含未知输入的状态估计问题一直是系统工程领域中具有基础性和挑战性的研究课题。在实际系统中，无论是线性系统、非线性系统，还是含直接馈通输入的系统，未知输入都会对状态估计精度产生显著影响，因此开展相关研究具有重要的理论意义与工程价值。然而，传统滤波方法通常高度依赖精确的系统模型和噪声统计信息，而实际系统往往存在建模误差、参数不确定以及复杂噪声干扰等问题，这使得传统方法在复杂场景下的估计性能受到明显限制。尤其是实际噪声通常并不服从单一分布，而可能表现为多种噪声混合叠加的形式，进一步增加了状态估计的难度。
随着计算能力的提升，机器学习方法在状态估计中的应用受到越来越多关注。这类方法在一定程度上突破了传统卡尔曼滤波对精确模型的强依赖，尤其在处理高度非线性问题时，神经网络展现出较强的非线性拟合与特征提取能力。基于此，本文提出一种面向未知输入系统的改进型卡尔曼网络方法，构建了数据驱动与模型驱动相结合的状态估计框架。该方法利用深度神经网络学习未知输入对系统状态的影响，从而减弱对未知输入先验信息和噪声统计特性的依赖，并在一定程度上避免了传统方法中计算量较大的矩阵求逆以及系统线性化处理过程。
进一步地，本文将模型无关元学习策略引入改进型卡尔曼网络的训练过程中，使所提出的方法在面对新任务或噪声特性变化时，仅需少量样本和少量迭代即可实现快速适应，从而缓解了传统神经网络方法在新场景下需要大量数据重新训练的问题。数值实验结果表明，所提出方法在模型不确定、噪声分布未知以及输入不可观测等条件下均表现出较优的状态估计性能。与传统卡尔曼网络及其元学习扩展方法相比，该方法具有更好的估计精度与适应能力；同时，在非线性系统、模型失配和真实数据集等不同场景下的实验验证也表明，所提出方法具有较强的鲁棒性和推广能力。
UIKNet结构包含一个RNN。RNN采用门控循环单元 (GRU)来跟踪二阶矩的统计信息，总共包含四个GRU。 通过一个全连接层，提取与过程噪声相关的信息；提取出的信息作为第一个GRU的输入，该GRU隐式地估计过程噪声协方差矩阵。也通过一个全连接层来提取关于系统状态函数的信息；提取出的特征被送入第二个GRU，该GRU隐式地估计先验状态误差协方差矩阵 。通过一个全连接层，提取与观测噪声和系统观测函数相关的信息；该信息被用作第三个GRU的输入，该GRU隐式地估计先验观测误差协方差矩阵 。第四个GRU隐式地估计无偏状态误差协方差矩阵 。
➢ 提出的改进卡尔曼网络对系统输入未知的时不变系统的观测数据进行学习，使其可以在噪声分布未知，系
统模型不完全已知的条件下进行状态估计。学习方法采用无监督学习，并未用到真实状态变量数据，仅使
用观测数据进行训练。
➢ 在UZH-FPV 非线性系统下，使用真实的无人机竞速数据集中的第五条室内飞行轨迹来评估改进卡尔曼网
络，在存在例如阵风，气流变化等环境扰动条件下，改进卡尔曼网络的估计均方误差为0.4，卡尔曼网络的
估计均方误差为1.38，无偏最小方差无迹卡尔曼滤波的估计均方误差为0.76。
➢ 改进型的卡尔曼网络可以应用在系统建模具有不确定性，噪声分布较为复杂，例如泥泞，坑洼地形下的传
感器的状态估计滤波， 经过离线学习好的网络部署在实际终端之后，可以通过传感器实时获取的数据在
线学习，更新网络参数。
➢ 论文已被IEEE International Conference on Tools with Artificial Intelligence（ICTAI）接收（CCF C 第一作者）
声明：本文仅代表作者观点，不代表本站立场。如果侵犯到您的合法权益，请联系我们删除侵权资源！如果遇到资源链接失效，请您通过评论或工单的方式通知管理员。未经允许，不得转载，本站所有资源文章禁止商业使用运营!
下载安装【程序员客栈】APP
实时对接需求、及时收发消息、丰富的开放项目需求、随时随地查看项目状态
评论