BriefGPT - AI 论文速递
·
多目标跟踪中的卷积无味扩展卡尔曼滤波器
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
本文介绍了一种新颖、可靠的闭合贝叶斯更新规则，用于在线滤波中处理异常值和误设测量模型的状态空间模型。该方法将广义贝叶斯推理与滤波方法相结合，展示了鲁棒性和非线性模型的计算效率。
🎯
关键要点
-
本文介绍了一种新颖、可靠的闭合贝叶斯更新规则。
-
该规则用于在线滤波中处理异常值和误设测量模型的状态空间模型。
-
方法结合了广义贝叶斯推理与滤波方法，展示了鲁棒性和计算效率。
-
适用于异常值测量的滤波问题，如物体跟踪和高维混沌系统的状态估计。
-
在更低的计算成本下，该方法与其他鲁棒滤波方法表现相当或更好。
➡️
