RCUKF: 数据驱动建模 meets 贝叶斯估计
机器学习
2025-08-08 v1 系统与控制
系统与控制
机器学习
摘要
准确建模是许多工程和科学应用中的关键任务,但为复杂系统获取可靠的过程模型往往具有挑战性。为此,我们提出了一种新框架,即结合数据驱动建模与无意义卡尔曼滤波的储备计算(RCUKF)。RC组件直接从数据中学习非线性系统动力学,作为UKF预测步骤中的代理过程模型,以在高维或混沌 regime 中生成状态估计,因为在这种情况下,名为的数学模型可能失效。与此同时,UKF测量更新将实时传感器数据整合进来,纠正数据驱动模型中的潜在漂移。我们在著名的基准问题和一个真实的车辆轨迹估计任务中展示了RCUKF的有效性,后者在高保真仿真环境中进行。
引用
@article{arxiv.2508.04985,
title = {RCUKF: Data-Driven Modeling Meets Bayesian Estimation},
author = {Kumar Anurag and Kasra Azizi and Francesco Sorrentino and Wenbin Wan},
journal= {arXiv preprint arXiv:2508.04985},
year = {2025}
}
备注
6 pages, 6 figures. Accepted at IFAC MECC 2025 (Modeling, Estimation and Control Conference)