结合基础模型与 UKF 驶向零样本状态估计

控制与系统工程中的状态估计传统上需要大量的手动系统辨识或数据采集工作。然而，其他领域中基于 Transformer 的基础模型通过利用预训练的通用模型减少了数据需求。最终，开发系统动力学的零样本基础模型可以大幅减少手动部署的工作量。虽然最近的工作表明基于 Transformer 的端到端方法可以在未见系统上实现零样本性能，但它们局限于训练期间见过的传感器模型。我们引入了基础模型无迹卡尔曼滤波器 (FM-UKF)，它通过 UKF 将基于 Transformer 的系统动力学模型与解析已知的传感器模型相结合，实现了跨不同动力学的泛化，而无需针对新的传感器配置进行重新训练。我们在一个具有复杂动力学的集装箱船模型新基准上评估了 FM-UKF，证明了与具有近似系统知识的经典方法以及端到端方法相比，它在准确度、工作量和鲁棒性之间实现了有竞争力的折衷。该基准和数据集已开源，以进一步支持未来通过基础模型进行零样本状态估计的研究。