基于最优传输的可微自适应卡尔曼滤波
机器学习
2025-08-12 v1 信号处理
摘要
学习式滤波在非线性动力系统中展现出强大的性能，尤其在噪声统计信息未知时。然而，在实际部署中，诸如变化风力或电磁干扰等环境因素可导致噪声统计信息漂移，进而显著降低学习式方法的性能。为此，我们提出 OTAKNet，首个解决学习式自适应卡尔曼滤波中噪声统计漂移的在线解决方案。不同于执行离线微调、基于整个轨迹的批量点对匹配的现有学习式方法，OTAKNet 将状态估计与漂移通过一步预测测量似然性关联起来，并利用最优传输加以解决。这一方法利用 OT 的几何感知成本和稳定梯度，实现无需真值标签或重新训练的全在线适应。我们将 OTAKNet 与经典模型基准自适应卡尔曼滤波和离线学习式滤波进行比较。结果在合成数据和真实世界的 NCLT 数据集上得到验证，尤其在训练数据有限时表现突出。
引用
@article{arxiv.2508.07037,
title = {Differentiable Adaptive Kalman Filtering via Optimal Transport},
author = {Yangguang He and Wenhao Li and Minzhe Li and Juan Zhang and Xiangfeng Wang and Bo Jin},
journal= {arXiv preprint arXiv:2508.07037},
year = {2025}
}
备注
20 pages