结合样条、机器学习特征回归与模型知识的物理样条用于物体轨迹数据去噪

Jonas Torzewski

结合样条、机器学习特征回归与模型知识的物理样条用于物体轨迹数据去噪

系统与控制 2025-04-10 v1 人工智能系统与控制

作者: Jonas Torzewski

摘要

本文提出了一种从噪声测量数据中估计动态驾驶状态（位置、速度、加速度和航向角）的方法。该方法适用于完整观测和部分观测情况,产生具有动力学一致性的 refined 轨迹信号,确保速度是加速度的积分,位置是速度的积分。此外,该方法考虑到车辆只能沿其方向运动的约束。该方法实现为一个可配置的 Python 库,也可仅基于位置数据进行轨迹估计。应用正则化以防止状态产生极端变化。其关键应用是增强用于机器学习模型作为参考输入的记录轨迹数据。最后,本文呈现了该方法的结果并与真实数据进行比较。

关键词

轨迹估计物理样条动力学一致性去噪机器学习

引用

@article{arxiv.2504.06404,
  title  = {Physical spline for denoising object trajectory data by combining splines, ML feature regression and model knowledge},
  author = {Jonas Torzewski},
  journal= {arXiv preprint arXiv:2504.06404},
  year   = {2025}
}

备注

7 pages, 7 figures, https://github.com/jonasTorz/physical_spline

结合样条、机器学习特征回归与模型知识的物理样条用于物体轨迹数据去噪

摘要

关键词

引用

备注

相关论文