Neural Aided Adaptive Innovation-Based Invariant Kalman Filter

Este artículo presenta un filtro de Kalman invariante adaptativo asistido por redes neuronales que, mediante una estimación de ruido de proceso basada en datos crudos y entrenada en un marco sim2real, mejora significativamente la precisión de navegación en entornos no lineales como la navegación submarina autónoma al integrar la teoría de filtrado invariante con la adaptación de ruido en el espacio de Lie tangente.

Lo esencial

Imagina que tienes un robot submarino (un AUV) que necesita navegar por el océano sin GPS. El GPS no funciona bajo el agua, así que el robot debe confiar en dos cosas principales:

1. Un "sentido del equilibrio" (IMU): Un conjunto de sensores que le dicen al robot cómo se mueve, gira y acelera, como si fuera el oído interno de un humano.
2. Un "sonar de velocidad" (DVL): Un sensor que mide qué tan rápido se mueve el robot respecto al fondo del mar.

El problema es que estos sensores no son perfectos. A veces vibran, a veces se calientan y sus lecturas tienen "ruido" o errores. Para saber dónde está el robot, los ingenieros usan un algoritmo matemático llamado Filtro de Kalman. Piensa en este filtro como un director de orquesta que intenta escuchar a los dos instrumentos (los sensores) y decidir cuál está cantando más afinado en cada momento para saber la posición exacta.

El Problema: El Director se Confunde

En el mundo real, el "ruido" de los sensores cambia. A veces el robot se mueve suavemente, a veces da giros bruscos. Los métodos tradicionales (como el Filtro de Kalman clásico) son como un director de orquesta muy rígido: asumen que el ruido siempre es el mismo. Si el robot empieza a moverse de forma extraña, el director se confunde, deja de confiar en los instrumentos y el robot se pierde.

Para arreglarlo, los ingenieros crearon métodos "adaptativos" que intentan ajustar el volumen del ruido en tiempo real. Pero aquí surge un nuevo problema: la geometría.

El movimiento en el mundo real (especialmente la rotación) no es una línea recta simple (como en una hoja de papel), sino que es como moverse sobre la superficie de una esfera o un globo. Los métodos antiguos trataban todo como si fuera una hoja de papel plana (espacio euclidiano), lo que causaba errores matemáticos cuando el robot giraba mucho.

La Solución Propuesta: Un Director con "Intuición Geométrica" y un "Asistente IA"

Los autores de este paper proponen una solución genial que combina dos ideas:

1. El Marco Geométrico (El "Globo" en lugar de la "Hoja")

En lugar de tratar el movimiento como líneas rectas, usan una herramienta matemática llamada Filtro de Kalman Invariante (IKF).

• La analogía: Imagina que el robot no se mueve sobre un mapa plano, sino sobre un globo terráqueo. El IKF entiende que si giras el globo, las distancias y ángulos se comportan de manera especial. Esto hace que el cálculo sea mucho más estable y preciso, incluso cuando el robot da vueltas locas.

2. El Asistente Inteligente (Red Neuronal)

Aunque el IKF es genial, sigue necesitando saber cuánto ruido hay en los sensores en cada segundo. Calcular esto manualmente es difícil.

• La analogía: Aquí es donde entra la Red Neuronal. Imagina que le pones al robot un "asistente virtual" (una pequeña IA) que tiene un oído muy fino. Este asistente escucha los datos crudos de los sensores y dice: "¡Oye! Ahora mismo el sensor de giro está muy nervioso, hay mucho ruido, así que el director debe confiar menos en él".
• El truco de la "Simulación Real" (Sim2Real): Como no podemos ponerle al robot sensores que nos digan la verdad absoluta en el fondo del mar (no tenemos un GPS submarino perfecto), entrenaron a este asistente virtual en un videojuego. Crearon miles de escenarios virtuales con diferentes tipos de ruidos y movimientos. El asistente aprendió a reconocer patrones de ruido en el juego y, milagrosamente, cuando lo pusieron en el robot real, ¡funcionó perfectamente!

¿Cómo funciona la mezcla?

El sistema final es un equipo de tres:

1. El Director (IKF): Entiende la geometría del globo y mantiene la estructura matemática correcta.
2. El Asistente (Red Neuronal): Escucha los sensores en tiempo real y predice qué tan "sucios" o ruidosos están.
3. El Mecanismo de Ajuste: Combina la predicción del asistente con las estadísticas matemáticas del director para ajustar el volumen del ruido al instante.

Los Resultados: ¿Funcionó?

Probaban este sistema en un robot real en el mar Mediterráneo.

• El resultado: El robot con este nuevo sistema se equivocó mucho menos en su posición que los sistemas tradicionales.
• La mejora: Fue un 17% más preciso que los mejores métodos anteriores.

En Resumen

Este paper nos dice que para que los robots se muevan solos de forma segura en entornos difíciles (como el fondo del mar), no basta con tener buenos sensores. Necesitas:

1. Entender que el movimiento es geométrico (como un globo, no como una hoja de papel).
2. Usar una IA ligera que aprenda a "escuchar" el ruido de los sensores.
3. Entrenar a esa IA en simulaciones para que luego pueda funcionar en la realidad sin necesidad de datos perfectos.

Es como darles a los robots un "sentido común" matemático y una "intuición" artificial para navegar en la oscuridad.

Resumen técnico

Resumen Técnico: Filtro de Kalman Invariante Adaptativo Asistido por Redes Neuronales

1. Planteamiento del Problema

La estimación precisa del estado es fundamental para la navegación autónoma, especialmente en entornos complejos como el submarino. Los filtros de Kalman (KF) y sus variantes no lineales (como el EKF) son estándar en la fusión de sensores inerciales (IMU) y externos (como DVL). Sin embargo, estos métodos enfrentan dos desafíos críticos en escenarios reales:

• Incertidumbre del ruido: Los supuestos de ruido ideal a menudo fallan debido a dinámicas no lineales, imperfecciones de los sensores y cambios en las condiciones ambientales.
• Limitaciones de los métodos adaptativos clásicos: Las técnicas existentes de adaptación de ruido basadas en innovaciones (como la estimación de covarianza de ruido de proceso) se han desarrollado principalmente en espacios euclidianos. Estas no se extienden naturalmente a los filtros invariantes (IKF) que operan en espacios de Lie.
• El vacío en el espacio de Lie: Aunque el IKF ofrece dinámicas de error lineales o casi lineales en el espacio tangente (álgebra de Lie) y preserva la estructura geométrica, la adaptación de la covarianza del ruido de proceso dentro de este marco teórico ha permanecido poco explorada. No existen métodos sistemáticos que combinen la teoría de filtros invariantes con la estimación de ruido adaptativa utilizando datos reales.

2. Metodología Propuesta

Los autores proponen un marco híbrido que integra la teoría de filtros invariantes con la estimación de ruido asistida por redes neuronales, operando directamente en el espacio de Lie.

• Extensión Teórica (Adaptación Invariante):

  • Derivan una extensión teórica novedosa de la adaptación de ruido basada en innovaciones clásicas, formulada específicamente dentro del marco de grupos de Lie.
  • Definen las innovaciones invariantes mediante proyecciones en el álgebra de Lie, asegurando que la ley de adaptación sea consistente con las dinámicas de error del IKF. Esto preserva la estructura geométrica del sistema, a diferencia de las formulaciones euclidianas tradicionales.

• Red Neuronal Asistida (Sim2Real):

  • Se diseña una red neuronal ligera (lightweight) que estima los parámetros de la covarianza del ruido de proceso directamente a partir de datos inerciales crudos (acelerómetros y giroscopios).
  • Arquitectura: Utiliza capas convolucionales 1D (Conv1D) para procesar ventanas temporales de datos, seguidas de capas totalmente conectadas. La salida es un vector que define los elementos diagonales de la matriz de covarianza del ruido.
  • Entrenamiento Sim2Real: Dado que el ruido de proceso real es latente y no se conoce en datos reales, la red se entrena exclusivamente con datos simulados mediante una estrategia de adaptación de dominio (domain randomization). Se generan 48 minutos de trayectorias sintéticas con diversos niveles de ruido, perfiles de movimiento y perturbaciones ambientales. Esto permite que la red aprenda características dependientes del movimiento y del sensor sin necesidad de datos reales etiquetados.

• Estrategia Híbrida:

  • El filtro final combina dos fuentes de información para la covarianza del ruido:
    1. La estimación basada en innovaciones invariantes (modelo basado).
    2. La estimación de la red neuronal (basada en datos).
  • Se utiliza un parámetro de mezcla ($\lambda$) para ponderar ambas contribuciones, equilibrando la robustez del modelo con la adaptabilidad de los datos.

3. Contribuciones Clave

1. Formulación de Adaptación Invariante: Derivación teórica de una ley de adaptación de covarianza de ruido de proceso basada en innovaciones, formulada directamente en el marco de grupos de Lie, cerrando la brecha entre la teoría de filtros adaptativos clásicos y la estimación de estado invariante.
2. Identificación de Ruido Asistida por IA: Desarrollo de una red neuronal computacionalmente eficiente que modela el ruido de proceso sin necesidad de datos reales etiquetados, gracias al entrenamiento en un marco Sim2Real.
3. Marco Híbrido Unificado: Integración exitosa de la adaptación de covarianza basada en innovaciones invariantes con la estimación de ruido basada en aprendizaje automático, logrando una estrategia que aprovecha las fortalezas complementarias de ambos enfoques.

4. Resultados Experimentales

• Dataset: Evaluación realizada en el conjunto de datos A-KIT, que contiene 80 minutos de datos reales grabados en misiones de un Vehículo Submarino Autónomo (AUV) en el Mar Mediterráneo (cerca de Haifa, Israel). Este dataset no fue utilizado en el entrenamiento.
• Comparativa: Se comparó el método propuesto (NN-AR-IKF) contra:
  • EKF Adaptativo (AEKF) clásico.
  • Filtro de Kalman Invariante Adaptativo (AR-IKF) basado solo en modelo.
  • Variantes de EKF con redes neuronales (NN-AEKF).
• Rendimiento:
  • El método propuesto logró la menor Error Cuadrático Medio (RMSE) en posición.
  • Mostró una mejora del 17.1% en RMSE de posición en comparación con el AEKF adaptativo clásico.
  • Superó al método NN-AEKF en un 11.3%.
  • Los resultados confirman que la invariancia geométrica proporciona una base estructural superior para el modelado de innovaciones basado en aprendizaje, incluso cuando la red neuronal se entrena solo con datos simulados.

5. Significado e Impacto

Este trabajo demuestra que es posible integrar componentes de aprendizaje automático en marcos de estimación geométricamente conscientes sin comprometer la consistencia teórica.

• Validación Sim2Real: Confirma que es posible entrenar modelos de ruido en simulación y transferirlos eficazmente a escenarios de navegación submarina real, resolviendo el problema de la escasez de datos reales etiquetados.
• Robustez Geométrica: Evidencia que la adaptación de ruido en el espacio de Lie (tangente) es un mecanismo poderoso para mejorar la precisión en plataformas no lineales, superando las limitaciones de los enfoques euclidianos tradicionales.
• Aplicabilidad: Ofrece una solución escalable y práctica para la navegación de alta precisión en entornos donde los sensores y las dinámicas son altamente variables, como en la navegación autónoma submarina.

En conclusión, el artículo presenta un avance significativo al unificar la teoría de filtros invariantes con la inteligencia artificial, logrando una estimación de estado más robusta y precisa en condiciones del mundo real.