TL;DR
- چکیده:.
- فیلتر کالمن توسعه یافته (EKF) سنگ بنای تخمین حالت غیرخطی است،.
- اما عملکرد آن اساساً به دلیل عدم تطابق مدل نویز و خطاهای خطی محدود شده است.
چه اتفاقی افتاد
چکیده:. فیلتر کالمن توسعه یافته (EKF) سنگ بنای تخمین حالت غیرخطی است،.
اما عملکرد آن اساساً به دلیل عدم تطابق مدل نویز و خطاهای خطی محدود شده است. ما یک EKF توزیعی قوی با آگاهی باقیمانده را توسعه میدهیم که هر دو چالش را در چارچوب.
یکپارچه برآورد وضعیت توزیع قوی Wasserstein میپردازد. ایده کلیدی این است که باقیماندههای خطیسازی را بهعنوان عدم قطعیت در نظر بگیریم و آنها را در.
یک مدل عدم قطعیت مؤثر جذب کنیم که توسط مجموعهای از ابهامات مرحلهای گرفته شده است،. که امکان میدهد عدم تطابق مدل نویز و خطاهای تقریب در یک فرمول واحد مدیریت شوند.
این رویکرد یک شعاع موثر قابل محاسبه همراه با کرانهای بالایی قطعی بر روی خطاهای میانگین مربع قبلی. و خلفی خطای تخمین غیرخطی واقعی به دست میدهد.
فیلتر حاصل، فرمولبندی برنامهریزی نیمه معین قابل انعطاف را تأیید میکند حفظ ساختار بازگشتی EKF کلاسیک. شبیهسازیهای ردیابی هدف با چرخش هماهنگ و ناوبری ربات آگاه از عدم قطعیت،.
دقت و ایمنی تخمین بهتری را در مقایسه با خطوط پایه استاندارد EKF تحت عدم تطابق مدل و. اثرات غیرخطی نشان میدهند.
ارائه شده به شصت و پنجمین کنفرانس IEEE در مورد تصمیمگیری و کنترل (CDC) 2026 سیستمها. و کنترل (eess.
SY) استناد بهعنوان: (یا v1 [eess. SY] برای این نسخه) https:.
// شده توسط arXiv از طریق DataCite (در انتظار ثبت نام) تاریخچه ارسال از:. Minhyuk Jang [مشاهده ایمیل] [v1] جمعه،.
3 آوریل 2026،. 05:.
40:. 05 UTC (611 KB).
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.