprint arXiv:2506.14572},
year = {2025}
}
备注
6 pages, 1 figure. Accepted for publication in IEEE Control Systems Letters. To be presented at the IEEE 64th Conference on Decision and Control