Max-Entropy Moment Filtering for Stochastic Hybrid Systems

Resumen Técnico: Filtrado de Momentos de Máxima Entropía para Sistemas Híbridos Estocásticos

Enunciado del Problema
Los sistemas híbridos estocásticos (SHS) combinan dinámicas estocásticas en tiempo continuo con eventos de reinicio discretos. Estos sistemas, comunes en impactos mecánicos, contacto robótico y conmutación biológica, generan inherentemente incertidumbre no gaussiana y a menudo multimodal. Los enfoques de filtrado tradicionales enfrentan dos desafíos principales:

1. No Gaussianidad: Los eventos de reinicio inducen distribuciones de probabilidad complejas que los filtros gaussianos estándar (como el Filtro de Kalman) no pueden representar.
2. Intratabilidad Computacional: La propagación directa de densidades de probabilidad mediante ecuaciones de Fokker-Planck híbridas requiere resolver ecuaciones diferenciales parciales (EDP) con condiciones de frontera complejas (conjuntos de guarda), lo cual es computacionalmente costoso y difícil de aplicar al filtrado a partir de información estadística parcial.

El artículo aborda el problema de estimar el estado de un SHS a partir de mediciones ruidosas propagando la incertidumbre utilizando únicamente información estadística parcial (momentos) en lugar de funciones de densidad completas.

Metodología
Los autores proponen un Filtro de Kalman de Momentos de Máxima Entropía (MEM-KF) adaptado para sistemas híbridos estocásticos. La metodología consta de tres componentes centrales:

1. Propagación de Momentos mediante la Fórmula de Dynkin:
   En lugar de evolucionar densidades de probabilidad, el método evoluciona una colección finita de momentos (valores esperados de observables). Los autores derivan una extensión híbrida de la fórmula de Dynkin que tiene en cuenta tanto la difusión continua como los saltos discretos.

   • La evolución continua está gobernada por el generador infinitesimal del operador estocástico de Koopman.
   • Los efectos de reinicio discretos se incorporan como una corrección de flujo de frontera sobre el conjunto de guarda $G$.
   • La ecuación de evolución resultante para un momento $m_\alpha(t)$ es:
     $$\frac{d}{dt}m_\alpha(t) = \mathbb{E}[(\mathcal{A}\phi_\alpha)(X_t)] + \int_G (\phi_\alpha(\Delta(x)) - \phi_\alpha(x))(J(t, x) \cdot n(x))^+ dS(x)$$
     donde $\mathcal{A}$ es el generador, $\Delta$ es el mapa de reinicio y el término integral representa el flujo de probabilidad que sale del dominio y reingresa a través del reinicio. Esto permite dinámicas de momentos tratables sin resolver la EDP híbrida subyacente.

2. Reconstrucción de la Creencia mediante Máxima Entropía:
   Dado que un conjunto finito de momentos no determina de manera única una distribución de probabilidad, los autores emplean el principio de Entropía Máxima con Restricción de Momentos (MED). En cada paso de tiempo, el filtro reconstruye la densidad de probabilidad $p^*(x)$ maximizando la entropía sujeta a las restricciones de momentos propagadas actualmente. Esto produce una densidad en la familia exponencial:
   $$p^*(x; \lambda) = \frac{1}{Z(\lambda)} \exp\left(-\sum_\alpha \lambda_\alpha x^\alpha\right)$$
   Los parámetros $\lambda$ se determinan resolviendo un problema de optimización convexa (minimizando el potencial dual de dinámica térmica).

3. Algoritmo de Filtrado:
   El filtro propuesto opera en un ciclo de predicción-actualización:

   • Predicción: Los momentos se propagan hacia adelante en el tiempo utilizando las EDO de momentos derivadas. Los términos de flujo de frontera se aproximan utilizando el MED reconstruido en el paso de tiempo anterior.
   • Actualización: Al recibir una medición, el filtro actualiza la creencia. Asumiendo un modelo de medición polinomial, el residuo de la medición se modela como un MED con restricción de momentos. Se aplica la regla de Bayes a nivel de momentos, resultando en un nuevo MED posterior.
   • Estimación del Estado: Se obtiene una estimación puntual (MAP) resolviendo un problema de optimización polinomial sobre el dominio factible.

Contribuciones Clave

• Dinámicas de Momentos Híbridas: Derivación de una regla de propagación de momentos consistente para SHS utilizando la fórmula de Dynkin con una suma de saltos, donde los efectos de reinicio aparecen explícitamente como correcciones de flujo de frontera.
• Filtrado Tratable: Un marco que evita resolver ecuaciones de Fokker-Planck híbridas trabajando exclusivamente con vectores de momentos de dimensión finita y reconstrucción convexa.
• Representación No Gaussiana: La capacidad de capturar la no gaussianidad y multimodalidad inducidas por reinicios a través de momentos de orden superior y reconstrucción MED, superando las limitaciones de los estimadores lineales-gaussianos.

Resultados
El método fue validado en un ejemplo de pelota rebotante estocástica (un SHS de modo único con gravedad, arrastre, ruido y reinicios de velocidad al impactar).

• Precisión de Momentos: Los momentos propagados (hasta orden $r=4$) mostraron un acuerdo cercano con las simulaciones de referencia de Monte Carlo.
• Reconstrucción de Densidad: Las reconstrucciones MED con $r=4$ capturaron con éxito la asimetría y la estructura multimodal de la distribución de velocidad causada por los impactos. Por el contrario, una truncación de segundo orden ($r=2$) forzó una reconstrucción gaussiana (unimodal), fallando en representar la deformación inducida por el impacto.
• Estimación del Estado: En una tarea de estimación de estado con mediciones de posición intermitentes, ruidosas y no gaussianas, el filtro rastreó con precisión la trayectoria del estado real, logrando un error cuadrático medio (RMSE) de $6.91 \times 10^{-2}$ m para la posición y $8.62 \times 10^{-1}$ m/s para la velocidad.

Significado y Afirmaciones
El artículo afirma que este marco proporciona un enfoque fundamentado y tratable para la propagación de incertidumbre en SHS. Al combinar la propagación de momentos con la entropía máxima, el método captura características híbridas esenciales (no gaussianidad, multimodalidad) que se pierden en los estimadores lineales estándar, mientras permanece computacionalmente más viable que la propagación directa de densidades.

Los autores reconocen limitaciones y direcciones futuras, señalando que:

• El método depende de la elección del orden de truncación; seleccionar una representación lo suficientemente rica para retener características híbridas en altas dimensiones sigue siendo un desafío abierto.
• Los costos computacionales aumentan con la dimensión y el orden debido a la necesidad de resolver repetidamente problemas de optimización convexa y evaluar funciones de partición.
• El enfoque asume una estructura específica (un solo modo en el ejemplo, aunque generalizable) y depende de observables polinomiales y mapas de reinicio.

El trabajo se posiciona como un paso hacia el filtrado escalable para sistemas híbridos estocásticos complejos, cerrando la brecha entre la teoría rigurosa basada en densidades y la estimación práctica basada en momentos.