在部分已知动力学下学习分布式估计：一种协方差无关的神经卡尔曼共识滤波器

在线潜在状态估计是人工智能领域的一个基础性挑战，广泛应用于序列决策、异常检测和变化点检测等任务。近期，一篇由George Stamatelis等人撰写的论文提出了一种新颖的在线分布式感知框架，允许智能体协作并交换信息以进行潜在状态估计。该框架名为协方差无关神经卡尔曼共识滤波器（CA-NKCF），它将可用的部分领域知识与深度神经网络的表征能力相结合。具体而言，CA-NKCF通过整合先验估计、优化的共识权重和类卡尔曼递归更新，在无需依赖噪声统计知识的情况下实现去中心化推理。

研究者在多种环境中进行了广泛实验，包括线性系统、混沌系统（如Lorenz系统）以及实际的无线跟踪环境。结果表明，CA-NKCF在性能上超越了传统的分布式卡尔曼滤波器、粒子滤波器以及纯模型无关的深度神经网络。即使在底层运动模型和观测模型被错误指定的情况下，CA-NKCF也表现出强大的鲁棒性。此外，实验还证明，CA-NKCF的性能优势在不同噪声水平、随机通信拓扑、潜在状态维度以及由无线系统中散射物体引起的观测杂波密度下均保持稳定。

该论文目前正在IEEE期刊审稿中，共13页，包含9张图表。研究领域涵盖机器学习、人工智能、多智能体系统以及系统与控制。论文的arXiv编号为2606.28441，感兴趣的读者可以查阅详细信息。CA-NKCF的提出为在线分布式估计提供了一种无需噪声统计的实用解决方案，有望在机器人、自动驾驶、无线传感网络等领域发挥重要作用。