模型无关神经滤波：与非线性系统中的经典滤波器比较

神经网络模型日益增多地用于控制和决策中的状态估计，但仍不清楚它们在非线性动力学系统中是否表现为原则化的滤波器。与经典滤波器不同，后者依赖于明确的动力学和噪声模型，而神经估计器可以完全基于数据进行训练。我们在多个非线性情景下，对模型无关的神经估计器与经典滤波方法进行系统比较。在神经方面，我们评估了基于Transformer的模型、循环神经网络和状态空间模型；在经典方面，我们对比了粒子滤波器和非线性卡尔曼滤波器。结果表明，结构化状态空间模型（SSMs），特别是Mamba和Mamba-2，在神经估计器中始终表现强劲。它们在几个非线性系统中接近强大的经典滤波器，同时在没有系统模型访问的情况下超过较弱的经典基线，而评估的神经实现在测试硬件上实现了显著更高的推理吞吐量。准确的模型基准滤波器在其假设匹配良好时仍然占据优势。我们归因于SSMs相对强大的原因是滤波对齐的归纳偏差：递归的潜在状态更新使其在固定参数预算、有限数据和长期范围评估下，结构上更接近经典滤波器。