用于鲁棒无人机状态估计的 Sage-Husa Kalman 滤波器学习记忆衰减
信号处理
2026-05-19 v1 机器学习
摘要
动态环境中的无人机面临遥测中断、结构振动和状态相关噪声，这些因素使得经典 Kalman 滤波器的平稳协方差假设失效。Sage-Husa Kalman 滤波器（SHKF）在线估计噪声统计量，但其对静态标量遗忘因子的依赖迫使在稳态稳定性和瞬态响应性之间做出严格妥协。我们引入了 N 层深度循环 Sage-Husa 滤波器（NDR-SHKF），它用由在白化新息序列上操作的分层循环网络学习的向量化记忆衰减策略取代了该标量参数。分叉架构将浅层循环状态路由以捕获瞬时传感器异常，将深层状态路由以编码持续的动态趋势，同时辅助重建目标防止特征坍塌。完整的滤波器，包括递归协方差更新，通过时间的反向传播进行端到端训练，以直接最小化状态估计误差。在拓扑结构不同的混沌吸引子上的评估证明了跨域泛化能力，优于在分布外动态下发散的纯数据驱动基线。此外，在记录的真实世界无人机飞行数据集上的评估验证了该框架的实际可行性，证明了其具备过渡到本体感知航位推算的能力，并在传感器中断期间优于经典的自适应估计器。
引用
@article{arxiv.2605.18704,
title = {Learned Memory Attenuation in Sage-Husa Kalman Filters for Robust UAV State Estimation},
author = {Kenan Majewski and Marcin Żugaj},
journal= {arXiv preprint arXiv:2605.18704},
year = {2026}
}
备注
49 pages, 9 figures. Preprint submitted to Aerospace Science and Technology