退化感知环境下无人机状态估计的神经辅助卡尔曼滤波
机器学习
2026-05-01 v1
摘要
非线性动力学系统的精确状态估计是现代航空航天在空、海、天领域运行的基础。对敌方无人机(UAV)的在线跟踪尤其具有挑战性，原因在于其敏捷的非线性运动、噪声大且稀疏的传感器测量以及未知的控制输入；这些条件违反了经典卡尔曼滤波变体的关键假设，并降低了估计性能。神经网络(NN)可以从数据中学习复杂的非线性关系，但缺乏原则性的不确定性量化，而这对于置信边界驱动下游决策的状态估计任务至关重要。我们通过贝叶斯神经网络(BNN)来解决这个问题，该网络通过对网络权重的分布建模，并通过蒙特卡洛采样产生预测均值和不确定性。在此基础上，我们提出了贝叶斯神经卡尔曼滤波器(BNKF)：一个将训练好的BNN与卡尔曼校正步骤相结合的混合框架，用于鲁棒的在线无人机状态估计。与相关的神经卡尔曼方法不同，BNKF产生完整的状态预测，并将贝叶斯不确定性直接纳入协方差传播，从而提高了高噪声条件下的鲁棒性。我们使用合成的非线性无人机飞行数据，在不同的雷达噪声水平和采样率下评估了BNKF。五折交叉验证表明，在感知退化条件下，BNKF在准确性、精确度和真值覆盖率方面均优于扩展卡尔曼滤波器和无迹卡尔曼滤波器。一种集成变体(BNKFe)在略微牺牲准确性的情况下，进一步提高了高噪声边缘情况下的精确度。运行时分析证实了极小的推理开销，支持实时部署的可行性。
引用
@article{arxiv.2604.28107,
title = {Neural Aided Kalman Filtering for UAV State Estimation in Degraded Sensing Environments},
author = {Akhil Gupta and Erhan Guven},
journal= {arXiv preprint arXiv:2604.28107},
year = {2026}
}