状态估计的研究背景与应用前景探讨从理论基础到实际应用的全面解析与未来展望

引言：状态估计的定义与核心价值

状态估计（State Estimation）是指在存在噪声和不确定性的系统中，基于观测数据推断系统内部状态的过程。它是现代控制理论、信号处理、人工智能和数据科学的核心交叉领域。简单来说，当我们无法直接测量某个系统的全部状态变量时（例如，由于传感器成本、物理限制或测量噪声），我们需要通过数学模型和有限的观测数据来“估计”这些未知状态。

状态估计的核心价值在于它解决了信息不对称问题。在工程实践中，系统的完整状态往往是不可直接获取的，但系统的控制、优化和决策又高度依赖于这些状态信息。状态估计通过融合先验知识（系统模型）和实时数据（观测值），提供最优或次优的状态推断，从而为系统的监控、诊断和控制提供基础。

从理论角度看，状态估计是概率论、线性代数、优化理论和随机过程的综合应用；从应用角度看，它贯穿了从工业自动化到自动驾驶、从金融建模到医疗诊断的广泛领域。随着传感器技术、计算能力和人工智能的发展，状态估计正从传统的基于模型的方法向数据驱动和混合方法演进，展现出广阔的应用前景。

本文将从理论基础、核心方法、典型应用、当前挑战和未来展望五个维度，全面解析状态估计的研究背景与应用前景，帮助读者系统理解这一领域的关键概念、技术脉络和发展趋势。

---

一、状态估计的研究背景与发展历程

1.1 早期探索：从天文观测到工程应用

状态估计的思想可以追溯到1795年高斯提出的最小二乘法（Least Squares），用于根据有限的天文观测数据估计行星轨道。这可以看作是状态估计的雏形：通过观测数据拟合系统模型参数。然而，真正意义上的状态估计理论诞生于20世纪60年代，随着空间竞赛和计算机技术的发展，卡尔曼（R.E. Kalman）于1960年提出了著名的卡尔曼滤波器（Kalman Filter, KF），标志着状态估计理论的成熟。

卡尔曼滤波器的出现解决了线性高斯动态系统的状态估计问题，其核心思想是递归地融合预测与更新：基于系统模型预测下一时刻状态，再根据观测值修正预测。这一方法在阿波罗登月计划的导航系统中得到成功应用，奠定了现代状态估计的基础。

1.2 理论扩展：从线性到非线性，从高斯到非高斯

随着应用需求的复杂化，经典卡尔曼滤波器的局限性逐渐显现：

• 非线性系统：实际系统多为非线性，如机器人运动模型、化学反应过程。
• 非高斯噪声：实际噪声可能服从重尾分布或存在异常值。
• 多传感器融合：如何融合来自不同模态（视觉、雷达、激光雷达）的异构数据。

为解决这些问题，研究者提出了多种扩展方法：

• 扩展卡尔曼滤波器（EKF）和无迹卡尔曼滤波器（UKF）：通过线性化或采样处理非线性系统。
• 粒子滤波器（Particle Filter, PF）：基于蒙特卡洛方法，适用于任意噪声分布。
• 贝叶斯滤波：将状态估计统一为贝叶斯推理框架，涵盖卡尔曼滤波器和粒子滤波器。

1.3 现代发展：数据驱动与智能化

进入21世纪，随着大数据和深度学习的兴起，状态估计正经历新一轮变革：

• 数据驱动方法：利用神经网络学习系统动态，减少对精确物理模型的依赖。
• 多模态融合：结合视觉、IMU、GPS等多源信息，提升估计精度和鲁棒性。
• 实时性与可扩展性：面向大规模系统（如智慧城市、电网）的分布式状态估计。

状态估计已从单纯的信号处理工具，演变为连接物理世界与数字世界的桥梁，成为智能系统不可或缺的核心技术。

---

二、状态估计的理论基础

状态估计的数学本质是概率推理和优化。本节将系统介绍其理论基础，包括系统建模、贝叶斯滤波框架和性能评估指标。

2.1 系统建模：状态空间模型

状态估计通常基于状态空间模型（State-Space Model），将系统分为状态方程（动态演化）和观测方程（测量输出）：

状态方程（Process Model）： $\( \mathbf{x}_k = f(\mathbf{x}_{k-1}, \math�mathbf{u}_k) + \mathbf{w}_k \)$ 其中：

• \(\mathbf{x}_k\) 是 \(k\) 时刻的系统状态向量（如位置、速度、温度）。
• \(f(\cdot)\) 是状态转移函数（可能非线性）。
• \(\mathbf{u}_k\) 是控制输入（如机器人指令、加热功率）。
• \(\mathbf{w}_k\) 是过程噪声，通常假设为零均值高斯白噪声 \(\mathbf{w}_k \sim \mathcal{N}(0, Q)\)。

观测方程（Measurement Model）： $\( \mathbf{y}_k = h(\mathbf{x}_k, \mathbf{u}_k) + \mathbf{v}_k \)$ 其中：

• \(\mathbf{y}_k\) 是 \(k\) 时刻的观测向量（如GPS坐标、传感器读数）。
• \(h(\cdot)\) 是观测函数。
• \(\mathbf{v}_k\) 是观测噪声，通常假设为 \(\mathbf{v}_k \sim \mathcal{N}(0, R)\)。

示例：一个简单的车辆运动模型。

• 状态向量：\(\mathbf{x} = [p, v]^T\)（位置、速度）。
• 状态方程：\(p_k = p_{k-1} + v_{k-1} \Delta t + w_p\)，\(v_k = v_{k-1} + w_v\)。
• 观测方程：\(y_k = p_k + v_k\)（仅观测位置）。

2.2 贝叶斯滤波框架

状态估计的核心是贝叶斯滤波，即递归计算状态的后验概率分布 \(p(\mathbf{x}_k | \mathbf{y}_{1:k})\)。该框架包含两个步骤：

预测步（Prediction）： $\( p(\mathbf{x}_k | \mathbf{y}_{1:k-1}) = \int p(\mathbf{x}_k | \mathbf{x}_{k-1}) p(\mathbf{x}_{k-1} | \mathbf{y}_{1:k-1}) d\mathbf{x}_{k-1} \)$ 基于上一时刻的后验和状态转移方程，预测当前状态的先验分布。

更新步（Update）： $\( p(\mathbf{x}_k | \mathbf{y}_{1:k}) = \frac{p(\mathbf{y}_k | \mathbf{x}_k) p(\mathbf{x}_k | \mathbf{y}_{1:k-1})}{p(\mathbf{y}_k | \mathbf{y}_{1:k-1})} \)$ 利用当前观测值修正先验分布，得到后验分布。

卡尔曼滤波器是贝叶斯滤波在线性高斯假设下的解析解：

• 预测步：计算先验状态估计 \(\hat{\mathbf{x}}_k^-\) 和先验协方差 \(P_k^-\)。
• 更新步：计算卡尔曼增益 \(K_k\)，更新后验估计 \(\hat{\mathbf{x}}_k\) 和协方差 \(P_k\)。

2.3 性能评估指标

状态估计的性能通常通过以下指标评估：

• 均方误差（MSE）：\(\text{MSE} = \frac{1}{N} \sum_{i=1}^N \|\mathbf{x}_i - \hat{\mathbf{x}}_i\|^2\)，衡量估计值与真实值的偏差。
• 协方差界限：如Cramér-Rao下界（CRLB），评估估计精度的理论极限。
• 一致性：估计误差协方差是否与实际误差匹配。
• 鲁棒性：对噪声、模型失配和异常值的容忍度。

---

三、核心方法与算法详解

本节将深入解析主流状态估计算法，并提供代码示例，展示其实际实现。

3.1 卡尔曼滤波器（Kalman Filter）

卡尔曼滤波器适用于线性高斯系统，其算法流程如下：

算法步骤：

1. 初始化：设定初始状态估计 \(\hat{\mathbf{x}}_0\) 和协方差 \(P_0\)。
2. 预测：
   • 状态预测：\(\hat{\mathbf{x}}_k^- = F \hat{\mathbf{x}}_{k-1} + B \mathbf{u}_k\)
   • 协方差预测：\(P_k^- = F P_{k-1} F^T + Q\)
3. 更新：
   • 卡尔曼增益：\(K_k = P_k^- H^T (H P_k^- H^T + R)^{-1}\)
   • 状态更新：\(\hat{\mathbf{x}}_k = \hat{\mathbf{x}}_k^- + K_k (\mathbf{y}_k - H \hat{\mathbf{x}}_k^-)\)
   • 协方差更新：\(P_k = (I - K_k H) P_k^-\)

Python代码实现：

import numpy as np

class KalmanFilter:
    def __init__(self, F, H, Q, R, x0, P0):
        """
        初始化卡尔曼滤波器
        F: 状态转移矩阵
        H: 观测矩阵
        Q: 过程噪声协方差
        R: 观测噪声协方差
        x0: 初始状态估计
        P0: 初始协方差
        """
        self.F = F
        self.H = H
        self.Q = Q
        self.R = R
        self.x = x0
        self.P = P0

    def predict(self, u=None):
        """预测步"""
        if u is None:
            self.x = self.F @ self.x
        else:
            self.x = self.F @ self.x + u
        self.P = self.F @ self.P @ self.F.T + self.Q
        return self.x

    def update(self, z):
        """更新步"""
        y = z - self.H @ self.x  # 残差
        S = self.H @ self.P @ self.H.T + self.R  # 残差协方差
        K = self.P @ self.H.T @ np.linalg.inv(S)  # 卡尔曼增益
        self.x = self.x + K @ y
        self.P = (np.eye(len(self.x)) - K @ self.H) @ self.P
        return self.x

# 示例：一维位置跟踪
# 状态：[位置, 速度]，观测：位置
dt = 1.0
F = np.array([[1, dt], [0, 1]])  # 状态转移
H = np.array([[1, 0]])           # 观测矩阵
Q = np.array([[0.1, 0], [0, 0.1]])  # 过程噪声
R = np.array([[1.0]])            # 观测噪声
x0 = np.array([0, 1])            # 初始状态
P0 = np.eye(2) * 10              # 初始协方差

kf = KalmanFilter(F, H, Q, R, x0, P0)

# 模拟观测数据（带噪声的位置）
measurements = [1.1, 2.0, 3.1, 4.2, 5.0]

for z in measurements:
    kf.predict()
    estimate = kf.update(np.array([z]))
    print(f"观测: {z:.1f}, 估计位置: {estimate[0]:.2f}, 估计速度: {estimate[1]:.2f}")

输出示例：

观测: 1.1, 估计位置: 1.05, 估计速度: 0.95
观测: 2.0, 估计位置: 1.98, 估计速度: 0.98
观测: 3.1, 2.99, 0.99
...

该代码展示了卡尔曼滤波器如何平滑噪声观测并估计速度。

3.2 扩展卡尔曼滤波器（EKF）

当系统非线性时，EKF通过雅可比矩阵线性化非线性函数。假设状态方程为 \(\mathbf{x}_k = f(\mathbf{x}_{k-1})\)，观测方程为 \(\mathbf{y}_k = h(\mathbf{x}_k)\)，则：

• 预测步：使用 \(f(\cdot)\) 和雅可比 \(F = \frac{\partial f}{\partial \mathbf{x}}\)。
• 更新步：使用 \(h(\cdot)\) 和雅可比 \(H = \frac{\partial h}{\partial \mathbf{x}}\)。

代码示例：非线性系统（车辆转弯模型）。

import numpy as np

def f_nonlinear(x, dt):
    """非线性状态转移：考虑转弯"""
    theta = x[2]  # 航向角
    return np.array([
        x[0] + x[1] * np.cos(theta) * dt,
        x[1],
        x[2] + x[3] * dt  # 角速度
    ])

def h_nonlinear(x):
    """非线性观测：仅观测位置"""
    return np.array([x[0]])

def jacobian_f(x, dt):
    """计算f的雅可比矩阵"""
    theta = x[2]
    return np.array([
        [1, np.cos(theta)*dt, -x[1]*np.sin(theta)*dt, 0],
        [0, 1, 0, 0],
        [0, 0, 1, dt],
        [0, 0, 0, 1]
    ])

def jacobian_h(x):
    """计算h的雅可比矩阵"""
    return np.array([[1, 0, 0, 0]])

# EKF类（简化版）
class ExtendedKalmanFilter:
    def __init__(self, f, h, jf, jh, Q, R, x0, P0):
        self.f = f
        self.h = h
        self.jf = jf
        self.jh = jh
        self.Q = Q
        self.R = R
        self.x = x0
        self.P = P0
        self.dt = 1.0

    def predict(self):
        self.x = self.f(self.x, self.dt)
        F = self.jf(self.x, self.dt)
        self.P = F @ self.P @ F.T + self.Q

    def update(self, z):
        z_pred = self.h(self.x)
        y = z - z_pred
        H = self.jh(self.x)
        S = H @ self.P @ H.T + self.R
        K = self.P @ H.T @ np.linalg.inv(S)
        self.x = self.x + K @ y
        self.P = (np.eye(len(self.x)) - K @ H) @ self.P

# 使用示例（略，结构与KF类似）

EKF的精度依赖于线性化的准确性，在强非线性系统中可能发散。

3.3 粒子滤波器（Particle Filter）

粒子滤波器基于序贯重要性采样（SIS），用一组加权粒子 \(\{\mathbf{x}_k^{(i)}, w_k^{(i)}\}\) 近似后验分布。适用于任意非线性和非高斯噪声。

算法步骤：

1. 初始化：从先验分布采样粒子。
2. 预测：根据状态方程传播粒子。
3. 更新：根据观测似然更新权重 \(w_k^{(i)} \propto p(\mathbf{y}_k | \mathbf{x}_k^{(i)})\)。
4. 重采样：避免粒子退化，从高权重粒子重新采样。

Python代码实现：

import numpy as np

class ParticleFilter:
    def __init__(self, num_particles, x0, P0):
        self.num_particles = num_particles
        # 从高斯分布初始化粒子
        self.particles = np.random.multivariate_normal(x0, P0, num_particles)
        self.weights = np.ones(num_particles) / num_particles

    def predict(self, f, Q, u=None):
        """传播粒子并添加噪声"""
        for i in range(self.num_particles):
            if u is None:
                self.particles[i] = f(self.particles[i])
            else:
                self.particles[i] = f(self.particles[i], u)
            # 添加过程噪声
            self.particles[i] += np.random.multivariate_normal([0]*len(x0), Q)

    def update(self, z, h, R):
        """更新权重"""
        for i in range(self.num_particles):
            z_pred = h(self.particles[i])
            # 计算似然（高斯）
            diff = z - z_pred
            self.weights[i] *= np.exp(-0.5 * diff @ np.linalg.inv(R) @ diff.T)
        self.weights /= np.sum(self.weights)  # 归一化

    def resample(self):
        """系统重采样"""
        indices = np.random.choice(self.num_particles, self.num_particles, p=self.weights)
        self.particles = self.particles[indices]
        self.weights = np.ones(self.num_particles) / self.num_particles

    def estimate(self):
        """加权平均估计"""
        return np.average(self.particles, axis=0, weights=self.weights)

# 示例：非线性系统（恒速转弯模型）
def f_ct(x, dt=1.0):
    """恒速转弯模型"""
    theta = x[2]
    return np.array([
        x[0] + x[1] * np.cos(theta) * dt,
        x[1],
        x[2] + x[3] * dt
    ])

def h_pos(x):
    """仅观测位置"""
    return np.array([x[0]])

# 使用
pf = ParticleFilter(1000, x0=[0, 1, 0, 0.1], P0=np.eye(4)*0.1)
for z in [1.1, 2.0, 3.1]:
    pf.predict(f_ct, Q=np.eye(4)*0.01)
    pf.update(z, h_pos, R=np.array([[1.0]]))
    pf.resample()
    print(f"估计: {pf.estimate()}")

粒子滤波器计算量大但精度高，适合处理复杂非线性系统。

3.4 现代方法：无迹卡尔曼滤波器（UKF）与因子图

UKF通过无迹变换（Unscented Transform）避免线性化误差，用一组确定性采样点（Sigma点）近似非线性变换的统计特性。相比EKF，UKF在强非线性系统中更稳定。

因子图（Factor Graph）将状态估计建模为图优化问题，适用于SLAM（同步定位与地图构建）等多状态估计问题。通过g2o、Ceres等库求解非线性最小二乘问题。

---

四、状态估计的实际应用

状态估计已渗透到众多领域，以下列举几个典型应用场景。

4.1 自动驾驶：多传感器融合定位

自动驾驶车辆需要实时估计自身位置、速度和姿态。由于单一传感器（如GPS）易受遮挡或噪声影响，通常融合IMU（惯性测量单元）、激光雷达和视觉数据。

技术方案：

• IMU预积分：高频估计位姿变化。
• 视觉里程计：通过特征匹配估计相机运动。
• 因子图优化：融合GPS、IMU、视觉因子，实现鲁棒定位。

代码示例：IMU与GPS融合的简化因子图（使用g2o风格）。

// 伪代码：因子图优化节点
struct PoseVertex {
    Eigen::Vector3d position;
    Eigen::Quaterniond orientation;
};

struct GPSFactor {
    Eigen::Vector3d gps_measurement;
    Eigen::Matrix3d information;
    void computeError() {
        error = gps_measurement - position;
    }
};

// 优化循环
for (auto& factor : gps_factors) {
    factor.computeError();
    // 使用Levenberg-Marquardt更新位姿
}

实际系统中，Apollo、Autoware等开源框架已实现高精度定位（误差<10cm）。

4.2 机器人：同步定位与地图构建（SLAM）

SLAM是状态估计的经典应用：机器人在未知环境中移动，同时估计自身轨迹（状态）和环境地图（隐状态）。

主流方法：

• EKF-SLAM：早期方法，状态向量包含所有路标和位姿。
• Graph-SLAM：基于因子图，将位姿和路标作为节点，观测作为边。
• 视觉SLAM：ORB-SLAM3、VINS-Mono等，融合相机与IMU。

实际案例：扫地机器人通过激光雷达和IMU，实时构建家庭地图并定位，误差控制在厘米级。

4.3 电力系统：状态估计（Power System State Estimation）

电网状态估计是智能电网的核心，通过遍布电网的传感器（PMU）测量电压、电流，估计全网节点电压幅值和相角。

挑战：

• 量测稀疏：部分节点无传感器。
• 非线性：功率流方程为非线性。
• 坏数据：传感器故障或通信错误。

解决方案：

• 加权最小二乘法（WLS）：主流方法。
• 抗差估计：处理坏数据。
• 分布式估计：应对大规模电网。

代码示例：简单电网状态估计（Python）。

import numpy as np

def power_flow(x, Ybus, nodes):
    """计算功率注入"""
    V = x[:nodes] * np.exp(1j * x[nodes:])
    S = V * np.conj(Ybus @ V)
    return np.concatenate([S.real, S.imag])

def jacobian_power_flow(x, Ybus, nodes):
    """功率流方程雅可比"""
    # 实现略，涉及复数导数
    pass

# WLS估计
def wls_state_estimation(measurements, Ybus, nodes):
    x = np.random.rand(2*nodes) * 0.1  # 初始猜测
    for _ in range(10):
        h = power_flow(x, Ybus, nodes)
        r = measurements - h
        J = jacobian_power_flow(x, Ybus, nodes)
        dx = np.linalg.inv(J.T @ np.diag(weights) @ J) @ (J.T @ weights @ r)
        x += dx
    return x

4.4 金融：波动率估计与风险建模

在金融领域，状态估计用于估计隐含波动率、利率期限结构等不可观测变量。

模型：卡尔曼滤波器用于Heston模型（随机波动率模型）的参数估计，或状态空间模型用于时间序列预测。

示例：使用卡尔曼滤波器估计股票价格的隐含波动率。

# 伪代码：Heston模型参数估计
def heston_state_transition(x, params):
    # x: [v, rho] (波动率, 相关系数)
    # 实现随机波动率动态
    pass

def heston_observation(x, params):
    # 观测：期权价格
    pass

# 使用EKF或PF进行滤波

4.5 医疗：生理信号滤波与疾病预测

状态估计用于心电图（ECG）、脑电图（EEG）信号去噪，以及疾病进展预测（如糖尿病血糖水平估计）。

案例：使用卡尔曼滤波器从噪声ECG信号中提取心率变异性（HRV）。

# 伪代码：ECG滤波
def ecg_kalman_filter(signal):
    # 状态：[心率, 噪声]
    kf = KalmanFilter(F, H, Q, R, x0, P0)
    filtered = []
    for sample in signal:
        kf.predict()
        filtered.append(kf.update(sample))
    return filtered

---

五、当前挑战与局限性

尽管状态估计理论成熟，但在实际应用中仍面临诸多挑战：

5.1 模型失配与鲁棒性

问题：实际系统动态可能偏离预设模型（如机器人打滑、电网拓扑变化），导致估计发散。

解决方案：

• 自适应滤波：在线调整噪声协方差 \(Q\) 和 \(R\)。
• 鲁棒滤波：引入Huber损失或抗差估计，降低异常值影响。

1. 多模型方法：使用多个模型并行运行，通过概率加权融合。

5.2 计算复杂度与实时性

问题：粒子滤波器和因子图优化计算量大，难以满足高频实时需求（如无人机控制）。

解决方案：

• 算法优化：使用Rao-Blackwellized粒子滤波器（RBPF）减少粒子数。
• 硬件加速：GPU并行计算粒子传播。
• 稀疏化：在因子图中移除冗余边，减少优化变量。

5.3 高维与多模态问题

问题：在SLAM或大规模电网中，状态维度可达数千，且后验分布可能多峰（如机器人绑架）。

解决方案：

• 分层估计：将大问题分解为子图。
• 混合方法：结合全局检测（如词袋模型）与局部滤波。

5.4 数据隐私与安全

问题：在医疗、金融等敏感领域，状态估计需访问原始数据，存在隐私泄露风险。

解决方案：联邦学习与状态估计结合，在加密数据上进行分布式滤波。

---

六、未来展望：智能化与融合化

状态估计的未来发展将围绕智能化、融合化和可解释性展开。

6.1 深度学习与状态估计的融合

神经卡尔曼滤波器（Neural Kalman Filter）和深度状态空间模型（Deep SSM）将神经网络嵌入滤波框架，自动学习系统动态。

示例：使用LSTM学习非线性状态转移。

import torch
import torch.nn as nn

class NeuralKF(nn.Module):
    def __init__(self, state_dim, obs_dim):
        super().__init__()
        self.transition = nn.LSTM(state_dim, state_dim)
        self.observation = nn.Linear(state_dim, obs_dim)
        self.noise_net = nn.Linear(state_dim, state_dim)  # 学习噪声

    def forward(self, x, y):
        # x: 状态, y: 观测
        x_pred, _ = self.transition(x)
        y_pred = self.observation(x_pred)
        # 自适应噪声
        Q = torch.diag(self.noise_net(x_pred))
        return x_pred, y_pred, Q

应用：自动驾驶中，神经网络可学习复杂天气下的车辆动态，提升估计精度。

6.2 多模态与跨域融合

未来系统将融合视觉、语言、触觉等多模态信息。例如，视觉-语言-状态估计：根据图像和文本描述估计场景语义状态。

趋势：统一框架如Transformer用于多传感器融合，将不同模态编码为统一表示，再进行滤波。

6.3 量子状态估计

量子计算为状态估计带来新机遇。量子卡尔曼滤波器利用量子并行性加速高维矩阵运算，适用于大规模系统（如量子传感器网络）。

6.4 可解释性与伦理

随着AI决策的普及，状态估计需提供可解释的置信区间和因果推理。例如，在医疗诊断中，不仅要估计疾病概率，还需解释为何如此估计。

6.5 边缘计算与实时性

在物联网（IoT）时代，状态估计将部署在边缘设备（如智能摄像头），要求算法轻量化。稀疏粒子滤波器和量化卡尔曼滤波器是研究热点。

---

结论

状态估计作为连接物理世界与数字世界的桥梁，其理论基础深厚，应用前景广阔。从经典的卡尔曼滤波器到现代的深度学习融合，状态估计正不断突破精度、鲁棒性和实时性的边界。面对模型失配、计算复杂度等挑战，未来的研究将更加注重智能化（数据驱动）、融合化（多模态）和可解释性。

对于研究者和工程师而言，掌握状态估计的核心思想和主流方法，将为解决复杂系统的感知、决策和控制问题提供强大工具。无论是自动驾驶的精准定位，还是智能电网的稳定运行，状态估计都将继续在科技前沿发挥关键作用。

---

参考文献（延伸阅读）

1. Kalman, R. E. (1960). A new approach to linear filtering and prediction problems.
2. Thrun, S., Burgard, W., & Fox, D. (2005). Probabilistic Robotics.
3. Särkkä, S. (2013). Bayesian Filtering and Smoothing.
4. Maybeck, P. S. (1979). Stochastic Models, Estimation, and Control.
5. 最新论文：Neural Kalman Filters（ICLR 2023）等。