aalto1 untyped-item.component.html
Neural networks based Kalman family filters for state estimation
Loading...
URL
Journal Title
Journal ISSN
Volume Title
Sähkötekniikan korkeakoulu |
Bachelor's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
Department
Major/Subject
Mcode
ELEC3016
Degree programme
Language
en
Pages
26
Series
Abstract
This thesis investigates state estimation in dynamical systems, focusing on the Kalman filter family and recent neural network–based filtering approaches. Bayesian filtering and smoothing provide the theoretical basis, with attention given to the classical Kalman filter (KF) and its nonlinear extensions: the extended Kalman filter (EKF) and unscented Kalman filter (UKF). These methods are efficient and optimal for linear-Gaussian systems but often degrade in performance when system dynamics are nonlinear or poorly known.
Recent advances integrate deep learning into the filtering framework. KalmanNet retains the recursive KF structure while learning components such as the Kalman gain from data, improving adaptability to unknown dynamics. Deep Kalman Filters (DKF) take a fully learned generative approach, replacing both system and observation models with neural networks.
The classic methods are evaluated through a simulated vehicle tracking task. Simulation results show the efficacy of the Kalman filter and Rauch-Tung-Striebel smoother in well-modelled linear settings.
Tässä tutkielmassa käsitellään dynaamisten järjestelmien tilan arviointia, ja keskitytään erityisesti Kalman-suodattimiin sekä viimeaikaisiin neuroverkkoihin perustuviin suodatusmenetelmiin. Tutkielmassa esitellään Bayesialaisen suodatuksen ja tasoituksen perusteet, jota seuraa yleiskatsaus Kalman-suodattimeen (KF) ja sen ei-lineaarisiin versioihin, kuten unscented Kalman-suodattimeen (UKF) ja laajennettuun Kalman-suodattimeen (EKF). Nämä keinot ovat tehokkaita ja optimaalisia Gaussialaisille malleille, mutta usein ne toimivat heikommin, kun järjestelmä on ei-lineaarinen tai sen tiloja ei tunneta tarkasti.
Viimeaikaiset edistykset lisää myös syväoppimisen suodatukseen. KalmanNet säilyttää rekursiivisen KF rakenteen, samalla oppien komponentteja, kuten Kalman-lisän datasta. KalmanNet oppii myös sopeutumaan tuntemattomiin järjestelmiin ja parantamaan niiden tilanestimaatteja. Syvät Kalman-suodattimet (DKF) käyttävät täysin kehittävää lähestymistätapaa, korvaten sekä järjestelmä- että havainnointimallit neuroverkoilla.
Perinteisiä suodattimia arvioidaan simuloidulla ajoneuvonseurantatehtävällä. Tulokset näyttävät sen, että perinteiset Kalman-suodattimet ja tasaajat suoriutuvat hyvin, kun mallinnukset on tehty lineaarisesti.