KI News: Kurz und klar.

In einer neuen Studie wird ein innovativer Hybridansatz vorgestellt, der physikbasierte Modelle mit datengetriebenem Lernen kombiniert, um die Zustandsabschätzung komplexer, unsicherer physikalischer Systeme zu verbessern. Der Ansatz nutzt das Parameterized Background Data‑Weak (PBDW) Framework, das eine reduzierte Modelldarstellung mit Messdaten verknüpft und so sowohl erwartete als auch unerwartete Unsicherheiten berücksichtigt.

In einer kürzlich veröffentlichten Arbeit wird ein lernbasierter Beobachter (LEO) vorgestellt, der die Zustandsabschätzung für lineare zeitinvariante Systeme mit parametric Uncertainty deutlich verbessert. Anstatt sich ausschließlich auf ein nominales Modell zu verlassen, werden die Systemmatrizen als optimierbare Variablen behandelt und durch gradientenbasierte Minimierung eines Verlustes für die stationäre Ausgangsdiskrepanz verfeinert.

Wissenschaftler haben einen neuen Ansatz zur Zustandsabschätzung in nichtlinearen, nicht-gauss'schen Zustandsraummodellen vorgestellt. Der Kern des Verfahrens ist eine variationale Lagrange-Formulierung, die die Bayessche Inferenz als Folge von entropischen Vertrauensbereich-Updates unter dynamischen Nebenbedingungen interpretiert.