从生物体到机器,自主系统依靠测量的感官线索来估计有关自身或环境的未知信息。 对于非线性系统,可以利用精心挑选的传感器运动来提取其他不可用的信息,即主动传感。 需要经验丰富但数学严谨的工具,以(1)量化传感器运动如何有助于估计性能,(2)利用这些知识来提高状态估计。 在这里,我们介绍了“BOUNDS:Uncertain Unlinear Dynamic Systems的Bounding Observability”和Python包pybounds,它可以发现传感器运动的模式,增加单个状态变量的信息。 至关重要的是,它适用于部分可观测的非线性系统,用于传感器噪声,可以应用于模拟或观察到的轨迹。 我们通过针对传感器有限的飞行剂的案例研究演示了BOUNDS,展示了如何利用主动传感来估计地面速度、高度和环境风向等关键变量。 最后,我们提出了一个框架,以完善来自活动传感的零星估计,该估计值将人工神经网络的数据驱动状态和可观测性估计与基于模型的估计相结合,我们称之为增强信息卡尔曼滤波器(AI-KF)。 我们使用来自室外四轴飞行器飞行的GPS否认数据的高度估计来验证我们的框架。 总的来说,我们的工作将有助于解码主动传感策略,并为感觉运动系统中的估计算法设计提供信息。