基于卡尔曼波器的参数自由状态估计,用于自动驾驶系统中GPS跟踪的注意学习

科学领域:

• 机器人和控制系统 机器人和控制系统
• 信号处理 信号处理
• 地理空间分析的研究.

背景情况:

• 使用GPS操纵目标跟踪对于自动驾驶系统至关重要,但由于复杂的运动和未知的传感器/噪声特征而面临挑战.
• 经典的卡尔曼过方法在GPS数据中与参数不确定性和未知的颜色噪声作斗争,降低了性能.
• 准确的状态估计机动目标对于可靠的导航和自动驾驶车辆操作至关重要.

研究的目的:

• 开发一种基于GPS的强大的机动目标定位和跟踪方法,克服传统方法的局限性.
• 引入一种新的状态估计技术,利用注意力学习和在线参数估计.
• 在存在复杂的动态和未知的GPS数据特征的情况下,提高状态估计的准确性和可靠性.

主要方法:

• 一种基于卡尔曼波器的状态估计方法,通过变压器编码器和LSTM网络结合了注意力学习.
• 在线估计系统模型参数使用预期最大化 (EM) 算法,由注意力学习输出驱动.
• 将学习的系统,动态和测量特征集成到卡尔曼波器中以进行状态估计.

主要成果:

• 提出的基于注意力学习的方法与经典和纯无模型网络方法相比,显示出更高的估计准确性.
• 使用GPS模拟数据和Geolife北京车辆GPS轨迹数据集的实验验证证证了该方法的有效性.
• 这种方法成功地解决了复杂的机动目标运动和未知的GPS数据属性所带来的挑战.

结论:

• 开发的基于注意力学习的卡尔曼波器为实用机动目标跟踪应用提供了有效的解决方案.
• 这种方法提供了准确的状态估计,而不依赖预定义的系统参数,提高了稳定性.
• 这些发现有助于通过改进GPS跟踪能力来推进自动驾驶和导航系统.