卡尔曼滤波长期以来是状态估计与目标跟踪的核心工具，但其性能高度依赖模型假设是否准确以及对噪声协方差的整定是否恰当。一旦真实系统与滤波器内部模型之间存在偏差，或噪声统计特性设定不准，滤波结果就可能显著退化。近年来，研究者尝试用学习方法弥补这一短板，但这类方案通常需要大规模监督数据和人工标注，而且往往无法给出前后一致的、具有概率意义的不确定性估计。
针对上述问题，Jiho Lee 等作者在发表于 arXiv 的论文《Hybrid Adaptive Kalman Filtering for Data-Efficient Joint Tracking and Classification》中提出了一种混合自适应卡尔曼滤波器。该方法的核心思路是保留经典卡尔曼滤波的概率结构，同时以自监督方式从测量数据本身学习对系统动态和过程噪声协方差的结构化修正。换言之，滤波器不再完全依赖人工设定的模型参数，而是通过数据驱动的方式对模型偏差进行有约束的补偿，从而在不破坏滤波框架可解释性与概率一致性的前提下提升适应性。
由于滤波器的概率结构得以保留，新息（innovation）的似然可以被显式计算出来。作者进一步将这一似然用于模型分类，借助广义贝叶斯推断完成判别任务。这意味着跟踪与分类两个环节被统一在同一概率框架之内：滤波过程不仅给出状态估计，还为判断当前系统或目标属于哪一类模型提供了可量化的依据。这种联合处理方式避免了把跟踪与分类割裂为两个独立模块所带来的信息损失。
实验部分覆盖了真实世界数据集与模拟数据集两类场景，结果显示该方法在估计精度与统计一致性方面均有改善，并在分类任务上表现出较强的鲁棒性。尤其值得注意的是，论文强调其在低数据与大数据两种情形下都能保持良好表现，这正好回应了学习型滤波方法普遍面临的数据效率难题。
该论文共 8 页、含 4 幅图，归类于机器人学（cs.RO）与机器学习（cs.LG），ACM 分类号为 I.2.9，于 2026 年 6 月 1 日提交至 arXiv。对于需要在数据有限条件下同时完成跟踪与分类的机器人与自主系统应用而言，这种兼顾概率一致性与数据效率的自监督思路具有参考价值。