Predictively-Oriented Kalman Filtering

Résumé Technique : Filtrage de Kalman à Orientation Prédictive

Énoncé du Problème
L'article traite du défi du filtrage en ligne dans les modèles d'espace d'états non linéaires où le modèle dynamique sous-jacent ($x_k = f(x_{k-1}, \epsilon_k)$) ou le modèle de mesure ($y_k = h(x_k, \xi_k)$) peut être mal spécifié. Les approches bayésiennes standard, y compris le filtre de Kalman (KF) et ses extensions non linéaires comme le filtre de Kalman étendu (EKF), reposent sur l'hypothèse que le modèle est bien spécifié. Lorsque cette hypothèse échoue — en raison de valeurs aberrantes (outliers), de dynamiques non modélisées ou d'une paramétrisation incorrecte — les méthodes standard produisent souvent des inférences sur-confiantes. Elles ont tendance à provoquer un effondrement de l'incertitude, menant à de mauvaises performances prédictives car elles ne peuvent pas s'adapter à la divergence entre le modèle et le véritable processus générateur de données. Bien que les méthodes robustes existantes (par exemple, les approches bayésiennes généralisées comme WoLF) tentent d'atténuer cela en réduisant la pondération des valeurs aberrantes ou en utilisant des distributions de bruit à queue lourde, elles nécessitent souvent des hyperparamètres spécifiés par l'utilisateur ou échouent à traiter efficacement la misspecification systématique du modèle.

Méthodologie
Les auteurs proposent l'EKF-PrO (Filtre de Kalman Étendu à Orientation Prédictive), un cadre de filtrage post-bayésien qui sitte de l'adhérence stricte au théorème de Bayes pour donner la priorité à la performance prédictive.

1. Perspective d'Optimisation : La tâche de filtrage est reformulée comme un problème d'optimisation sur l'espace des distributions de probabilité. La distribution de filtrage $q_{k|k}$ est définie comme le minimiseur d'une fonction objectif comprenant un terme de perte $\ell(y_k; q)$ et une régularisation par divergence de Kullback-Leibler (KLD) $KL(q \| q_{k|k-1})$.
2. Perte Orientée vers la Prédiction (PrO) : Contra à l'approche bayésienne standard qui utilise la log-vraisemblance négative, le filtre PrO utilise une fonction de perte définie par :
   $$\ell^{(PrO)}(y_k; q) := -\log \left( \int p(y_k|x_k)q(x_k)dx_k \right)$$
   Cette formulation traite la distribution de filtrage $q$ comme le paramètre d'un modèle de mélange. Minimiser cette perte équivaut à minimiser la KLD entre la distribution prédictive du modèle et la véritable distribution génératrice de données, ce qui calibre automatiquement l'incertitude même en cas de misspecification.
3. Mise à jour Linéaire-Gaussienne Approchée : Puisque l'objectif PrO ne produit pas de solution en forme fermée pour les modèles d'espace d'états généraux, les auteurs développent une mise à jour approximative rapide analogue à l'EKF.
   • Étape de Prédiction : Suit les procédures standard du KF/EKF en utilisant l'équation de Chapman-Kolmogorov (ou la linéarisation pour $f$ non linéaire).
   • Étape de Mise à Jour : Les auteurs restreignent l'espace de recherche aux distributions gaussiennes (famille variationnelle). Ils dérivent une forme explicite de la fonction objectif, révélant une structure de Différence-de-Convexité (DoC). Cela permet l'utilisation de techniques d'optimisation numérique efficaces pour résoudre la moyenne et la covariance postérieures.
   • Extension Non Linéaire (EKF-PrO) : Pour les modèles non linéaires, la méthode linéarise la fonction de mesure $h$ autour de l'itération actuelle du chemin d'optimisation (similaire à l'EKF itéré), en exploitant la structure DoC pour affiner la mise à jour.

Contributions Clés

• Robustesse sans Hyperparamètre : La méthode EKF-PrO ne nécessite aucun hyperparamètre réglable, contrairement à de nombreuses techniques de filtrage robustes qui dépendent de poids spécifiés par l'utilisateur ou de facteurs d'inflation de la covariance du bruit.
• Calibration Théorique : L'approche garantit que l'apprentissage (concentration de la distribution postérieure) se produit si et seulement si le modèle est bien spécifié. En cas de misspecification, elle évite l'« effondrement de l'incertitude » typique des méthodes bayésiennes, en maintenant une variance postérieure plus élevée pour refléter l'inadéquation du modèle.
• Efficacité Computationnelle : Les auteurs fournissent une procédure de mise à jour approximative rapide dont la complexité computationnelle est comparable aux variantes existantes de l'EKF ($O(I d^3)$, où $I$ est le nombre d'itérations de la boucle interne), ce qui la rend adaptée aux applications en temps réel.
• Optimisation DoC : La dérivation de l'objectif PrO en tant que fonction de Différence-de-Convexité permet une minimisation numérique efficace pour la mise à jour de la covariance, un obstacle technique majeur pour l'application des posteriors PrO aux modèles d'espace d'états.

Résultats Empiriques
L'article évalue l'EKF-PrO par rapport à l'EKF standard, l'EKF itéré et des filtres robustes de pointe (EKF-B, EKF-IW, WoLF-IMQ, WoLF-TMD) à travers trois scénarios :

1. Suivi d'Objet en 2D : Dans des scénarios de misspecification systématique (par exemple, bruit de processus de type Student-t) ou de dynamiques de manœuvre, l'EKF-PrO surpasse significativement l'EKF standard et les méthodes robustes aux valeurs aberrantes comme WoLF. Bien que WoLF soit performant lorsque seule la mesure est mal spécifiée (outliers), il peine face aux erreurs dynamiques systématiques.
2. Système Chaotique Lorenz96 : Dans un cadre non linéaire de haute dimension ($d=60$) avec misspecification systématique, l'EKF-PrO démontre une performance supérieure. L'étude note que les filtres robustes aux valeurs aberrantes peuvent parfois dégrader les performances en présence de misspecification systématique en rejetant des observations valides mais inattendues, alors que l'EKF-PrO adapte son incertitude sans rejeter de données.
3. Conservatisme : L'analyse théorique (Proposition 4) et les résultats empiriques confirment que l'EKF-PrO est plus conservateur que le KF ; il met à jour la moyenne de manière moins agressive en présence de valeurs aberrantes et gonfle la covariance de manière plus significative, conduisant à de meilleures prédictions à long terme.

Signification et Revendications
L'article positionne l'EKF-PrO comme une alternative nécessaire à l'inférence (généralisée) bayésienne dans les contextes où la misspecification du modèle est générique et inévitable. Les auteurs soutiennent qu'au lieu de tenter de construire un modèle plus complexe pour forcer des posteriors bien calibrés, il faut cibler directement la performance prédictive.

La portée de ce travail réside dans le pont jeté entre les bénéfices théoriques des posteriors orientés vers la prédiction (qui offrent une robustesse sans sur-confiance) et le besoin pratique d'algorithmes de filtrage en ligne rapides. Les auteurs reconnaissent modestement que, bien que la méthode soit efficace, ses propriétés théoriques (telles que l'efficacité statistique et la dépendance à la dimension) ne sont pas totalement comprises, et que son coût computationnel est actuellement 10 à 20 fois supérieur à celui du KF standard, tout en restant comparable aux autres bases de référence robustes. Ils considèrent le développement de cette procédure de mise à jour efficace comme la principale contribution technique, permettant l'application des posteriors PrO aux problèmes dynamiques d'espace d'états.