Error Analysis of Approximated PCRLBs for Nonlinear Dynamics

Resumen Técnico: Análisis de Error de los PCRLB Aproximados para Dinámicas No Lineales

Formulación del Problema
En el campo del filtrado no lineal, evaluar el rendimiento alcanzable es crítico para el diseño de algoritmos, particularmente en sistemas como los modelos múltiples interactuantes (IMM) donde se combinan estimaciones ponderadas. Si bien la Cota Inferior de Cramer-Rao Posterior (PCRLB) sirve como un referente teórico para la precisión del filtro, su cálculo recursivo requiere tradicionalmente el conocimiento de la trayectoria real del estado. En aplicaciones prácticas en línea, el estado real es desconocido; solo se dispone de estimaciones del estado. Por consiguiente, existe la necesidad de aproximar la PCRLB utilizando estas estimaciones en línea en lugar de valores reales.

El artículo aborda el desafío específico de determinar la precisión y la diferencia entre dos estrategias de aproximación comunes:

1. Aproximación basada en la Media: Combinar la esperanza de la estimación del estado directamente con el modelo dinámico exacto.
2. Aproximación de Media-Covarianza: Utilizar tanto el primer como el segundo orden de los momentos (esperanza y covarianza) de la estimación del estado, incorporando expansiones de la serie de Taylor de la dinámica.

La motivación principal es formular analíticamente la diferencia entre estas dos aproximaciones y determinar cuál proporciona una cota más cercana a la verdadera PCRLB.

Metodología
Los autores proponen un marco basado en supuestos gaussianos para derivar aproximaciones recursivas de la Matriz de Información de Fisher (FIM), a partir de la cual se deriva la PCRLB como la inversa.

1. Formas Gaussianas Aproximadas (AGF):

   • Tipo A (Media-Covarianza): Las densidades de transición de estado y de medición se aproximan utilizando una distribución gaussiana caracterizada por los dos primeros momentos de la estimación del estado. Esto implica expansiones de la serie de Taylor hasta el segundo orden para dar cuenta de la no linealidad de las funciones $f_k$ y $h_k$. La media y la covarianza se actualizan para incluir términos de corrección que involucran las matrices Hessianas y la covarianza del error.
   • Tipo B (Solo Media): El estado y la medición se aproximan utilizando únicamente el primer momento (la estimación del estado) y el modelo dinámico exacto, ignorando los efectos de orden superior de la covarianza en la formulación de la densidad.

2. Derivación Recursiva de la FIM:
   Utilizando las AGF definidas, los autores derivan los componentes de la FIM ($D_{11}, D_{12}, D_{22}$) para ambos tipos de aproximación.

   • Para el caso de Media-Covarianza, las matrices FIM se descomponen utilizando el lema de la inversión de matrices. Esta descomposición separa los términos en un componente "estrella" ($\Sigma^*$), que corresponde a la aproximación de Solo Media, y un componente residual ($\Sigma$ o $\Pi$) que representa la contribución de la covarianza y los términos de orden superior.
   • Para el caso de Solo Media, la FIM se deriva directamente de las formas gaussianas simplificadas, produciendo una matriz denominada $\Theta$.

3. Formulación de la Diferencia Analítica:
   Al aplicar el lema de la inversión de matrices a las ecuaciones recursivas de la PCRLB, los autores derivan una expresión analítica explícita para la diferencia entre las dos aproximaciones de las cotas. Sea $J^{-1}_{k+1}$ la PCRLB del modelo de Media-Covarianza y $J^{*-1}_{k+1}$ la PCRLB del modelo de Solo Media. La diferencia se formula como:
   $$\tilde{J}^{-1}_{k+1} = J^{*-1}_{k+1} - J^{-1}_{k+1} = (\Pi^{-1}\Theta + I)^{-1}\Theta^{-1}$$
   donde $\Pi$ y $\Theta$ se derivan de los términos de la FIM descompuestos.

Resultados Experimentales
Los métodos propuestos fueron evaluados utilizando un modelo no lineal univariante conocido por su verosimilitud bimodal y fuerte no linealidad. Se emplearon dos estimadores de estado para generar las estimaciones de estado y covarianzas necesarias:

• Filtro de Kalman Unscented (UKF): Un enfoque de muestreo determinista preciso hasta el término de tercer orden para entradas gaussianas.
• Filtro de Partículas (PF): Un enfoque de Monte Carlo utilizando 1000 partículas y 100 ejecuciones de simulación.

Los hallazgos clave de las simulaciones incluyen:

• Comparación de Precisión: La PCRLB derivada utilizando el modelo de Media-Covarianza (Tipo A) proporcionó consistentemente una cota más ajustada (menor) cercana a la verdadera PCRLB en comparación con el modelo de Solo Media (Tipo B).
• Dependencia del Filtro: El PF generalmente produjo aproximaciones más precisas de la PCRLB que el UKF, atribuido a la capacidad del PF para manejar mejor la fuerte no linealidad y la bimodalidad del sistema.
• Convergencia: La brecha teórica entre las dos aproximaciones disminuyó a medida que mejoró la precisión del método de filtrado subyacente (por ejemplo, aumentando el número de partículas en el PF).
• Oscilaciones: Debido a la aguda no linealidad del sistema, las curvas de la PCRLB exhibieron fuertes oscilaciones, sin embargo, el ranking de rendimiento relativo entre los métodos de aproximación se mantuvo consistente.

Significación y Reivindicaciones
El artículo afirma proporcionar un marco analítico riguroso para cuantificar el error introducido al aproximar la PCRLB utilizando estimaciones de estado en lugar de estados reales. Específicamente:

• Establece que la aproximación que utiliza tanto la media como la covarianza (vía expansión de Taylor) supera a la más simple aproximación de solo media en términos de cercanía a la verdadera cota.
• Demuestra que la diferencia teórica entre estas dos cotas puede calcularse explícitamente, ofreciendo una métrica para evaluar la calidad de la aproximación basada en el rendimiento del método de filtrado.
• El estudio confirma que mejorar la precisión del estimador de estado (por ejemplo, mediante mejores algoritmos de filtrado o un mayor número de partículas) mejora directamente la precisión de la PCRLB estimada.

Los autores concluyen que su enfoque ofrece un método válido y significativo para evaluar el rendimiento del filtrado en sistemas no lineales prácticos donde los estados reales no están disponibles, proporcionando una herramienta para determinar si los requisitos de rendimiento impuestos son realistas.