1. Полностью проприоцептивная оценка состояния мобильных роботов с учетом скорости скольжения с помощью инвариантной фильтрации Калмана и наблюдателя возмущений (arXiv)
Автор: Сихан Ю, Санли Тэн, Теодор Чахатиро, Вэньчжэ Тонг, Тинцзюнь Ли, Цзы-Юань Линь, Сара Келер, Мануэль Ахумада , Джеффри М. Уоллс, Маани Гаффари
Аннотация: в этой статье разрабатывается новая система оценки проскальзывания с использованием теории дизайна инвариантных наблюдателей и наблюдателя возмущений (DOB). Предлагаемый оценщик состояния мобильных роботов является полностью проприоцептивным и объединяет данные от инерциальной единицы измерения и скорости тела в правоинвариантном расширенном фильтре Калмана (RI-EKF). Путем включения скорости скольжения в группу Ли SE3(3) разработанный RI-EKF на основе DOB обеспечивает точные оценки скорости и скорости скольжения в режиме реального времени на различных ландшафтах. Экспериментальные результаты с использованием колесного робота Husky подтверждают математические выводы и показывают лучшую производительность, чем стандартный базовый уровень RI-EKF. Программное обеспечение с открытым исходным кодом доступно для загрузки и воспроизведения представленных результатов.
2.Дизайн экспериментов по калибровке моделей, зависящих от истории, с помощью глубокого обучения с подкреплением и расширенного фильтра Калмана (arXiv)
Автор:Рубен Вильярреал, Николаос Н. Влассис, Нон Н. Фан, Томми А. Катанах, Риз Э. Джонс, Натаниэль А. Траск, Шарлотта Л. Б. Крамер, WaiChing Sun
Вывод: получение экспериментальных данных обходится дорого, что затрудняет калибровку сложных моделей. Для многих моделей экспериментальный план, обеспечивающий наилучшую калибровку при ограниченном экспериментальном бюджете, не очевиден. В этой статье представлен алгоритм глубокого обучения с подкреплением (RL) для планирования экспериментов, который максимизирует прирост информации, измеренный расхождением Кульбака-Лейблера (KL), полученным с помощью фильтра Калмана (KF). Эта комбинация позволяет разрабатывать быстрые онлайн-эксперименты там, где традиционные методы слишком дороги. Мы формулируем возможные конфигурации экспериментов в виде дерева решений и марковского процесса принятия решений (MDP), где на каждом шаге приращения доступен конечный выбор действий. После выполнения действия для обновления состояния эксперимента используются различные измерения. Эти новые данные приводят к байесовскому обновлению параметров с помощью KF, которое используется для улучшения представления состояния. В отличие от индекса эффективности Нэша-Сатклиффа (NSE), который требует дополнительной выборки для проверки гипотез для прогнозов вперед, KF может снизить стоимость экспериментов за счет прямой оценки значений новых данных, полученных в результате дополнительных действий. В этой работе наши приложения сосредоточены на механических испытаниях материалов. Численные эксперименты со сложными моделями, зависящими от истории, используются для проверки реализации и оценки производительности экспериментов, разработанных с помощью RL.
3. Расширение практического применения фильтра Калмана (arXiv)
Автор: Дж. Умберто Рамос
Аннотация: фильтр Шмидта — это модификация фильтра Калмана, которая позволяет добавлять системные параметры в виде состояний и учитывает их влияние неопределенности в процессе фильтрации, не пытаясь оценить такие параметры. Состояния, которые только учитываются, но не оцениваются, обычно называются состояниями \textit{рассмотрено} или \textit{рассмотрено}. Основным вкладом этого исследования является формулировка фильтра Шмидта-Калмана, который включает числовую надежность хорошо известных форм квадратного корня и факторизованной фильтрации, а также способность активно пытаться обновлять состояния \textit{considered}. Формулировки фильтров, предложенные в этом исследовании, являются фундаментальным расширением фильтра Калмана. Следовательно, формулировки этой работы также применимы в рамках расширенного фильтра Калмана. Что еще более важно, показано, что они справляются с нелинейностями, большими начальными неопределенностями и плохо обусловленными системами лучше, чем типичный расширенный фильтр или фильтр Шмидта-Калмана. Поскольку новые фильтры основаны непосредственно на фильтре Шмидта, они предлагают новую и простую структуру фильтрации, позволяющую использовать более простой фильтр там, где могла бы потребоваться более продвинутая или сложная техника.
