人工智能辅助的卡尔曼滤波器：用于卡尔曼类型算法的AI增强设计

《IEEE Signal Processing Magazine》：Artificial Intelligence-Aided Kalman Filters: AI-Augmented Designs for Kalman-Type Algorithms

　　Kalman滤波及其变种在信号处理中具有重要地位，但依赖简化的状态空间模型可能导致精度不足。本文系统梳理了融合AI（特别是深度神经网络）与经典Kalman型滤波的设计方法，包括通用与专用DNN架构比较、任务导向与模型导向融合策略分析，并通过定量研究验证混合模型的优越性，最后探讨了技术融合的挑战与未来方向。

　　

摘要：

卡尔曼滤波器（KF）及其变体是信号处理领域中最著名的算法之一。这些方法通过依赖简单的状态空间（SS）模型来进行动态系统的状态估计，尽管这些模型可能对底层动态的描述较为粗糙且不够准确。新兴的数据驱动型人工智能（AI）技术利用深度神经网络（DNN）来处理这些任务，而DNN对模型类型没有特定要求。最近的研究表明，将DNN与经典的卡尔曼滤波方法相结合是可行的，这样可以构建出能够在部分已知动态环境下进行跟踪的系统。本文以教程的形式概述了将AI融入卡尔曼滤波算法的设计方法。我们回顾了适用于状态估计的通用和专用DNN架构，并系统地介绍了将AI工具与卡尔曼滤波器结合的技术，以及如何利用部分状态空间建模和数据的方法，同时将设计方法分为以任务为导向和以状态空间模型为导向两类。通过定性和定量研究（相关代码已公开），我们探讨了每种方法在保留基于模型的卡尔曼滤波器和数据驱动型DNN各自优势方面的有效性，展示了混合模型/数据驱动设计的优势。我们还讨论了将AI与卡尔曼滤波算法结合过程中遇到的挑战及未来的研究方向。