Error Analysis of Approximated PCRLBs for Nonlinear Dynamics

Technische Zusammenfassung: Fehleranalyse approximierter PCRLBs für nichtlineare Dynamiken

Problemformulierung
Im Bereich des nichtlinearen Filterns ist die Bewertung der erreichbaren Leistung entscheidend für das Algorithmen-Design, insbesondere bei Systemen wie dem Interacting Multiple Model (IMM), bei denen gewichtete Schätzungen kombiniert werden. Während die Posterior Cramer-Rao Lower Bound (PCRLB) als theoretischer Benchmark für die Genauigkeit eines Filters dient, erfordert deren rekursive Berechnung traditionell die Kenntnis des wahren Zustandsverlaufs. In praktischen Online-Anwendungen ist der wahre Zustand jedoch unbekannt; es stehen lediglich Zustandsschätzungen zur Verfügung. Folglich besteht ein Bedarf an der Approximation der PCRLB unter Verwendung dieser Online-Schätzungen anstelle von exakten Werten.

Die vorliegende Arbeit befasst sich mit der spezifischen Herausforderung, die Genauigkeit und den Unterschied zwischen zwei gängigen Approximationsstrategien zu bestimmen:

1. Mittelwert-basierte Approximation: Kombination des Erwartungswerts der Zustandsschätzung direkt mit dem exakten Dynamikmodell.
2. Mittelwert-Kovarianz-Approximation: Verwendung sowohl des ersten als auch des zweiten Moments (Erwartungswert und Kovarianz) der Zustandsschätzung unter Einbeziehung von Taylor-Reihenentwicklungen der Dynamik.

Das primäre Ziel ist es, den Unterschied zwischen diesen beiden Approximationen analytisch zu formulieren und zu bestimmen, welche Methode eine engere Schranke zur wahren PCRLB liefert.

Methodik
Die Autoren schlagen ein auf Gauß-Annahmen basierendes Framework vor, um rekursive Approximationen der Fisher-Informationsmatrix (FIM) abzuleiten, aus der die PCRLB als deren Inverse abgeleitet wird.

1. Approximierte Gauß-Formen (AGF):

   • Typ A (Mittelwert-Kovarianz): Die Zustandsübergangs- und Messdichten werden unter Verwendung einer Gauß-Verteilung approximiert, die durch die ersten beiden Momente der Zustandsschätzung charakterisiert ist. Dies beinhaltet Taylor-Reihenentwicklungen bis zur zweiten Ordnung, um die Nichtlinearität der Funktionen $f_k$ und $h_k$ zu berücksichtigen. Mittelwert und Kovarianz werden unter Einbeziehung von Korrekturtermen, die die Hessian-Matrizen und die Fehlerkovarianz beinhalten, aktualisiert.
   • Typ B (Nur Mittelwert): Der Zustand und die Messung werden unter Verwendung nur des ersten Moments (der Zustandsschätzung) und des exakten Dynamikmodells approximiert, wobei höhere Kovarianz-Effekte in der Dichtefunktion vernachlässigt werden.

2. Rekursive FIM-Ableitung:
   Unter Verwendung der definierten AGFs leiten die Autoren die Komponenten der FIM ($D_{11}, D_{12}, D_{22}$) für beide Approximationstypen ab.

   • Im Fall der Mittelwert-Kovarianz-Approximation werden die FIM-Matrizen mithilfe der Matrix-Inversions-Lemma dekomponiert. Diese Dekomposition trennt die Terme in eine „Stern“-Komponente ($\Sigma^*$), welche der Mean-Only-Approximation entspricht, und eine Residuen-Komponente ($\Sigma$ oder $\Pi$), welche den Beitrag der Kovarianz und höherer Terme darstellt.
   • Im Fall der Mean-Only-Approximation wird die FIM direkt aus den vereinfachten Gauß-Formen abgeleitet, was eine Matrix $\Theta$ ergibt.

3. Analytische Differenzformulierung:
   Durch Anwendung des Matrix-Inversions-Lemmas auf die rekursiven PCRLB-Gleichungen leiten die Autoren einen expliziten analytischen Ausdruck für die Differenz zwischen den beiden approximierten Schranken ab. Sei $J^{-1}_{k+1}$ die PCRLB aus dem Mean-Covariance-Modell und $J^{*-1}_{k+1}$ die PCRLB aus dem Mean-Only-Modell. Die Differenz wird wie folgt formuliert:
   $$\tilde{J}^{-1}_{k+1} = J^{*-1}_{k+1} - J^{-1}_{k+1} = (\Pi^{-1}\Theta + I)^{-1}\Theta^{-1}$$
   wobei $\Pi$ und $\Theta$ aus den dekomponierten FIM-Termen abgeleitet sind.

Experimentelle Ergebnisse
Die vorgeschlagenen Methoden wurden mit einem univariaten nichtlinearen Modell evaluiert, das für eine bimodale Likelihood und starke Nichtlinearität bekannt ist. Zwei Zustandsschätzer wurden eingesetzt, um die notwendigen Zustandsschätzungen und Kovarianzen zu generieren:

• Unscented Kalman Filter (UKF): Ein deterministischer Sampling-Ansatz, der für Gauß-Inputs bis zum dritten Term genau ist.
• Partikelfilter (PF): Ein Monte-Carlo-Ansatz mit 1000 Partikeln und 100 Simulationsläufen.

Die wichtigsten Erkenntnisse aus den Simulationen umfassen:

• Genauigkeitsvergleich: Die mittels des Mean-Covariance-Modells (Typ A) abgeleitete PCRLB lieferte konsistent eine engere (niedrigere) Schranke, die näher an der wahren PCRLB liegt, als das Mean-Only-Modell (Typ B).
• Filterabhängigkeit: Der PF produzierte im Allgemeinen genauere Approximationen der PCRLB als der UKF, was auf die Fähigkeit des PF zurückzuführen ist, die starke Nichtlinearität und Bimodalität des Systems besser zu handhaben.
• Konvergenz: Die theoretische Lücke zwischen den beiden Approximationen verringerte sich mit zunehmender Genauigkeit der zugrunde liegenden Filtermethode (z. B. durch Erhöhung der Partikelanzahl im PF).
• Oszillationen: Aufgrund der ausgeprägten Nichtlinearität des Systems zeigten die PCRLB-Kurven starke Oszillationen, dennoch blieb die relative Leistungsrangfolge zwischen den Approximationsmethoden konsistent.

Bedeutung und Ansprüche
Die Arbeit beansprucht, einen rigorosen analytischen Rahmen zur Quantifizierung des Fehlers bereitzustellen, der entsteht, wenn die PCRLB unter Verwendung von Zustandsschätzungen anstelle von wahren Zuständen approximiert wird. Speziell:

• Sie stellt fest, dass die Approximation, die sowohl den Mittelwert als auch die Kovarianz (via Taylor-Entwicklung) nutzt, die einfachere Mean-Only-Approximation hinsichtlich der Nähe zur wahren Schranke übertrifft.
• Sie zeigt auf, dass der theoretische Unterschied zwischen diesen beiden Schranken explizit berechnet werden kann, was als Metrik dient, um die Qualität der Approximation basierend auf der Leistung der Filtermethode zu bewertet.
• Die Studie bestätigt, dass eine Verbesserung der Genauigkeit des Zustandsschätzers (z. B. durch bessere Filteralgorithmen oder eine höhere Partikelanzahl im PF) die Genauigkeit der geschätzten PCRLB direkt verbessert.

Die Autoren kommen zu dem Schluss, dass ihr Ansatz eine valide und signifikante Methode zur Bewertung der Filterleistung in praktischen nichtlinearen Systemen darstellt, in denen wahre Zustände nicht verfügbar sind, und somit ein Werkzeug bietet, um zu bestimmen, ob die geforderten Leistungsanforderungen realistisch sind.