📊 statistics

Predictively-Oriented Kalman Filtering

本文介绍了 EKF-PrO，这是一种无需超参数且计算高效的滤波方法，它利用预测导向的后验分布，以避免在动力学模型或观测模型设定错误时，非线性状态空间模型中出现过度自信的推断。

原作者： Zheyang Shen, Gerardo Duran-Martin, Chris. J. Oates

发布于 2026-06-03

📖 1 分钟阅读☕ 轻松阅读

原作者： Zheyang Shen, Gerardo Duran-Martin, Chris. J. Oates

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正在尝试通过一个 GPS 应用来追踪一辆行驶中的汽车。这个应用有两个主要任务：

预测： 根据一秒钟前汽车的位置和行驶速度，猜测它现在的位置。
修正： 查看刚刚接收到的实际 GPS 信号，并据此调整你的猜测。

在数学和工程领域，这被称为状态空间模型（State-Space Model）。“汽车”是隐藏的状态，而“GPS 信号”则是观测值。

问题所在：当地图出错时

大多数追踪系统（例如著名的卡尔曼滤波器/Kalman Filter）在世界运行完全符合数学预测时表现得非常完美。但在现实生活中，事情总会出错。

“离群值”问题： 有时 GPS 会发生故障，显示汽车位于湖中心（数据错误）。
“系统性”问题： 有时汽车因为驾驶员惊慌失措而突然转向，或者路况发生了变化，而你的数学模型并不知道这种新的行为。

当这些情况发生时，传统的滤波器会变得过度自信。它们如此信任自己的数学模型，以至于忽略了奇怪的数据；或者它们如此信任奇怪的数据，以至于导致崩溃。它们认为自己完美地掌握了答案，即使实际上并非如此。

旧的解决方案（以及它们为何力有不逮）

科学家们曾尝试通过两种方式来解决这个问题：

“忽略它”的方法： 如果 GPS 信号看起来很奇怪，就把它丢弃。问题在于： 如果汽车实际上确实发生了转向（一种真实的行为变化），那么丢弃数据意味着你永远无法学习到这次转向。你会一直猜测汽车在直行。
“把模型做大”的方法： 添加更复杂的规则到数学模型中，以解释每一种可能的错误。问题在于： 这需要预估大量的额外设置（超参数），并且会让计算机运行得更加吃力。

新的解决方案：EKF-PrO

这篇论文介绍了一种名为 EKF-PrO（预测导向型卡尔曼滤波，Predictively-Oriented Kalman Filtering）的新方法。

你可以把它想象成一个聪明且谦逊的领航员，它改变了自己的思维方式。它不再问：“基于我完美的地图，汽车的真实位置在哪里？”（这会导致过度自信），而是问：“什么样的位置猜测，能让我的预测与我现在实际观察到的数据相匹配？”

以下是它如何运作的简单类比：

1. “谦逊”的更新

想象你在猜测一位朋友的位置。

旧的滤波器： “我知道我的地图是完美的。如果你的手机显示你在树里，那一定是手机错了。我会忽略这棵树。”（过度自信）。
EKF-PrO： “我的地图可能错了，或者那棵树是一个误差。我会调整我的猜测，但我也会承认：‘我不再是 100% 确定了。’我会扩大我的不确定性范围。”

2. “安全网”（协方差膨胀）

该论文的核心技巧在于，当数据看起来很奇怪时（无论是由于故障还是真实的转向），EKF-PrO 不仅仅是改变平均猜测值；它还会膨胀其不确定性。

它会说：“好吧，数据看起来很奇怪。我会稍微移动我的猜测位置，但我也要声明：‘我对这个猜测的信心现在非常低。’”
因为它变得不再那么自信，所以它准备好在下一秒如果数据再次发生变化时，能够迅速改变主意。它不会陷入固执的套路中。

3. 没有额外的设置

与其他需要你调节各种旋钮和拨盘（例如“我应该在多大程度上信任 GPS？”）的方法不同，这种方法会根据数据本身自动计算出合适的信任程度。这就像一辆自动驾驶汽车，它能在无需你告诉它“今天路面很滑”的情况下，在路面湿滑时自动学会保持谨慎。

该论文的研究发现

作者在三种场景下将这种新方法与旧方法进行了对比测试：

随机故障（离群值）： 新方法处理这些问题表现良好，与其他鲁棒方法类似。
系统性误差（“错误的地图”）： 这是新方法脱颖而出的地方。当汽车开始做出模型未预料的行为（如突然转向）时，旧的滤波器因为过于自信，会一直猜测汽车在直行。而 EKF-PrO 意识到：“嘿，我的模型失效了，”于是它扩大了不确定性，并迅速修正路径以跟随汽车。
混沌系统： 在一个复杂的、混沌的天气模拟实验中，只有这种新方法在底层规则发生变化时没有迷失方向。

权衡

论文也承认了一个缺点：它比标准滤波器需要更多的计算能力（大约慢 10 到 20 倍），但对于在普通笔记本电脑上进行实时使用来说仍然足够快。

总结

EKF-PrO 是一种全新的追踪移动物体的方法，它承认自己在某些时候并不知情。它不会固执地坚持一个破碎的数学模型，而是保持谦逊，在情况变得诡异时承认不确定性，并调整预测以匹配现实。这是一种“后贝叶斯（post-Bayesian）”方法，它优先考虑的是让预测结果正确，而不是在那些不再适用的规则面前死守概率论。

技术摘要：面向预测的卡尔曼滤波 (Predictively-Oriented Kalman Filtering)

问题陈述
本文探讨了在底层动力学模型（ $x_k = f(x_{k-1}, \epsilon_k)$ ）或测量模型（ $y_k = h(x_k, \xi_k)$ ）可能存在误设定（misspecified）的情况下，在线滤波所面临的挑战。标准的贝叶斯方法，包括卡尔曼滤波（KF）及其非线性扩展（如扩展卡尔曼滤波 EKF），都依赖于模型是经过正确设定的假设。当这一假设失效时——例如由于离群值、未建模动力学或错误的参数化——标准方法往往会产生过度自信的推断。它们倾向于使不确定性坍缩，从而导致较差的预测性能，因为它们无法适应模型与真实数据生成过程之间的差异。虽然现有的鲁棒方法（例如广义贝叶斯方法 WoLF）试图通过降低离群值的权重或使用重尾噪声分布来缓解这一问题，但它们通常需要用户指定的超参数，或者无法有效处理系统性的模型误设定。

方法论
作者提出了 EKF-PrO（面向预测的扩展卡尔曼滤波），这是一种后贝叶斯（post-Bayesian）滤波框架，它背离了对贝叶斯定理的严格遵循，转而优先考虑预测性能。

优化视角： 滤波任务被重新表述为概率分布空间上的一个优化问题。滤波分布 $q_{k|k}$ 被定义为由损失项 $\ell(y_k; q)$ 和 KL 散度正则项 $KL(q \| q_{k|k-1})$ 组成的目标函数的极小值点。
面向预测的 (PrO) 损失函数： 不同于使用负对数似然的标准贝叶斯滤波，PrO 滤波器采用如下定义的损失函数：
$\ell^{(PrO)}(y_k; q) := -\log \left( \int p(y_k|x_k)q(x_k)dx_k \right)$
该公式将滤波分布 $q$ 处理为混合模型的参数。最小化该损失等价于最小化模型的预测分布与真实数据生成分布之间的 KLD，从而在误设定情况下实现自动的不确定性校准。
近似线性高斯更新： 由于 PrO 目标函数对于一般的状态空间模型没有闭式解，作者开发了一种类似于 EKF 的快速近似更新方法。
- 预测步骤： 使用 Chapman-Kolmogorov 方程（或针对非线性的线性化处理）遵循标准的 KF/EKF 程序。
- 更新步骤： 作者将搜索空间限制在高斯分布（变分族）内。他们推导出了目标函数的显式形式，揭示了其具有 凸函数之差 (Difference-of-Convex, DoC) 的结构。这使得可以使用高效的数值优化技术来求解后验均值和协方差。
- 非线性扩展 (EKF-PrO)： 对于非线性模型，该方法围绕当前优化路径的迭代点（类似于迭代 EKF）对测量函数 $h$ 进行线性化，并利用 DoC 结构来精细化更新。

核心贡献

无超参数的鲁棒性： EKF-PrO 方法不需要可调的超参数，这与许多依赖用户指定权重或噪声协方差膨胀因子的鲁棒滤波技术形成对比。
理论校准： 该方法确保了只有在模型是正确设定时才会发生学习（后验集中）。在误设定场景下，它避免了贝叶斯方法典型的“不确定性坍缩”，通过保持较高的后验方差来反映模型的不足。
计算效率： 作者提供了一种计算复杂度与现有 EKF 变体相当（ $O(I d^3)$ ，其中 $I$ 是内层循环迭代次数）的快速近似更新程序，使其适用于实时应用。
DoC 优化： 将 PrO 目标函数推导为凸函数之差（DoC）结构，为协方差更新的高效数值最小化提供了可能，这是将 PrO 后验应用于状态空间模型的一个关键技术障碍。

实验结果
论文在三个场景下将 EKF-PrO 与标准 EKF、迭代 EKF 以及最先进的鲁棒滤波器（EKF-B, EKF-IW, WoLF-IMQ, WoLF-TMD）进行了对比评估：

2D 物体追踪： 在存在系统性误设定（例如 Student-t 过程噪声）或机动动力学的场景中，EKF-PrO 的表现显著优于标准 EKF 和像 WoLF 这样的离群值鲁棒方法。虽然 WoLF 在仅测量模型误设定（离群值）时表现良好，但在面对系统性动力学误差时却表现不佳。
Lorenz96 混沌系统： 在高维（ $d=60$ ）非线性且存在系统性误设定的环境下，EKF-PrO 展示了卓越的性能。研究指出，离群值鲁棒滤波器在系统性误设定下有时会通过拒绝有效但异常的观测值来恶化性能，而 EKF-PrO 则是在不丢弃数据的情况下调整其不确定性。
保守性： 理论分析（命题 4）和实验结果证实，EKF-PrO 比 KF 更具保守性；在存在离群值时，它对均值的更新不够激进，并且会更显著地膨胀协方差，从而带来更好的长期预测。

意义与主张
本文将 EKF-PrO 定位为在模型误设定普遍且不可避免的场景中，作为（广义）贝叶斯推断的一种必要的替代方案。作者认为，与其试图构建一个更复杂的模型以强行获得校准良好的后验分布，不如直接针对预测性能进行优化。

这项工作的意义在于弥合了具有理论优势的面向预测的后验分布（提供无需过度自信的鲁棒性）与快速、在线滤波算法的实际需求之间的差距。作者谦虚地承认，虽然该方法很有效，但其理论特性（如统计效率和维度依赖性）尚未得到充分理解，且计算成本目前比标准 KF 高出 10–20 倍，但仍与其它鲁棒基准方法相当。他们将开发这种高效更新程序视为主要的工程技术贡献，从而实现了将 PrO 后验应用于动态状态空间问题的可能。