14:45arXiv cs.LG@Kenan Majewski, Marcin Żugaj精选针对无人机在动态环境中面临的遥测中断、结构振动等噪声非平稳问题,传统卡尔曼滤波假设失效。Sage-Husa卡尔曼滤波虽能在线估计噪声统计量,但其静态标量遗忘因子在稳态稳定性和瞬态响应间存在权衡。本文提出NDR-SHKF,用分层循环网络学习向量化的记忆衰减策略,替代标量参数。该网络处理白化新息序列,浅层状态捕捉瞬时异常,深层状态编码持续动态趋势,并通过辅助重构目标防止特征崩溃。在混沌吸引子和真实无人机飞行数据集上的评估表明,该方法在跨域泛化和传感器中断时优于纯数据驱动方法和经典自适应估计器。论文卡尔曼滤波无人机状态估计自适应滤波循环神经网络推荐理由:做无人机状态估计或机器人定位的团队,终于有了一个能自适应噪声变化、在传感器中断时依然可靠的滤波方案,值得在实机测试中尝试。原文
10:05arXiv cs.AI@Luca Marzari, Enrico Marchesini精选针对循环神经网络(RNN)在部分可观测强化学习中的策略验证难题,研究者提出RNN-ProVe框架。该框架通过策略驱动采样近似隐藏状态空间,并利用统计误差界给出行为违规的高置信度概率估计。实验表明,RNN-ProVe在单智能体和多智能体任务中,比现有工具提供更定量、更可行的概率保证,且能扩展到循环和多智能体场景。论文强化学习循环神经网络概率验证多智能体RNN-ProVe推荐理由:做强化学习验证或RNN策略安全的团队,终于有了一个能给出概率性保证的实用工具,比传统过近似方法更精准,值得关注。原文