Error Analysis of Approximated PCRLBs for Nonlinear Dynamics

Résumé technique : Analyse d'erreur des PCRLB approximés pour la dynamique non linéaire

Formulation du problème
Dans le domaine du filtrage non linéaire, l'évaluation de la performance réalisable est cruciale pour la conception d'algorithmes, particulièrement dans des systèmes tels que les modèles multiples interagissants (IMM) où les estimations pondérées sont combinées. Bien que la Borne Inférieure de Cramer-Rao Postérieure (PCRLB) serve de référence théorique pour la précision du filtre, son calcul récursif nécessite traditionnellement la connaissance de la trajectoire réelle de l'état. Dans les applications en ligne pratiques, l'état réel est inconnu ; seules les estimations d'état sont disponibles. Par conséquent, il est nécessaire d'approcher la PCRLB en utilisant ces estimations en ligne plutôt que les valeurs réelles.

Le document traite du défi spécifique consistant à déterminer la précision et la différence entre deux stratégies d'approximation courantes :

1. Approximation basée sur la moyenne : Combiner l'espérance de l'estimation de l'état directement avec le modèle dynamique exact.
2. Approximation Moyenne-Covariance : Utiliser à la fois les premier et second ordres de moments (espérance et covariance) de l'estimation de l'état, en incorporant des développements en série de Taylor des dynamiques.

La motivation principale est de formuler analytiquement la différence entre ces deux approximations et de déterminer laquelle fournit une borne plus proche de la véritable PCRLB.

Méthodologie
Les auteurs proposent un cadre basé sur des hypothèses gaussiennes pour dériver des approximations récursives de la Matrice d'Information de Fisher (MIF), à partir de laquelle la PCRLB est dérivée en tant qu'inverse.

1. Formes Gaussiennes Approchées (AGF) :

   • Type A (Moyenne-Covariance) : Les densités de transition d'état et de mesure sont approximées par une distribution gaussienne caractérisée par les deux premiers moments de l'estimation de l'état. Cela implique des développements en série de Taylor jusqu'au second ordre pour rendre compte de la non-linéarité des fonctions $f_k$ et $h_k$. La moyenne et la covariance sont mises à jour pour inclure des termes de correction impliquant les matrices Hessiennes et la covariance d'erreur.
   • Type B (Moyenne uniquement) : L'état et la mesure sont approximés en utilisant uniquement le premier moment (l'estimation de l'état) et le modèle dynamique exact, ignorant les effets de covariance d'ordre supérieur dans la formulation de la densité.

2. Dérivation récursive de la MIF :
   En utilisant les AGF définies, les auteurs dérivent les composantes de la MIF ($D_{11}, D_{12}, D_{22}$) pour les deux types d'approximation.

   • Pour le cas Moyenne-Covariance, les matrices MIF sont décomposées à l'aide du lemme de l'inversion de matrice. Cette décomposition sépare les termes en une composante « étoile » ($\Sigma^*$), qui correspond à l'approximation Moyenne uniquement, et une composante résiduelle ($\Sigma$ ou $\Pi$) représentant la contribution de la covariance et des termes d'ordre supérieur.
   • Pour le cas Moyenne uniquement, la MIF est dérivée directement des formes gaussiennes simplifiées, produisant une matrice notée $\Theta$.

3. Formulation de la différence analytique :
   En appliquant le lemme de l'inversion de matrice aux équations récursives de la PCRLB, les auteurs dérivent une expression analytique explicite de la différence entre les deux bornes approximées. Soit $J^{-1}_{k+1}$ la PCRLB du modèle Moyenne-Covariance et $J^{*-1}_{k+1}$ la PCRLB du modèle Moyenne uniquement. La différence est formulée comme :
   $$\tilde{J}^{-1}_{k+1} = J^{*-1}_{k+1} - J^{-1}_{k+1} = (\Pi^{-1}\Theta + I)^{-1}\Theta^{-1}$$
   où $\Pi$ et $\Theta$ sont dérivés des termes de la MIF décomposée.

Résultats expérimentaux
Les méthodes proposées ont été évaluées à l'aide d'un modèle non linéaire univarié connu pour sa vraisemblance bimodale et sa forte non-linéarité. Deux estimateurs d'état ont été employés pour générer les estimations d'état et les covariances nécessaires :

• Filtre de Kalman non structuré (UKF) : Une approche d'échantillonnage déterministe précise jusqu'au terme de troisième ordre pour des entrées gaussiennes.
• Filtre à Particules (PF) : Une approche de Monte Carlo utilisant 1000 particules et 100 cycles de simulation.

Les principales conclusions des simulations incluent :

• Comparaison de précision : La PCRLB dérivée à l'aide du modèle Moyenne-Covariance (Type A) a systématiquement fourni une borne plus serrée (plus basse) et plus proche de la véritable PCRLB par rapport au modèle Moyenne uniquement (Type B).
• Dépendance au filtre : Le PF a généralement produit des approximations de la PCRLB plus précises que l'UKF, grâce à sa capacité à mieux gérer la forte non-linéarité et la bimodalité du système.
• Convergence : L'écart théorique entre les deux approximations a diminué à mesure que la précision de la méthode de filtrage sous-jacente s'améliorait (par exemple, en augmentant le nombre de particules dans le PF).
• Oscillations : En raison de l'acute non-linéarité du système, les courbes de la PCRLB ont présenté de fortes oscillations, pourtant le classement relatif des performances entre les méthodes d'approximation est resté cohérent.

Signification et revendications
Le document affirme fournir un cadre analytique rigoureux pour quantifier l'erreur introduite lors de l'approximation de la PCRLB en utilisant des estimations d'état plutôt que des états réels. Plus précisément :

• Il établit que l'approximation utilisant à la fois la moyenne et la covariance (via le développement de Taylor) est plus performante que l'approximation plus simple de type moyenne uniquement en termes de proximité avec la véritable borne.
• Il démontre que la différence théorique entre ces deux bornes peut être calculée explicitement, offrant une métrique pour évaluer la qualité de l'approximation basée sur la performance de la méthode de filtrage.
• L'étude confirme que l'amélioration de la précision de l'estimateur d'état (par exemple, via de meilleurs algorithmes de filtrage ou une augmentation du nombre de particules) améliore directement la précision de la PCRLB estimée.

Les auteurs concluent que leur approche offre une méthode valide et significative pour évaluer la performance du filtrage dans les systèmes non linéaires pratiques où les états réels sont indisponibles, fournissant ainsi un outil pour déterminer si les exigences de performance imposées sont réalistes.