基于自注意力机制和格子轨迹分段线性近似的非线性卡尔曼滤波
系统与控制
2024-04-08 v1 系统与控制
摘要
传统卡尔曼滤波（KF）在控制系统中得到广泛应用，但其性能高度依赖于系统模型和噪声参数的准确性，在面临不准确的情况时可能导致性能下降。为此，引入神经网络到 KF 框架中提供了数据驱动的解决方案，以补偿这些不准，提高滤波器的性能，同时保持可解释性。然而，现有研究大多使用循环神经网络（RNN），无法充分捕捉状态序列之间的依赖关系，导致训练过程不稳定。本文提出了一种名为注意力卡尔曼滤波（AtKF）的新型卡尔曼滤波算法， incorporates 自注意力网络以捕捉状态序列之间的依赖关系。为解决递归训练过程的不稳定性，设计了一种并行预训练策略。具体而言，该策略通过格子轨迹分段线性（LTPWL）表达式对系统进行分段线性化，并通过批处理估计算生成预训练数据，利用自注意力机制的并行处理能力。在二维非线性系统上的实验结果表明，AtKF 在噪声干扰和模型不匹配情况下优于其他滤波器。
引用
@article{arxiv.2404.03915,
title = {Nonlinear Kalman Filtering based on Self-Attention Mechanism and Lattice Trajectory Piecewise Linear Approximation},
author = {Jiaming Wang and Xinyu Geng and Jun Xu},
journal= {arXiv preprint arXiv:2404.03915},
year = {2024}
}
备注
7 pages, 4 figures