主题
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
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。