Optimal Sensor Scheduling and Selection for Continuous-Discrete Kalman Filtering with Auxiliary Dynamics

Resumen Técnico: Programación y Selección Óptima de Sensores para el Filtro de Kalman Continuo-Discreto con Dinámicas Auxiliares

1. Planteamiento del Problema

El artículo aborda el desafío de la programación y selección óptima de sensores dentro de un marco de Filtro de Kalman Continuo-Discreto (CD-KF). A diferencia de las configuraciones tradicionales donde la evolución del estado es continua pero las mediciones son discretas, este trabajo considera escenarios donde el proceso de medición está acoplado con dinámicas auxiliares. Estos estados auxiliares ($\xi$) representan variables tales como la trayectoria espacial de un sensor, el consumo de energía o la temperatura, las cuales influyen directamente en el costo, la precisión y la viabilidad de la medición.

El problema central involucra un sistema multisensor donde:

• Los procesos de la dinámica del estado en tiempo continuo son observados mediante múltiples sensores que proporcionan mediciones discretas, potencialmente irregulares.
• Las tasas de medición y la selección de sensores están restringidas por dinámicas auxiliares (por ejemplo, la posición orbital de un satélite que afecta la precisión del sensor, o la energía de un robot que se agota con cada medición).
• El objetivo es optimizar conjuntamente las tasas de medición ($\lambda_s(t)$) para cada sensor y los controles de entrada ($u$) que gobiernan las dinámicas auxiliares para minimizar la incertidumbre de estimación (covarianza posterior) mientras se satisfacen las restricciones de recursos.

La literatura existente se centra principalmente en mediciones de tiempo continuo o formulaciones de tiempo discreto, omitiendo a menudo el acoplamiento entre la programación de sensores y las dinámicas de estado auxiliares generales (por ejemplo, la precisión dependiente de la trayectoria o las restricciones de energía).

2. Metodología

Los autores proponen un marco que transforma el problema estocástico de programación en un problema de control óptimo determinista a través de los siguientes pasos:

A. Modelado de la Llegada de Mediciones
Las llegadas de mediciones para cada sensor $s$ se modelan como procesos de Poisson independientes con intensidades variables en el tiempo $\lambda_s(t)$. Esto permite que la naturaleza estocástica de la temporización de las mediciones sea representada por funciones de tasa continuas.

B. Derivación de Límites Deterministas
Para permitir la optimización basada en gradientes, los autores derivan límites superiores sobre el comportamiento estocástico del sistema:

1. Límite de Covarianza (Proposición 6.1): Se deriva un límite superior $\hat{\Sigma}(t)$ sobre la matriz de covarianza posterior media, condicionado al estado auxiliar medio. Este límite satisface una ecuación diferencial determinista donde los términos de salto estocásticos (deltas de Dirac) son reemplazados por las tasas de medición $\lambda_s(t)$. Crucialmente, este límite es continuamente diferenciable con respecto a $\lambda_s(t)$.
2. Límite del Estado Auxiliar (Proposición 6.2): Bajo el supuesto de que las funciones de la dinámica auxiliar son cóncavas (o convexas) con respecto a los componentes del estado perturbado, se deriva una trayectoria determinista $\hat{\xi}(t)$ que limita el verdadero estado auxiliar medio.

C. Problema de Control Óptimo de Horizonte Finito (OCP)
Utilizando estos límites, los autores formulan un problema de control óptimo de horizonte finito (Eq. 12). El objetivo es minimizar una función de costo (por ejemplo, la traza de la matriz de covarianza) sujeto a:

• La dinámica determinista del límite de la covarianza $\hat{\Sigma}$.
• La dinámica determinista del límite del estado auxiliar $\hat{\xi}$.
• Restricciones de ejecución y terminales (por ejemplo, límites de energía, requisitos de retorno a la base).
• No negatividad de las tasas de medición.

D. Programación Determinista de Mediciones
Una vez computadas las tasas óptimas $\lambda_s(t)$ y las entradas $u(t)$, el artículo propone un método determinista para seleccionar instancias específicas de tiempo de medición. Esto se formula como un problema de cuantización óptima. El método minimiza la distancia de Wasserstein-2 entre la medida de intensidad continua definida por $\lambda_s(t)$ y una medida discreta que representa los tiempos de medición seleccionados. Esto asegura que los tiempos seleccionados coincidan estrechamente con el promedio estadístico del proceso de Poisson optimizado.

3. Contribuciones Clave

El artículo resume explícitamente sus contribuciones de la siguiente manera:

1. Derivación de un Límite Diferenciable: Los autores derivan un límite superior en la matriz de covarianza posterior media del CD-KF condicionado al estado auxiliar medio. Este límite es continuamente diferenciable con respecto a las tasas de medición específicas de cada sensor, lo que permite una optimización eficiente basada en gradientes.
2. Marco de Optimización Conjunta: Se propone un marco de control óptimo de horizonte finito para optimizar conjuntamente las tasas de medición y las dinámicas del estado auxiliar (por ejemplo, la trayectoria de un vehículo).
3. Estrategia de Programación Determinista: Se introduce un método determinático para convertir las tasas de Poisson optimizadas en eventos de tiempo de medición específicos. Este método minimiza la distancia de Wasserstein entre la distribución de la tasa optimizada y la distribución empírica de los eventos de medición.

4. Resultados Experimentales

El enfoque se valida a través de dos escenarios que involucran a un robot recolectando datos para la regresión de Procesos Gaussianos (GP) temporales dinámicos (equivalente al suavizado de Kalman):

• Escenario 1 (Estándar): Un robot con dos sensores (uno de alta precisión/alto costo, otro de menor precisión/bajo costo) debe navegar hacia un objetivo y regresar gestionando la energía. La optimización equilibra la frecuencia de medición, la trayectoria y el consumo de energía.
• Escenario 2 (Entorno Radiactivo): Una extensión donde los sensores se degradan con el tiempo debido al daño acumulado por radiación, lo que aumenta el ruido de la medición. El estado auxiliar incluye los niveles de daño por radiación.

Desempeño Comparativo:
El método "Optimizado" propuesto se comparó contra:

• Aleatorio (Random): Discretización uniforme con tasas de Poisson constantes.
• Codicioso (Greedy): Selección paso a paso basada en la reducción inmediata de costos.
• M-Optimizado (M-Optimized): Muestreo de múltiples realizaciones de Poisson y selección de la mejor.

Hallazgos:

• El método propuesto logró la menor traza de la covarianza media (1.902 frente a 2.608 para el método Greedy), lo que indica una precisión de estimación superior.
• Mantuvo reservas de energía positivas (Media $\eta \approx 21.5$), mientras que las estrategias Aleatoria y Codiciosa resultaron en energía negativa (fallo al retornar a la base).
• El método de cuantización determinista funcionó de manera comparable al método "M-Optimizado" (que requiere muestrear múltiples realizaciones), pero sin la sobrecarga computacional de muestreo.
• Los límites planificados ($\hat{\Sigma}, \hat{\eta}$) siguieron de cerca las verdaderas trayectorias simuladas, validando la utilidad de los límites derivados.

5. Significación y Reivindicaciones

El artículo afirma llenar un vacío en la literatura al formalizar la programación óptima de sensores para modelos de espacio de estados (SSM) continuo-discretos con dinámicas auxiliares, una configuración que no había sido explorada directamente anteriormente.

• Novedad: El trabajo unifica la evolución del estado en tiempo continuo con la programación estocástica de mediciones mediante procesos de Poisson e integra la dinámica del estado auxiliar en un único marco de control óptimo.
• Practicidad: Al derivar límites diferenciables, el método permite el uso de herramientas estándar de optimización basadas en gradientes para problemas complejos y acoplados que anteriormente eran intratables.
• Eficiencia: La estrategia de programación determinista evita el costo computacional del muestreo de Monte Carlo manteniendo un desempeño cercano al mejor caso de la realización estocástica.
• Generalidad: El marco es aplicable a diversos dominios donde la calidad del sensor está acoplada con estados operativos, como el monitoreo satelital, el seguimiento de glucosa médica y la robótica ambiental.

Los autores mantienen la modestia respecto a las garantías teóricas, señalando que para sistemas totalmente no lineales que violen las suposiciones específicas de concavidad, los límites propuestos sirven como aproximaciones heurísticas, aunque los resultados empíricos sugieren un desempeño aceptable en tales casos.