近期我们针对Transformer+卡尔曼滤波的前沿成果进行了深度整合,从中筛选出12篇很有参考价值的论文,收录了Fundamental Research、CVPR等顶会顶刊上的相关工作,并配套整理了开源代码实现。
这些论文基本覆盖了当前主流方法与技术瓶颈,特别适合正在准备论文的朋友,无论你是想找创新突破口、设计课题方案,还是想复现经典模型,都能提供实质性帮助。
扫描下方二维码,回复「变形卡尔」
免费获取全部论文合集及项目代码
OptiState: State Estimation of Legged Robots using Gated Networks with Transformer-based Vision and Kalman Filtering
内容:本文提出OptiState四足机器人躯干状态估计混合框架,利用单刚体模型并复用凸模型预测控制输出的地面反作用力构建卡尔曼滤波器,融合IMU与关节编码器得到初始状态估计,借助Vision Transformer自编码器将深度图像压缩为隐向量获取环境语义与机器人高度信息,再将滤波时序输出、视觉隐特征、里程计与力信息送入门控循环单元GRU,离线以动捕真值监督训练,同时预测修正后的机器人躯干状态与模型自身预测不确定性,在多种真实地形硬件平台开展消融与对比实验,相比VIO‑SLAM基线显著降低状态估计RMSE误差。
Engineering Applications of Artificial Intelligence
内容:本文提出A‑KIT自适应卡尔曼引导Transformer混合框架,基于集合Transformer网络处理惯性时序数据,设计卡尔曼引导损失函数,结合扩展卡尔曼滤波输出的新息协方差在线回归得到过程噪声协方差的缩放矩阵,将其作用于新息自适应估计得到的协方差完成噪声更新,在自主水下航行器INS/DVL传感器融合真实海试数据集开展蒙特卡洛对比实验,与传统EKF、多种基于模型的自适应EKF对比验证该方法在位置、速度估计精度上的提升,并评估其在线实时计算性能。
扫描下方二维码,回复「变形卡尔」
免费获取全部论文合集及项目代码
Ksurf: Attention Kalman Filter and Principal Component Analysis for Prediction under Highly Variable Cloud Workloads
内容:本文提出AKF‑PCA混合估计框架,将主成分分析PCA降噪降维与简化的注意力模块结合扩展扩展卡尔曼滤波EKF,同时实现EKF‑PCA、UKF‑PCA变体,利用ϵ校正启发式策略根据信号方差选择合适估计器,借助注意力权重挖掘时序数据远距离依赖关系、抑制离群噪声,分别在仿真时序数据集、Google Cloud真实负载基准、Apache Kafka消息流自动扩缩容场景开展实验,既可独立做预测,也可作为Bi‑Grid‑LSTM的前置滤波模块,对比多种滤波与深度学习基线,验证该方法在高噪声、高波动云负载下的预测精度与自动扩缩容稳定性提升效果。
Enhancing resilience of distributed DC microgrids against cyber
attacks using a transformer-based Kalman filter estimator
内容:本文提出Transformer卡尔曼滤波TKF估计器,依托本地测量信号预测传输信号,利用ARIMA构建微电网状态空间,结合Transformer与LSTM提取高维时序特征,搭配EM算法完成离线训练与在线估计,针对FDI欺骗攻击、DoS攻击、时延攻击在MATLAB和Python仿真环境下开展测试,依靠估计值与实测值的差异识别攻击,保障分布式直流微电网在噪声与网络攻击下稳定运行。
扫描下方二维码,回复「变形卡尔」
免费获取全部论文合集及项目代码

