FlexKalmanNet：应用于航天器运动估计的模块化 AI 增强卡尔曼滤波框架
机器人学
2024-05-07 v1 地球与行星天体物理
摘要
航天器相对运动估计日益依赖于特征匹配计算机视觉，这些视觉数据被输入递归滤波算法。尽管卡尔曼滤波在噪声补偿方面效率高，但需要对系统和噪声模型进行大量调参。本文引入 FlexKalmanNet，一个新型模块化框架，通过将深度全连接神经网络与卡尔曼滤波基于运动估计算法相结合来弥补这一差距。FlexKalmanNet 的核心创新在于其能够直接从测量数据中学习任何卡尔曼滤波参数，并能够灵活运用各种卡尔曼滤波变体。这一目标通过将顺序计算从神经网络外包到卡尔曼滤波变体来实现，从而实现纯 feedforward 神经网络架构。该架构擅长处理复杂的非线性特征，无需依赖循环网络模块，能够更有效地捕获全局数据模式。经验评估使用来自 NASA Astrobee 模拟环境的数据，聚焦于学习扩展卡尔曼滤波器 (EKF) 用于航天器姿态和扭转估计的未知参数。结果表明，FlexKalmanNet 在训练收敛速度、准确率和对手动微调的 EKF 性能方面均表现出色。
引用
@article{arxiv.2405.03034,
title = {FlexKalmanNet: A Modular AI-Enhanced Kalman Filter Framework Applied to Spacecraft Motion Estimation},
author = {Moritz D. Pinheiro-Torres Vogt and Markus Huwald and M. Khalil Ben-Larbi and Enrico Stoll},
journal= {arXiv preprint arXiv:2405.03034},
year = {2024}
}