Kalman Evolve: Scoperta di Algoritmi Guidata da LLM per la Stima dello Stato
I ricercatori propongono Kalman Evolve, un framework che utilizza grandi modelli linguistici (LLM) per scoprire algoritmi di filtraggio migliorati per la stima dello stato. Il Filtro di Kalman è ottimale sotto dinamiche lineari, rumore gaussiano e covarianze note, ma fallisce in scenari di rilevamento realistici come radar Doppler e LiDAR. Kalman Evolve ottimizza congiuntamente i parametri del rumore e la struttura di aggiornamento, sfruttando gli LLM come prior strutturato sullo spazio dei programmi per generare modifiche interpretabili e non affini. Questo approccio colma il divario di prestazioni che non può essere eliminato solo con la regolazione delle covarianze del rumore.
Fatti principali
- Il Filtro di Kalman è ottimale sotto dinamiche lineari, rumore gaussiano e covarianze note.
- Scenari di rilevamento realistici come radar Doppler e LiDAR violano queste ipotesi.
- Kalman Evolve ottimizza congiuntamente i parametri del rumore e la struttura di aggiornamento.
- Il framework utilizza gli LLM come prior strutturato sullo spazio dei programmi.
- Kalman Evolve genera modifiche interpretabili e non affini al Filtro di Kalman classico.
- L'approccio affronta il degrado delle prestazioni nella stima non lineare.
- L'articolo è disponibile su arXiv con ID 2605.26830.
- La ricerca è classificata come annuncio di tipo incrociato.
Entità
Istituzioni
- arXiv