Skip to content
状态估计与 AI阅读约 8 分钟
Kalman FilterKalmanNetState EstimationDeep Learning

记录状态估计(Kalman Filter / EKF / UKF)与深度学习结合的理论梳理与实验笔记,重点关注协方差自适应、异常诊断与端侧实时推理。

深度学习与卡尔曼滤波 ​

这里用于记录状态估计(Kalman Filter / EKF / UKF)与深度学习结合的理论梳理与实验笔记。

核心关注方向 ​

  • 过程噪声与观测噪声协方差的动态自适应估计
  • 传感器异常检测与诊断触发滤波机制
  • 端侧实时推理与时序状态建模

状态空间模型与卡尔曼增益融合 ​

在经典离散时间非线性系统中,状态转移与观测过程通常建模为带有未知时变扰动的过程。结合时序神经网络学习高维非线性环境下的等效增益,可在模型失配时保留物理可解释性:

Discrete-Time State-Space & Hybrid Gain Update
xk = f(xk−1, uk) + wk,   wk ~ 𝒩(0, Qk)(1) 状态转移方程
zk = h(xk) + vk,   vk ~ 𝒩(0, Rk)(2) 观测更新方程
Kk = 𝒢θ(Δzk, Δx̂k−1, ht−1),   x̂k|k = x̂k|k−1 + Kk (zk − h(x̂k|k−1))(3) 学习型卡尔曼增益

工程启示:相比纯黑盒端到端序列预测,以物理状态方程为骨架、仅通过轻量级 RNN/GRU 估计过程噪声协方差 Qk、观测噪声协方差 Rk 或卡尔曼增益 Kk,能显著降低参数量并保持外推稳定性。

交互式直观理解:Q / R 与卡尔曼增益 ​

INTERACTIVE LAB · 1D KALMAN FILTER

过程噪声 Q 与观测噪声 R 对滤波增益 K 的动态影响

414233342k=0k=15k=30k=45k=59
步骤 k=59真实值 39.70观测值 39.45滤波估计 35.84增益 K 0.221
信任物理预测 (78%)信任传感器观测 (22%)
当前增益 K0.221
滤波 RMSE2.82
原始观测 RMSE2.05

自适应增益估计器参考实现 ​

下面给出一个基于 PyTorch 的最小化增益估计模块结构示意,输入状态前向差值与观测新息(Innovation),动态输出门控后的修正权重:

python
import torch
import torch.nn as nn


class AdaptiveKalmanGainNet(nn.Module):
    """Lightweight GRU-based Kalman Gain estimator driven by innovation features."""

    def __init__(self, state_dim: int, obs_dim: int, hidden_dim: int = 64) -> None:
        super().__init__()
        self.state_dim = state_dim
        self.obs_dim = obs_dim
        in_features = state_dim + obs_dim

        self.feature_norm = nn.LayerNorm(in_features)
        self.gru = nn.GRUCell(in_features, hidden_dim)
        self.gain_head = nn.Sequential(
            nn.Linear(hidden_dim, hidden_dim),
            nn.SiLU(),
            nn.Linear(hidden_dim, state_dim * obs_dim),
        )

    def forward(
        self,
        state_diff: torch.Tensor,
        innovation: torch.Tensor,
        hidden: torch.Tensor,
    ) -> tuple[torch.Tensor, torch.Tensor]:
        feat = self.feature_norm(torch.cat([state_diff, innovation], dim=-1))
        next_hidden = self.gru(feat, hidden)
        gain_flat = self.gain_head(next_hidden)
        gain_matrix = gain_flat.view(-1, self.state_dim, self.obs_dim)
        return gain_matrix, next_hidden

经典滤波与混合架构对比 ​

维度传统 EKF / UKF纯端到端深度学习(RNN / Transformer)物理先验 + 学习型自适应滤波
物理可解释性强(严格依赖状态与观测雅可比)弱(隐式黑盒映射)强(保留状态转移与新息修正骨架)
噪声非平稳适应力依赖人工调参 Q / R强,但需海量标注真值轨迹较强,小样本即可自适应调整协方差
异常观测鲁棒性需配合卡方检验阈值剔除易受野值分布偏移影响可结合新息残差门控动态降权异常传感器
端侧部署延迟微秒至亚毫秒级中高(受序列窗口长度影响)低(单步隐状态递推,适合嵌入式部署)

异常诊断触发机制备忘

在多传感器融合(如 IMU + 视觉里程计 / GNSS)场景中,建议优先使用归一化新息平方(NIS)构造健康度指标;当某通道连续出现超过阈值的残差尖峰时,先触发诊断隔离,再由网络自适应放大对应通道的等效观测噪声方差,避免滤波器状态发散。

讨论区开启了自动与人工双重审核,文明交流的评论会在短时间内展示。

Built with VitePress