Latent-KalmanNet：用于高维信号跟踪的学习型卡尔曼滤波
信号处理
2023-04-21 v2
摘要
卡尔曼滤波(KF)是一种广泛使用的算法，用于跟踪由状态空间(SS)模型描述的动态系统。需要完整描述SS模型限制了其在复杂环境下的适用性，例如基于视觉数据进行跟踪时，且高维信号的处理通常会引起显著延迟。这些挑战可通过将测量映射为满足某些假定闭式SS模型的潜在特征，并在潜在空间中应用KF来处理。然而，该近似SS模型的有效性可能构成限制因素。在本文中，我们研究在复杂环境下利用基于模型/数据驱动的混合方法从高维测量中进行跟踪。通过逐步应对观测模型与任务处理中的挑战，我们开发了Latent-KalmanNet，它通过利用数据联合学习KF与潜在空间映射，实现从高维测量中进行跟踪。Latent-KalmanNet将学习型编码器与利用近期提出的KalmanNet在潜在空间中进行数据驱动跟踪相结合，同时明确了这些可训练模块各自通过提供合适先验(由KalmanNet)和学习有助于数据辅助跟踪的潜在表示(由编码器)来辅助对方的能力。我们的实证结果表明，所提出的Latent-KalmanNet通过学习最有助于跟踪的替代潜在表示，在以有限复杂度和延迟运行的同时，相比基于模型与数据驱动的技术均实现了更高的精度与运行性能。
引用
@article{arxiv.2304.07827,
title = {Latent-KalmanNet: Learned Kalman Filtering for Tracking from High-Dimensional Signals},
author = {Itay Buchnik and Damiano Steger and Guy Revach and Ruud J. G. van Sloun and Tirza Routtenberg and Nir Shlezinger},
journal= {arXiv preprint arXiv:2304.07827},
year = {2023}
}
备注
Under review for publication in the IEEE