Název: Diffusion Kalman filtering under unknown process and measurement noise covariance matrices
Autoři: Vlk, T. ; Dedecius, Kamil
Typ dokumentu: Výzkumné zprávy
Rok: 2022
Jazyk: eng
Edice: Research Report, svazek: 2395
Abstrakt: The state-of-the-art algorithms for Kalman filtering in agent networks with information diffusion impose the requirement of well-defined state-space models. In particular, they assume that both the process and measurement noise covariance matrices are known and properly set. This is a relatively strong assumption in the signal processing domain. By design, the Kalman filters are rather sensitive to its violation, which may potentially lead to their divergence. In this paper, we propose a novel distributed filtering algorithm with increased robustness under unknown process and measurement noise covariance matrices. It is formulated as a Bayesian variational message passing procedure for simultaneous analytically tractable inference of states and measurement noise covariance matrices.
Klíčová slova: Collaborative estimation; State estimation; Variational Bayesian methods

Instituce: Ústav teorie informace a automatizace AV ČR (web)
Informace o dostupnosti dokumentu: Dokument je dostupný na externích webových stránkách.
Externí umístění souboru: http://library.utia.cas.cz/separaty/2022/AS/dedecius-0562434.pdf
Původní záznam: https://hdl.handle.net/11104/0334861

Trvalý odkaz NUŠL: http://www.nusl.cz/ntk/nusl-510677


Záznam je zařazen do těchto sbírek:
Věda a výzkum > AV ČR > Ústav teorie informace a automatizace
Zprávy > Výzkumné zprávy