用于状态估计的生成贝叶斯过滤

arXiv:2607.20521v1 公告类型：新 摘要：动态系统的状态随着时间的推移而演变，在控制其可观察行为的几种潜在模式之间切换。过滤方法从观察中推断出潜在状态。包括卡尔曼滤波器在内的经典滤波方法通常依赖于简单的观测模型，例如线性高斯模型，这些模型无法表征高维传感器信号中日益非线性和异构的模式。为了应对这一挑战，我们提出了生成贝叶斯过滤（GBF），这是一种过滤框架，用条件变分自动编码器（CVAE）参数化的预训练条件生成模型取代限制性观察模型。对于在线推理，GBF 执行贝叶斯预测更新递归，其中测量更新被公式化为后验采样问题，该问题将动态先验与 CVAE 引发的似然相结合。然后将所得的过滤问题转化为基于分数的采样问题，它自然地继承了生成模型的灵活性和集成的不确定性量化能力。对涉及制造系统监控和心律失常诊断的合成数据集和实际应用的实验表明，相对于基线方法，GBF 提高了状态估计的准确性和鲁棒性。