🤖 machine learning

The Kalman Evolve: Closing the Gap in Kalman Filtering via Interpretable Algorithm Discovery

El artículo presenta "Kalman Evolve", un marco que aprovecha los modelos de lenguaje grandes para descubrir modificaciones interpretables y no afines a la estructura de actualización del filtro de Kalman, cerrando así la brecha de rendimiento en escenarios de sensores no lineales donde el ajuste tradicional de parámetros falla.

Autores originales: Vasileios Saketos, Ming Xiao

Publicado 2026-05-27

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Vasileios Saketos, Ming Xiao

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás intentando rastrear un globo fugitivo en un parque ventoso. Tienes un mapa y una brújula (tu "modelo"), y obtienes vislumbres ocasionales del globo a través de un telescopio (tus "observaciones").

Durante décadas, la mejor manera de adivinar dónde estará el globo a continuación fue una herramienta matemática llamada Filtro de Kalman. Piensa en esta herramienta como una calculadora muy inteligente y muy rápida. Funciona perfectamente si el viento sopla en línea recta y tu telescopio es perfecto. Toma tu última suposición, añade el nuevo vislumbre y te da una nueva suposición, mejor.

El Problema: El Mundo es Desordenado
En el mundo real, las cosas no son perfectas.

El Viento: El viento puede girar en patrones locos y no rectos (dinámicas no lineales).
El Telescopio: A veces tu telescopio mide la distancia de una manera extraña, como un radar que solo escucha qué tan rápido se mueve el globo hacia o lejos de ti, no exactamente dónde está (radar Doppler).
El Resultado: La calculadora estándar (Filtro de Kalman) se atasca. Intenta dibujar una línea recta a través de una curva. No importa cuánto ajustes la configuración (como decirle "el viento es más fuerte" o "el telescopio es inestable"), no puede arreglar el hecho de que su lógica es demasiado simple para la realidad desordenada. Es como intentar arreglar un clavo cuadrado en un agujero redondo simplemente empujando más fuerte el clavo.

La Solución: "Kalman Evolve"
Los autores de este artículo, Vasileios Saketos y Ming Xiao, construyeron un nuevo sistema llamado Kalman Evolve. En lugar de simplemente ajustar la configuración de la calculadora antigua, pidieron a una IA súper inteligente (un Modelo de Lenguaje Grande, o LLM) que reescribiera el código de la calculadora misma.

Así es como lo hicieron, usando una analogía simple:

1. El Laboratorio de "Evolución"

Imagina un gimnasio donde estás entrenando a un corredor.

La Vieja Forma: Le dices al corredor: "Corre un 10% más rápido" o "Usa zapatos más ligeros". Solo estás ajustando parámetros.
La Nueva Forma (Kalman Evolve): Le dices al corredor: "Cambia tu estilo de correr. Quizás inclínate más hacia adelante al girar, o da pasos más cortos cuando el suelo sea irregular". Estás cambiando la estructura de cómo corre.

Los autores utilizaron una IA para actuar como entrenador. Le dieron a la IA una lista de los mejores estilos de carrera que tenían hasta ese momento y le pidieron que los "mutara": crear nuevas versiones ligeramente diferentes del código.

2. El "Interpretador"

Por lo general, cuando la IA escribe código, es una "caja negra". Funciona, pero ningún humano entiende por qué.

El Truco del Artículo: Obligaron a la IA a escribir código que aún se pareciera al Filtro de Kalman original. Mantuvo los mismos pasos básicos (Predecir -> Actualizar), pero añadió pequeñas y astutas "compuertas" o "interruptores" dentro de las matemáticas.
El Resultado: El nuevo algoritmo sigue siendo legible por humanos. Es como tomar un motor de coche estándar y añadir un turbo inteligente que se activa solo cuando golpeas un bache. Aún puedes ver cómo funciona el motor, pero maneja los baches mucho mejor.

3. La Prueba: Pruebas del Mundo Real

Probaron esta nueva calculadora "evolucionada" en tres desafíos difíciles:

Radar Doppler: Rastrear objetos usando mediciones de velocidad (como el radar de la policía).
LiDAR: Coches autónomos usando sensores láser para ver la distancia y los ángulos.
Rastreo de Peatones: Seguir a personas caminando en calles concurridas (conjunto de datos MOT20).

Los Resultados:
En cada prueba, la versión "Evolucionada" superó a la calculadora estándar e incluso superó a la versión "ajustada" (donde los humanos simplemente ajustaron la configuración).

Redujo los errores hasta en un 12%.
No necesitó ser un programa informático lento y pesado; funcionó tan rápido como el original.
Funcionó mejor que las complejas redes neuronales de "Aprendizaje Profundo", que a menudo requieren grandes cantidades de datos y son difíciles de entender.

La Gran Conclusión
El artículo argumenta que no siempre necesitamos tirar a la basura herramientas antiguas y fiables y reemplazarlas con misteriosas cajas negras de IA. En su lugar, podemos usar la IA para evolucionar nuestras herramientas antiguas, haciéndolas más inteligentes y flexibles mientras las mantenemos simples, rápidas y comprensibles.

En resumen: Usaron una IA para reescribir las reglas de un juego matemático clásico, creando una versión que gana con más frecuencia en el mundo real desordenado, sin perder la simplicidad que hizo grande al juego original.

Resumen Técnico: El Kalman Evolve

Enunciado del Problema

El Filtro de Kalman (KF) sigue siendo la piedra angular de la estimación de estados, ofreciendo una solución óptima bajo las suposiciones de dinámicas lineales, ruido gaussiano y covarianzas de ruido conocidas. Sin embargo, en entornos de sensado realistas, como el radar Doppler y el LiDAR, las observaciones son a menudo funciones inherentemente no lineales del estado subyacente. En estos escenarios, la actualización estándar del KF, restringida a transformaciones afines del residuo de medición, falla al capturar la estructura del estimador óptimo.

Aunque extensiones como el Filtro de Kalman Extendido (EKF) y el Filtro de Kalman Unscented (UKF) intentan manejar la no linealidad mediante linealización local o aproximaciones de puntos sigma, dependen de modelos de sistema conocidos y carecen de adaptabilidad basada en datos. Por el contrario, los enfoques basados en datos, como los Filtros de Kalman Neuronales (por ejemplo, KalmanNet), a menudo funcionan como cajas negras, requieren grandes volúmenes de datos de entrenamiento y pueden rendir menos que los métodos clásicos. Además, los métodos de optimización existentes, como el Filtro de Kalman Optimizado (OKF), se centran exclusivamente en ajustar los parámetros de ruido ( $Q$ y $R$ ), pero permanecen confinados a la clase de estimadores afines. Los autores argumentan que esta limitación estructural impide que estos métodos superen las brechas fundamentales de rendimiento causadas por la discrepancia del modelo, incluso cuando los parámetros están perfectamente ajustados.

Metodología: Kalman Evolve

Para abordar los desafíos conjuntos de la incertidumbre de parámetros y las limitaciones estructurales, los autores proponen Kalman Evolve, un marco que descubre algoritmos de filtrado mejorados optimizando simultáneamente los parámetros de ruido y la estructura de actualización. El enfoque consta de dos etapas principales:

Calibración de Parámetros: El proceso comienza estimando las covarianzas de ruido de proceso y medición ( $Q$ y $R$ ) utilizando ya sea estimación por mínimos cuadrados o el Filtro de Kalman Optimizado (OKF). Esto establece una línea base bien calibrada y competitiva.
Búsqueda Evolutiva Guiada por LLM: Basándose en la línea base calibrada, el marco emplea una búsqueda evolutiva guiada por Modelos de Lenguaje Grande (LLM).
- Prior Estructurado: El LLM (específicamente DeepSeek 16B) actúa como un prior estructurado sobre el espacio de transformaciones de programas interpretables.
- Proceso de Búsqueda: Inspirado en AlphaEvolve, la búsqueda opera a través de cuatro "islas" independientes (trabajadores de GPU en paralelo). En cada ciclo, el LLM muestrea algoritmos candidatos de una base de datos, recibe una especificación del problema y dos algoritmos padres como prompt, y genera mutaciones o combinaciones.
- Evaluación de Aptitud: Los candidatos se evalúan en función de una función de pérdida (típicamente Error Cuadrático Medio Raíz, RMSE) en datos de entrenamiento. La base de datos se actualiza con los candidatos de mejor rendimiento.
- Preservación de la Estructura: Crucialmente, la búsqueda está restringida para preservar la forma recursiva del Filtro de Kalman. Los algoritmos descubiertos modifican el paso de actualización (por ejemplo, mediante mecanismos de puerta no afines o reescalado adaptativo) mientras mantienen la descomposición central de predicción-actualización y los roles semánticos de la innovación y la ganancia de Kalman.

Contribuciones Clave

El artículo presenta cuatro contribuciones principales:

Suboptimalidad Teórica de los Estimadores Afines: Los autores proporcionan pruebas analíticas (Corolarios 1 y 2) que demuestran que los estimadores afines son estructuralmente subóptimos bajo modelos de sensado no lineales comunes, específicamente radar Doppler y LiDAR. Incluso con dinámicas lineales y priores gaussianos, las dependencias geométricas en las observaciones (por ejemplo, mediciones radiales o angulares) inducen una media a posteriori que es intrínsecamente no lineal.
Marco de Optimización Conjunta: Introducen un marco unificado que optimiza conjuntamente los parámetros de ruido y la estructura de actualización, permitiendo el descubrimiento de extensiones interpretables y no afines del Filtro de Kalman.
Superioridad Empírica: En diversos puntos de referencia sintéticos y del mundo real, los algoritmos descubiertos superan consistentemente a líneas base sólidas, incluido el Filtro de Kalman Optimizado (OKF), logrando una reducción de hasta el 12% en el RMSE.
Reproducibilidad: Los autores publican el código y los algoritmos descubiertos para apoyar futuras investigaciones en el descubrimiento algorítmico interpretable.

Resultados Experimentales

El marco se evaluó en tres puntos de referencia distintos:

Rastreo por Radar Doppler: Evaluado en cinco escenarios que van desde simplificados ("Juguete") hasta complejos ("Libre" con aceleración y giros). Kalman Evolve (KE) superó consistentemente al OKF. Las mejoras fueron marginales en configuraciones simples (~0.4%), pero crecieron hasta el 11–12% en regímenes complejos que involucran aceleración y movimiento no lineal.
Localización Basada en LiDAR: Probado en trayectorias de conducción sintéticas y en el conjunto de datos real NCLT. KE mejoró sobre el OKF aproximadamente un 5% en la estimación de estados y un 6% en la predicción del siguiente estado en datos sintéticos, y un 2–3% en el conjunto de datos ruidoso NCLT, demostrando transferabilidad más allá de entornos sintéticos.
Rastreo de Peatones (MOT20): Enfocado en la predicción del siguiente estado para peatones. KE redujo el RMSE de prueba en un 8% en relación con el OKF con alta significancia estadística ( $p < 10^{-6}$ ). Cabe destacar que KE demostró una eficiencia de datos superior, manteniendo un error bajo con conjuntos de entrenamiento pequeños donde el rendimiento del OKF fue más variable.

En todos los casos, los algoritmos descubiertos mantuvieron costos computacionales comparables al Filtro de Kalman estándar, ya que la sobrecarga de inferencia fue mínima. Las líneas base de aprendizaje profundo (LSTM, KalmanNet) generalmente rindieron menos que los enfoques basados en modelos, particularmente en los entornos de LiDAR y MOT20.

Significado y Afirmaciones

El artículo postula que la brecha de rendimiento en la estimación de estados no lineales no es meramente un problema de ajuste de parámetros, sino estructural. Al optimizar la estructura del filtro de Kalman en sí mismo, en lugar de solo sus parámetros, Kalman Evolve ofrece un camino práctico e interpretable hacia una estimación de estados mejorada.

Los autores enfatizan que su enfoque cierra la brecha entre la eficiencia basada en modelos y la adaptabilidad basada en datos. A diferencia de las redes neuronales de caja negra, los algoritmos descubiertos conservan la forma recursiva e interpretable del filtro clásico, introduciendo mecanismos simples dependientes de datos (como puertas o reescalado adaptativo) para manejar la discrepancia del modelo. El trabajo sugiere que combinar estructuras clásicas basadas en modelos con el descubrimiento impulsado por LLM es una dirección prometedora para desarrollar algoritmos de alto rendimiento e interpretables para problemas de sensado del mundo real donde las suposiciones de linealidad y gaussianidad se violan con frecuencia.