20260625:很多新内容

papers/nano-filter.md

@@ -0,0 +1,66 @@
+---
+title: "NANO Filter: 非线性贝叶斯滤波的自然梯度高斯近似"
+created: 2026-06-22
+updated: 2026-06-22
+type: paper
+tags: [state-estimation, bayesian-filtering, natural-gradient, gaussian-filtering, nonlinear-filtering]
+arxiv: "2410.15832"
+authors: ["Wenhan Cao", "Tianyi Zhang", "Zeju Sun", "Chang Liu", "Stephen S.-T. Yau", "Shengbo Eben Li"]
+venue: "arXiv (eess.SY), 2024 (v4: 2026-03)"
+sources: ["https://arxiv.org/abs/2410.15832"]
+---
+
+# NANO Filter
+
+**Natural Gradient Gaussian Approximation Filter** — 一种面向非线性系统的迭代高斯滤波器，核心创新在于跳出「线性化 → KF」的传统使能框架，直接在 [[gaussian-manifold|高斯流形]]上用 [[natural-gradient-descent|自然梯度下降]]求解最优 Gaussian 近似。
+
+## 核心问题
+
+传统 [[gaussian-filtering|Gaussian filter]]（[[extended-kalman-filter|EKF]], [[unscented-kalman-filter|UKF]], [[posterior-linearization-filter|PLF]]）遵循两阶段设计：(i) 将非线性模型近似为线性高斯形式，(ii) 在线性模型上运行 [[kalman-filter|KF]]。不同滤波器间的差异本质上是**线性化策略**的不同——但线性化误差始终存在。
+
+## 方法论贡献
+
+### 1. 优化视角重构 Bayesian 滤波
+
+将 [[bayesian-filtering|贝叶斯滤波]]的预测步和更新步分别解释为两个变分优化问题：
+- **预测步**：最大化候选密度在转移概率下的期望对数似然 → 最优解即[[moment-matching-filter|矩匹配]]
+- **更新步**：最小化期望负对数似然 + KL 散度
+
+利用 [[stein-lemma|Stein 引理]]，将两个变分问题的驻点条件转化为有限维优化。
+
+### 2. 自然梯度更新步
+
+NANO 的核心算法创新：不在更新步做线性化，而是在 [[gaussian-manifold|高斯流形]]上直接用 [[natural-gradient-descent|自然梯度]]迭代最小化更新代价 $J(\hat{x}_t, P_t)$。
+
+迭代公式（利用高斯分布 Fisher 矩阵 $F_v$ 的解析逆）：
+$$
+P_{t}^{-1,(i+1)} = P_{t|t-1}^{-1} + E_{N(x_t; \hat{x}_t^{(i)}, P_t^{(i)})}\left[\frac{\partial^2 \ell(x_t, y_t)}{\partial x_t^2}\right]
+$$
+$$
+\hat{x}_t^{(i+1)} = \hat{x}_t^{(i)} - P_t^{(i+1)} \cdot E_{N(\cdot)}\left[\frac{\partial \ell(x_t, y_t)}{\partial x_t}\right] - P_t^{(i+1)} P_{t|t-1}^{-1}(\hat{x}_t^{(i)} - \hat{x}_{t|t-1})
+$$
+
+### 3. 理论保证
+
+- **局部收敛**：NANO 的自然梯度迭代在二阶近似下保证更新代价单调递减
+- **线性 Gaussian 一致性**：在线性系统中，**一次迭代**即收敛到 KF 精确解，与初始化无关
+- **指数误差界**：在近线性测量方程和低噪声条件下，估计误差被证明为指数有界（通过构造跨时间步的超鞅性质）
+
+### 4. 鲁棒扩展
+
+基于 [[gibbs-posterior|Gibbs 后验]]框架，将标准似然替换为广义损失函数以处理模型误设：
+- **[[pseudo-huber-loss|Pseudo-Huber 损失]]**：大残差时线性增长，抑制离群值影响
+- **加权对数似然**：按数据依赖权重缩放似然贡献
+
+## 实验
+
+在真实系统实验（包括目标跟踪和导航场景）中，NANO 相对于 EKF、UKF、IEKF、PLF 等主流 Gaussian filter，**平均 RMSE 降低约 45%**，计算负担可比。
+
+## 参考
+- [原始存档](raw/papers/cao-nano-filter-2024.md)
+- [[bayesian-filtering|Bayesian Filtering]]
+- [[natural-gradient-descent|Natural Gradient Descent]]
+- [[gaussian-manifold|Gaussian Manifold]]
+- [[moment-matching-filter|Moment-Matching Filter]]
+- [[stein-lemma|Stein's Lemma]]
+- [[gibbs-posterior|Gibbs Posterior]]