数据高效联合跟踪与分类的混合自适应卡尔曼滤波
本文提出一种自监督的混合自适应卡尔曼滤波器，通过学习系统动态和过程噪声协方差的结构化校正，在保持概率结构的同时提升估计精度和统计一致性，并利用创新似然进行模型分类。实验表明该方法在低数据和大数据场景下均表现鲁棒。
卡尔曼滤波在状态估计中广泛应用，但其性能高度依赖准确的模型和噪声协方差调参。传统学习方法需要大量监督数据且难以提供一致的不确定性估计。针对这一问题，研究人员提出了一种自监督的混合自适应卡尔曼滤波器（HAKF），该工作发表于arXiv 2606.02767，由Jiho Lee等人完成。
HAKF的核心创新在于从测量数据中学习系统动态和过程噪声协方差的结构化校正，同时保留滤波器的概率结构。这使得滤波器能够计算创新似然，进而通过广义贝叶斯推理进行模型分类。这种方法无需外部标签，即可实现数据高效的联合跟踪与分类。
实验采用真实世界和模拟数据集，与标准卡尔曼滤波及监督学习方法对比。结果表明，HAKF在低数据和大数据场景下均表现出更优的估计精度和统计一致性，且分类性能鲁棒。该工作为机器人感知、自动驾驶等领域的在线自适应滤波提供了新思路。
HAKF的提出具有重要意义，因为它克服了传统卡尔曼滤波对模型精度的敏感性问题，并且通过自监督学习减少了对大量标注数据的依赖。该方法的统计一致性保证了不确定性估计的可靠性，这对于安全关键应用尤为重要。未来，这一框架有望扩展到更复杂的非线性系统和多传感器融合场景。