數據高效聯合跟蹤與分類的混合自適應卡爾曼濾波
本文提出一種自監督的混合自適應卡爾曼濾波器，通過學習系統動態和過程噪聲協方差的結構化校正，在保持概率結構的同時提升估計精度和統計一致性，並利用創新似然進行模型分類。實驗表明該方法在低數據和大數據場景下均表現魯棒。
卡爾曼濾波在狀態估計中廣泛應用，但其性能高度依賴準確的模型和噪聲協方差調參。傳統學習方法需要大量監督數據且難以提供一致的不確定性估計。針對這一問題，研究人員提出了一種自監督的混合自適應卡爾曼濾波器（HAKF），該工作發表於arXiv 2606.02767，由Jiho Lee等人完成。
HAKF的核心創新在於從測量數據中學習系統動態和過程噪聲協方差的結構化校正，同時保留濾波器的概率結構。這使得濾波器能夠計算創新似然，進而通過廣義貝葉斯推理進行模型分類。這種方法無需外部標籤，即可實現數據高效的聯合跟蹤與分類。
實驗採用真實世界和模擬數據集，與標準卡爾曼濾波及監督學習方法對比。結果表明，HAKF在低數據和大數據場景下均表現出更優的估計精度和統計一致性，且分類性能魯棒。該工作為機器人感知、自動駕駛等領域的在線自適應濾波提供了新思路。
HAKF的提出具有重要意義，因為它克服了傳統卡爾曼濾波對模型精度的敏感性問題，並且通過自監督學習減少了對大量標註數據的依賴。該方法的統計一致性保證了不確定性估計的可靠性，這對於安全關鍵應用尤為重要。未來，這一框架有望擴展到更復雜的非線性系統和多傳感器融合場景。