Goggin's corrected Kalman Filter: Guarantees and Filtering Regimes

Résumé Technique : Le Filtre de Kalman Corrigé de Goggin : Garanties et Régimes de Filtrage

Énoncé du Problème
L'article traite du problème d'estimation d'état dans les modèles d'espace d'états linéaires où le bruit de processus ($w_t$) et le bruit d'observation ($v_t$) sont non gaussiens. Dans le cadre gaussien standard, le filtre de Kalman (KF) est l'estimateur sans biais de variance minimale (MVUE). Cependant, lorsque les distributions de bruit sont non gaussiennes, le KF n'est plus optimal, bien qu'il reste le meilleur estimateur linéaire sans biais. Les auteurs revisitent une approche de filtrage non linéaire spécifique introduite par Goggin [1], qui applique le filtre de Kalman à des observations transformées par la fonction de score. Alors que Goggin a établi l'optimalité asymptotique de ce « filtre de Goggin » (GF) lorsqu'un paramètre d'échelle $N \to \infty$ dans un régime spécifique, cet article cherche à fournir des garanties de performance non asymptotiques et à caractériser le comportement du filtre à travers un spectre plus large de rapports signal sur bruit (SNR).

Méthodologie
Les auteurs analysent le système sous un cadre d'échelle généralisé où les équations de transition d'état et d'observation dépendent d'un paramètre $N$ et d'un facteur d'échelle $s_N$ pour le bruit d'observation. La méthodologie centrale implique :

1. Partitionnement des Régimes : L'espace des paramètres est divisé en trois régimes de filtrage distincts basés sur la relation entre $s_N$ et $\sqrt{N}$ :

   • SNR Négligeable ($s_N \gg \sqrt{N}$) : Le bruit d'observation domine.
   • SNR Élevé ($s_N \ll 1/\sqrt{N}$) : Le bruit d'observation est négligeable.
   • SNR Équilibré ($1/\sqrt{N} \lesssim s_N \lesssim \sqrt{N}$) : Le régime intermédiaire où l'interaction entre le signal et le bruit est complexe.

2. Outils Théoriques : L'analyse fait le pont entre deux courants de littérature :

   • Borne de Cramér–Rao (CRLB) : Utilisée pour établir des bornes inférieures sur l'erreur quadratique moyenne (MSE) pour l'estimation séquentielle.
   • Théorème Central Limite (CLT) de l'Information de Fisher : Spécifiquement, les bornes de taux de convergence de l'information de Fisher des moyennes (basées sur Johnson [13] et des travaux connexes). Cela permet aux auteurs d'approximer l'information des agrégats de bruit non gaussiens par l'inverse de leur variance, permettant ainsi de traiter efficacement le bruit de signal agrégé comme étant gaussien aux fins de l'établissement d'une borne inférieure pour la MSE.

3. Variantes du Filtre : L'article analyse deux versions du filtre de Goggin :

   • GF non centré : Applique la fonction de score $\phi = -h'/h$ directement à l'observation $Y_t$.
   • GF centré : Applique la fonction de score à l'observation centrée $(Y_t - \gamma \hat{x}_{t-1})$.

Contributions Clés et Résultats

• Identification des Régimes Dégradés :

  • Dans le régime de SNR Négligeable, les auteurs prouvent que l'estimateur trivial $\hat{x}_t = E[X_t]$ est presque optimal. Les arguments standards de la CRLB sont insuffisants ici en raison de leur manque de précision ; au lieu de cela, une analyse minimax de type Le Cam est utilisée pour montrer qu'aucun estimateur ne peut surpasser significativement la moyenne a priori.
  • Dans le régime de SNR Élevé, l'estimateur trivial $\hat{x}_t = Y_t$ (utilisant l'observation directement) est presque optimal.
  • Dans le régime de SNR Équilibré, les deux estimateurs triviaux sont strictement sous-optimaux par rapport au KF standard, établissant la nécessité de filtrages plus sophistiqués.

• Garanties Non Asymptotiques pour le Régime Équilibré :

  • Théorème 1 (GF non centré) : Pour $1 \ll s_N \lesssim \sqrt{N}$, les auteurs dérivent des bornes explicites sur le biais et la variance du filtre de Goggin non centré. La MSE est montrée être $MSE^\star \pm O(1/s_N)$, où $MSE^\star$ est la meilleure MSE en régime permanent possible. La sous-optimalité relative est de $O(\sqrt{N}/s_N^2)$.
  • Théorème 2 (GF centré) : Sous des hypothèses plus fortes (forte dissipativité et croissance linéaire de la fonction de score), le filtre de Goggin centré atteint une borne plus serrée. Sa MSE est de $MSE^\star \pm O(\sqrt{s_N}/N^{3/4})$, résultant en une sous-optimalité relative de $O(1/(\sqrt{s_N}N^{1/4}))$. Ce résultat justifie les observations numériques de [11] selon lesquelles les transformations centrées performent mieux, particulièrement lorsque $s_N$ est petit par rapport à $N^{1/4}$.

• Supériorité sur le Filtre de Kalman :

  • Le Lemme 5 démontre formellement que dans le régime équilibré (spécifiquement $s_N \gg N^{1/4}$), le KF standard présente une erreur qui est $\Omega(MSE^\star)$, alors que l'erreur du filtre de Goggin est de $o(MSE^\star)$. Cela confirme que le GF apporte une amélioration substantielle par rapport au KF linéaire dans ce régime.

• Construction de la Borne Inférieure :

  • Le Théorème 3 établit une borne inférieure serrée sur la meilleure MSE réalisable en analysant le système par périodes de « lot » (batch). En appliant le CLT de l'Information de Fisher aux agrégats de bruit de signal, les auteurs montrent que la borne inférieure se comporte comme si le bruit était gaussien, fournissant un point de référence contre lequel le GF est mesuré.

Signification et Revendications
L'article prétend renforcer le théorème de limite asymptotique original de Goggin en fournissant des garanties de performance non asymptotiques (pré-limite) qui sont explicites en fonction du paramètre de SNR $s_N$. En cartographiant l'espace des paramètres, les auteurs clarifient précisément quand le filtre de Goggin est utile : il est plus efficace dans le régime de SNR « équilibré » où les filtres simples échouent et où le KF standard est significativement sous-optimal.

Les auteurs notent modestement que leur analyse ne couvre pas la fenêtre de « Faible SNR » ($1/\sqrt{N} \lesssim s_N \lesssim 1$) où l'approximation de Taylor de premier ordre, centrale aux arguments du GF, devient trop lâche. De plus, bien que l'analyse repose sur des hypothèses de régularité spécifiques (par exemple, constantes de Poincaré restreintes finies, lissité des densités), l'article suggère que ces outils (CRLB et taux du CLT de l'Information de Fisher) pourraient être étendus au contrôle des processus de décision markoviens partiellement observés (POMDP), spécifiquement pour quantifier comment la non-gaussianité affecte le principe de séparation dans les régulateurs quadratiques. Le travail ne propose pas de nouveaux dispositifs expérimentaux ou d'applications au-delà de la caractérisation théorique de ces régimes de filtrage.