基于卡尔曼滤波的轨道几何监测传感器融合：集成车载状态监测与退化模型
机器学习
2025-08-20 v2 人工智能
分布式、并行与集群计算
摘要
轨道几何监测是维持铁路运营安全与效率的关键环节。虽然轨道记录车（TRC）提供精确的轨道几何指标测量，但其获取有限且运行成本高，限制了在大规模铁路网络中进行频繁监测的能力。近期在运行中的列车上安装的车载传感器系统为提供一种成本效益更高的替代方案，使可实现高频（尽管不够精确）的数据采集。本研究提出一种方法，通过卡尔曼滤波框架将低精度传感器振动信号与退化模型相集成，以提升轨道几何预测的可靠性。使用安装于TRC上的低成本传感器系统开展了实验考察。结果表明，纳入频繁传感器数据显著降低了预测不确定性，即便数据本身噪声较大也亦如此。本研究还探讨了数据记录频率对可信预测区间大小的影响，为有效部署车载传感器以实现轨道监测与维护规划提供了指导。
引用
@article{arxiv.2506.08027,
title = {Recipes for Pre-training LLMs with MXFP8},
author = {Asit Mishra and Dusan Stosic and Simon Layton and Paulius Micikevicius},
journal= {arXiv preprint arXiv:2506.08027},
year = {2025}
}