10:16arXiv cs.LG@Andre Herz, Matthijs Pals, Daniel Durstewitz, Georgia Koppe该研究揭示了混沌系统代理建模中的动态-概率一致性(DPC)差距:追求有限时域概率目标会削弱动力学重建或使预测不确定性脱离局部切向动力学。论文识别了三种机制:核心坍缩、噪声掩盖和盲不确定性。为解决此问题,提出KAFFEE框架,基于可微扩展卡尔曼滤波训练,通过局部预测残差评估似然度,同时通过学习到的局部雅可比矩阵传递协方差。在随机超混沌Lorenz-96系统上,KAFFEE减少了故障模式,改进了动力学不变量重建,并保持了竞争性预测分数。该框架在13个混沌系统上实现了上下文贝叶斯滤波,同时保留了零样本动力学。论文混沌系统代理建模不确定性量化扩展卡尔曼滤波动力学重建推荐理由:做混沌系统建模或动力学重建的研究者,KAFFEE直接解决了概率预测与动力学一致性脱节的痛点,值得在实验中尝试。原文
11:20arXiv cs.LG@Michael Baumgartner, David Müller, Agon Serifi, Ruben Grandia, Espen Knoop, Markus Gross, Moritz Bächer精选足式机器人在高速动态运动中的状态估计仍具挑战,传统方法依赖二元接触状态,无法处理部分接触或方向性滑移。本文提出 CoCo-InEKF,一种可微不变扩展卡尔曼滤波器,用连续接触速度协方差替代二元接触状态,通过轻量神经网络端到端学习这些协方差,动态调整接触置信度。该方法无需启发式真值接触标签,并引入自动接触候选点选择流程。在双足机器人上的实验表明,CoCo-InEKF 在线性速度估计上实现了更优的精度-效率权衡,并改善了滤波器一致性,支持跳舞、复杂地面交互等挑战性运动。论文状态估计足式机器人扩展卡尔曼滤波接触协方差双足机器人推荐理由:做足式机器人运动控制的团队终于有了一个能处理滑移和部分接触的状态估计方案——CoCo-InEKF 用学习协方差替代硬接触开关,实测支持跳舞等高动态动作,值得在真实机器人上试试。原文