論文の概要: Recursive KalmanNet: Deep Learning-Augmented Kalman Filtering for State Estimation with Consistent Uncertainty Quantification

• arxiv url: http://arxiv.org/abs/2506.11639v1
• Date: Fri, 13 Jun 2025 10:11:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-16 17:50:49.748486
• Title: Recursive KalmanNet: Deep Learning-Augmented Kalman Filtering for State Estimation with Consistent Uncertainty Quantification
• Title（参考訳）: Recursive KalmanNet: Consistent Uncertainty Quantificationによる状態推定のためのディープラーニング強化Kalmanフィルタ
• Authors: Hassan Mortada, Cyril Falcon, Yanis Kahil, Mathéo Clavaud, Jean-Philippe Michel,
• Abstract要約: 本稿では,正確な状態推定を目的としたKalman-filter-informed Recurrent Neural NetworkであるRecursive KalmanNetを紹介する。 非ガウス的ホワイトノイズを用いた実験では,従来のカルマンフィルタと既存の最先端ディープラーニングに基づく推定器の両方で性能が向上することが示された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: State estimation in stochastic dynamical systems with noisy measurements is a challenge. While the Kalman filter is optimal for linear systems with independent Gaussian white noise, real-world conditions often deviate from these assumptions, prompting the rise of data-driven filtering techniques. This paper introduces Recursive KalmanNet, a Kalman-filter-informed recurrent neural network designed for accurate state estimation with consistent error covariance quantification. Our approach propagates error covariance using the recursive Joseph's formula and optimizes the Gaussian negative log-likelihood. Experiments with non-Gaussian measurement white noise demonstrate that our model outperforms both the conventional Kalman filter and an existing state-of-the-art deep learning based estimator.
• Abstract（参考訳）: 雑音測定を伴う確率力学系の状態推定は困難である。 カルマンフィルタは独立なガウスホワイトノイズを持つ線形系に最適であるが、実世界の条件はしばしばこれらの仮定から逸脱し、データ駆動フィルタリング技術が台頭する。 本稿では,一貫した誤差共分散量子化による正確な状態推定を目的としたKalman-filter-informed Recurrent Neural NetworkであるRecursive KalmanNetを紹介する。 提案手法は, 再帰的ヨーゼフの公式を用いて誤差共分散を伝播し, ガウス負の対数類似度を最適化する。 非ガウス的ホワイトノイズを用いた実験では,従来のカルマンフィルタと既存の最先端ディープラーニングに基づく推定器の両方で性能が向上することが示された。

関連論文リスト

• Long-time accuracy of ensemble Kalman filters for chaotic and machine-learned dynamical systems [2.5245286741414663]
  本稿では,アンサンブルカルマンフィルタの長時間精度を確立する。 我々の理論は、部分的に観察されたカオス力学系の幅広いクラスをカバーしている。 シュロゲート力学を用いたアンサンブルカルマンフィルタの長時間精度を検証した。
  論文  参考訳（メタデータ） (2024-12-18T20:35:21Z)
• Uncertainty Representations in State-Space Layers for Deep Reinforcement Learning under Partial Observability [59.758009422067]
  線形状態空間モデルにおいて閉形式ガウス推論を行う独立なカルマンフィルタ層を提案する。 効率的な線形リカレント層と同様に、Kalmanフィルタ層は並列スキャンを使用してシーケンシャルデータを処理している。 実験により、不確実性推論が意思決定の鍵となる問題においてカルマンフィルタ層が優れており、他のステートフルモデルよりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-25T11:22:29Z)
• Tensor network square root Kalman filter for online Gaussian process regression [5.482420806459269]
  テンソルネットワークの平方根カルマンフィルタを初めて開発し,それを高次元オンラインガウス過程回帰に適用する。 実験では,本手法がフルランクテンソルネットワークを選択する場合,従来のカルマンフィルタと等価であることを示す。 また,本手法を実生活システム識別問題に適用し,標準ラップトップ上で414ドルのパラメータを推定する。
  論文  参考訳（メタデータ） (2024-09-05T06:38:27Z)
• Outlier-robust Kalman Filtering through Generalised Bayes [45.51425214486509]
  我々は、状態空間モデルにおけるオンラインフィルタリングのための新しい、確実に堅牢でクローズドなベイズ更新ルールを導出する。 提案手法は, より少ない計算コストで, 他の頑健なフィルタリング手法に適合し, 性能が向上する。
  論文  参考訳（メタデータ） (2024-05-09T09:40:56Z)
• Split-KalmanNet: A Robust Model-Based Deep Learning Approach for SLAM [101.32324781612172]
  SLAMは、未知の環境の地図を構築し、地図上の移動エージェントの位置を同時にローカライズする手法である。 拡張カルマンフィルタ(EKF)は、オンラインSLAMの低複雑性ソリューションとして広く採用されている。 スプリットカルマンネット(Split-KalmanNet)と呼ばれるオンラインSLAMにおいて,ディープラーニングのパワーを用いた頑健なEKFアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-10-18T07:10:38Z)
• Uncertainty in Data-Driven Kalman Filtering for Partially Known State-Space Models [84.18625250574853]
  本稿では,ハイブリッドモデルに基づくディープステートトラッキングアルゴリズムであるKalmanNetを用いて,不確実性の評価を行う。 誤差共分散行列は内部特性に基づいて不確実性の測定値として計算可能であることを示す。 システムダイナミクスが分かっている場合、KalmanNetは統計情報にアクセスせずにデータからマッピングを学習し、Kalmanフィルタに類似した不確実性を示す。
  論文  参考訳（メタデータ） (2021-10-10T08:52:18Z)
• KalmanNet: Neural Network Aided Kalman Filtering for Partially Known Dynamics [84.18625250574853]
  KalmanNetは、データから学習し、非線形力学の下でKalmanフィルタを実行するリアルタイム状態推定器である。 我々は、KalmanNetが非線形性とモデルミスマッチを克服し、古典的なフィルタリング手法より優れていることを数値的に示す。
  論文  参考訳（メタデータ） (2021-07-21T12:26:46Z)
• Neural Kalman Filtering [62.997667081978825]
  カルマンフィルタの勾配差近似は,差分重み付き予測誤差を持つ局所計算のみを必要とすることを示す。 また、同じスキームの下では、ヘビアン可塑性に直接対応する学習規則で動的モデルを適応的に学習することが可能であることを示す。
  論文  参考訳（メタデータ） (2021-02-19T16:43:15Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。