線上潛在狀態估計是人工智慧領域的一個基礎性挑戰，廣泛應用於序列決策、異常檢測和變化點檢測等任務。近期，一篇由George Stamatelis等人撰寫的論文提出了一種新穎的線上分散式感知框架，允許智慧體協作並交換資訊以進行潛在狀態估計。該框架名為協方差無關神經卡爾曼共識濾波器（CA-NKCF），它將可用的部分領域知識與深度神經網路的表徵能力相結合。具體而言，CA-NKCF透過整合先驗估計、最佳化的共識權重和類卡爾曼遞迴更新，在無需依賴噪聲統計知識的情況下實現去中心化推理。
研究者在多種環境中進行了廣泛實驗，包括線性系統、混沌系統（如Lorenz系統）以及實際的無線跟蹤環境。結果表明，CA-NKCF在效能上超越了傳統的分散式卡爾曼濾波器、粒子濾波器以及純模型無關的深度神經網路。即使在底層運動模型和觀測模型被錯誤指定的情況下，CA-NKCF也表現出強大的魯棒性。此外，實驗還證明，CA-NKCF的效能優勢在不同噪聲水平、隨機通訊拓撲、潛在狀態維度以及由無線系統中散射物體引起的觀測雜波密度下均保持穩定。
該論文目前正在IEEE期刊審稿中，共13頁，包含9張圖表。研究領域涵蓋機器學習、人工智慧、多智慧體系統以及系統與控制。論文的arXiv編號為2606.28441，感興趣的讀者可以查閱詳細資訊。CA-NKCF的提出為線上分散式估計提供了一種無需噪聲統計的實用解決方案，有望在機器人、自動駕駛、無線感測網路等領域發揮重要作用。