Unscented KalmanNet: Structure-Preserving Deep Learning with Calibrated Posterior Uncertainty under Incomplete Physics and Unknown Noise
Di cosa parla
Si descrive un'architettura che integra un filtro basato su modello con moduli di apprendimento per seguire nel tempo lo stato di un sistema combinando previsioni del modello e misure rumorose. L'obiettivo è correggere errori dovuti a dinamiche imperfette e a rumore che cambia nel tempo, senza rinunciare a una stima esplicita dell'incertezza. Parti apprese adattano le stime del rumore e il modo di pesare previsioni e misure, mentre l'addestramento bilancia accuratezza e coerenza tra incertezza dichiarata e osservata.
Cosa permette di osservare
Consente di esplorare se l'apprendimento può aggiustare automaticamente le stime di rumore e compensare i bias del modello, mantenendo al contempo stime di incertezza coerenti, anche quando si lavora con dati simulati e dati di volo reali.
Dalla fonte
Nonlinear state estimation requires sequentially fusing model-based predictions with noisy measurements. Under imperfect dynamics and unknown, time-varying noise statistics, this fusion can degrade in both accuracy and statistical consistency. Existing learning-aided filters largely treat accuracy and uncertainty estimation separately, limiting their ability to correct model-mismatch-induced bias while retaining an explicit, calibrated posterior covariance. This paper introduces Unscented KalmanNet (UKN), a model-based deep learning architecture that extends the Unscented Kalman Filter (UKF) with learned mechanisms for these two sources of filtering error while preserving explicit posterior covariance propagation. NoiseNet learns time-varying process and measurement covariances as bounded multiplicative corrections to baseline covariances, guaranteeing positive definiteness, while GainN…