Новый нейросетевой фильтр Калмана для распределённой оценки превзошёл традиционные методы
Группа исследователей опубликовала в архиве препринтов arXiv статью, посвящённую новому алгоритму распределённой оценки скрытого состояния — Covariance-Agnostic Neural Kalman Consensus Filter (CA-NKCF). Разработка объединяет частичные знания о динамике системы с возможностями глубоких нейронных сетей.
CA-NKCF решает задачу онлайн-оценки латентного состояния, когда несколько агентов обмениваются информацией и совместно делают выводы. Алгоритм использует предыдущие оценки, оптимизированные веса консенсуса и рекурсивные обновления, подобные фильтру Калмана, но не требует знания ковариационных матриц шумов.
Эксперименты проводились на трёх типах сред: линейные модели, хаотическая система Лоренца и практический сценарий беспроводного трекинга. CA-NKCF устойчиво превзошёл традиционные распределённые фильтры Калмана, фильтры частиц и модельно-независимые глубокие нейросети.
Особенно важно, что преимущество алгоритма сохраняется при различных уровнях шума, случайных топологиях связи, разной размерности латентного состояния и плотности помех от рассеивающих объектов. Это делает его применимым в сложных реальных системах, где точная модель и статистика помех неизвестны.
Авторы отмечают, что CA-NKCF демонстрирует робастность даже при неправильной спецификации моделей движения и наблюдения. По сути, гибридный подход позволяет компенсировать неопределённость за счёт обучения нейросетевых компонент.
Работа представляет интерес для робототехники, автономных систем, IoT и других областей, где требуется распределённая оценка состояния в условиях неполной информации. Код алгоритма пока не опубликован, но авторы планируют открыть его после рецензирования.
