UKF

混合状态估计：将物理信息的神经网络与动态系统的自适应UKF整合

摘要：在本文中，我们通过将物理知识的神经网络（PINN）与自适应的无气味卡尔曼过滤器（UKF）相结合，提出了一种新型的动态系统估计方法。认识到传统状态估计方法的局限性，我们通过混合损失功能和蒙特卡洛辍学来完善Pinn结构，以增强不确定性估计。使用自适应噪声协方差机制增强了无味的卡尔曼滤波器，并将模型参数纳入状态矢量以提高适应性。我们通过将增强的PINN与UKF集成为无缝的状态预测管道，进一步验证了该混合动力框架，这表明准确性和鲁棒性有了显着提高。我们的实验结果表明，位置和速度跟踪的状态估计保真度明显增强，并通过贝叶斯推理和蒙特卡洛辍学的不确定性定量支持。我们进一步扩展了对双摆系统的模拟并进行了评估，并在四轮驱动器无人机上进行了状态估计。这种综合解决方案有望推进动态系统估计中的最新解决方案，从而在控制理论，机器学习和数值优化域中提供无与伦比的性能。