基于Bussgang-Kalman框架的能源高效1位感知状态估计：面向物联网
信号处理
2026-04-07 v2
摘要
来自离散化测量的精准状态估计是资源受限物联网（IoT）感知与跟踪中的关键挑战，电池供电设备可采用低分辨率模拟到数字转换器（ADC）以简化传感器硬件并减少数据量。然而，现有的基于模型的估计方法和混合学习方法的估计器通常假设高分辨率观测，在1位量化情况下会严重退化。本文研究1位观测下的非线性状态估计，构建了针对IoT感知前端的Bussgang协助滤波框架。对于完全已知的系统模型，我们提出Bussgang协助卡尔曼滤波器（BKF），显式地将量化失真纳入递归估计中，同时提出降低复杂度版本（reduced-BKF）以实现高效实现。对于部分已知模型，我们进一步提出Bussgang协助卡尔曼Net（BKNet），一种结合自适应抖动与门控循环单元（GRU）的模型驱动深度学习架构，以缓解严重的量化效应和模型不匹配。在1位前端量化下的 Lorenz 吸引子和密歇根NCLT数据集实验表明，所提方法在高度非线性动力学、不完美模型和极端量化条件下能够实现准确且稳健的状态估计。这些结果支持所提框架在面向低分辨率前端的资源受限IoT感知与跟踪应用中实现可靠状态估计的潜力。
引用
@article{arxiv.2507.17284,
title = {Energy-Efficient State Estimation with 1-Bit Sensing: A Bussgang-Kalman Framework for Internet of Things},
author = {Chaehyun Jung and TaeJun Ha and Hyeonuk Kim and Jeonghun Park},
journal= {arXiv preprint arXiv:2507.17284},
year = {2026}
}