Název:	Learning and Exploiting Partial Knowledge in Distributed Estimation
Autoři:	Radtke, Sussane Ajgl, Jiří Straka, Ondřej Hanebeck, Uwe D.
Citace zdrojového dokumentu:	RADTKE, S. AJGL, J. STRAKA, O. HANEBECK, UD. Learning and Exploiting Partial Knowledge in Distributed Estimation. In Proceedins of the 2021 IEEE International Conference on Multisensor Fusion and Integration (MFI 2021). Karlsruhe: IEEE, 2021. s. 1-7. ISBN: 978-1-66544-521-4 , ISSN: neuvedeno
Datum vydání:	2021
Nakladatel:	IEEE
Typ dokumentu:	konferenční příspěvek ConferenceObject
URI:	2-s2.0-85122868684 http://hdl.handle.net/11025/47260
ISBN:	978-1-66544-521-4
ISSN:	neuvedeno
Klíčová slova v dalším jazyce:	estimation fusion;partially known correlation;learning of correlation
Abstrakt v dalším jazyce:	In distributed estimation, several sensor nodes provide estimates of the same underlying dynamic process. These estimates are correlated but due to local processing, the correlations are only partially known or even unknown. For a consistent fusion of the local estimates, the correlation needs to be properly treated. Many methods provide consistent but overly conservative fusion results. In this paper, we propose to learn partial knowledge about the correlation in the form of correlation sets and exploit this knowledge to provide less conservative estimates. We use a simple numerical example to demonstrate the advantages of the proposed approach in terms of quality and consistency and how the quality of the fused estimate increases with time.
Práva:	Plný text je přístupný v rámci univerzity přihlášeným uživatelům. © IEEE
Vyskytuje se v kolekcích:	Konferenční příspěvky / Conference Papers (KKY) OBD

Všechny záznamy v DSpace jsou chráněny autorskými právy, všechna práva vyhrazena.