基于递归元适应的鲁棒无素卡尔曼滤波
机器学习
2026-03-05 v1 信号处理
摘要
无素卡尔曼滤波 (UKF) 是非线性状态估计中广泛使用的工具，但其性能受限于无素变换 (UT) 的静态参数化。常规加权方案采用固定比例参数，隐含假设为高斯分布，无法适应时变动力学或重尾测量噪声。本文引入元自适应无素卡尔曼滤波 (MA-UKF) 框架，将 sigma 点权重合成问题 reformulate 为通过记忆增强型元学习求解的超参数优化问题。不同于依赖即时经验性修正的自适应滤波器，本方法运用时序情境编码器压缩测量创新的历史记录至紧凑潜在嵌入向量。该嵌入向量指示策略网络，在每个时间步动态合成 sigma 点的均值和协方差权重，从而有效控制滤波器对预测与测量的信任程度。通过对滤波器的递归逻辑进行端到端优化，MA-UKF 学习实现跟踪精度最大化，同时保持估计一致性。数值基准测试显示，MA-UKF 在机动目标上显著优于常规基线，尤其在非高斯 glint 噪声鲁棒性和对训练期外分布 (OOD) 动力学环境的泛化能力方面表现突出。
引用
@article{arxiv.2603.04360,
title = {Robust Unscented Kalman Filtering via Recurrent Meta-Adaptation of Sigma-Point Weights},
author = {Kenan Majewski and Michał Modzelewski and Marcin Żugaj and Piotr Lichota},
journal= {arXiv preprint arXiv:2603.04360},
year = {2026}
}
备注
8 pages, 3 figures, Submitted to the 29th International Conference on Information Fusion (FUSION 2026)