结合注意力机制和LSTM的参数自适应无模型状态估计
摘要
机动目标跟踪广泛地应用于无人车的自动驾驶跟踪领域。在实际应用中，系统噪声协方差很难获得准确值。传统的Kalman滤波器在系统噪声的协方差未知情况下，跟踪性能会下降。为了解决由于实际目标运动复杂、测量传感器噪声特性很难准确建模的困难，本文提出了一种基于注意力参数学习模块的自适应KF算法的状态估计方法：将Transformer的编码器和长短时记忆网络(LSTM)相结合，本文设计了注意力学习模块。通过离线对测量数据进行学习，获得了系统的运动特性，无需进行系统动力学和测量特性建模。进而，基于注意力学习模块的输出，利用期望最大化(EM)算法在线估计系统模型参数，并使用Kalman滤波器获得状态估计。本文使用GPS轨迹路径数据集进行验证，实验结果证明了本文提出的无模型状态估计方法的估计精度优于其他模型，为利用深度学习网络进行轨迹跟踪提供了一种有效方法。
引用本文（GB/T 7714）
伟 陈, 学波 金, 慧鋆 马, 等. 结合注意力机制和LSTM的参数自适应无模型状态估计[J]. Zhìnéng jīqìrén, 2024.
引文网络
本站仅收录题录与摘要供学习参考，全文版权归属出版方；如有侵权请联系我们删除。