Error Analysis of Approximated PCRLBs for Nonlinear Dynamics

Sintesi Tecnica: Analisi dell'Errore delle PCRLB Approssimate per la Dinamica Non Lineare

Formulazione del Problema
Nel campo del filtraggio non lineare, la valutazione delle prestazioni raggiungibili è critica per la progettazione di algoritmi, particolarmente in sistemi come l'Interacting Multiple Models (IMM) dove le stime pesate vengono combinate. Sebbene il Posterior Cramer-Rao Lower Bound (PCRLB) funga da benchmark teorico per l'accuratezza del filtro, il suo calcolo ricorsivo richiede tradizionalmente la conoscenza della vera traiettoria dello stato. Nelle applicazioni pratiche online, lo stato vero è sconosciuto; sono disponibili solo le stime dello stato. Di conseguenza, è necessario approssimare la PCRLB utilizzando queste stime online anziché i valori reali.

Il documento affronta la sfida specifica di determinare l'accuratezza e la differenza tra due comuni strategie di approssimazione:

1. Approssimazione basata sulla Media (Mean-based Approximation): Combinare l'aspettativa della stima dello stato direttamente con il modello dinamico esatto.
2. Approssimazione Media-Covarianza (Mean-Covariance Approximation): Utilizzare sia il primo che il secondo ordine dei momenti (aspettativa e covarianza) della stima dello stato, incorporando espansioni in serie di Taylor delle dinamiche.

La motivazione primaria è formulare analiticamente la differenza tra queste due approssimazioni e determinare quale fornisca un limite più vicino alla vera PCRLB.

Metodologia
Gli autori propongono un framework basato su assunzioni gaussiane per derivare approssimazioni ricorsive della Matrice di Informazione di Fisher (FIM), dalla quale la PCRLB viene derivata come l'inversa.

1. Forme Gaussiane Approssimate (AGF):

   • Tipo A (Media-Covarianza): La densità di transizione dello stato e di misura viene approssimata utilizzando una distribuzione Gaussiana caratterizzata dai primi due momenti della stima dello stato. Ciò comporta espansioni in serie di Taylor fino al secondo ordine per tenere conto della non linearità delle funzioni $f_k$ e $h_k$. La media e la covarianza vengono aggiornate includendo termini di correzione che coinvolgono le matrici Essendo (Hessian) e la covarianza dell'errore.
   • Tipo B (Solo Media): Lo stato e la misura vengono approssimati utilizzando solo il primo momento (la stima dello stato) e il modello dinamico esatto, ignorando gli effetti di covarianza di ordine superiore nella formulazione della densità.

2. Derivazione Ricorsiva della FIM:
   Utilizzando le AGF definite, gli autori derivano le componenti della FIM ($D_{11}, D_{12}, D_{22}$) per entrambi i tipi di approssimazione.

   • Per il caso Media-Covarianza, le matrici FIM sono decomposte utilizzando il lemma dell'inversione della matrice. Questa decomposizione separa i termini in una componente "stella" ($\Sigma^*$), che corrisponde all'approssimazione Solo Media, e una componente residua ($\Sigma$ o $\Pi$) che rappresenta il contributo della covarianza e dei termini di ordine superiore.
   • Per il caso Solo Media, la FIM è derivata direttamente dalle forme Gaussiane semplificate, producendo una matrice denominata $\Theta$.

3. Formulazione della Differenza Analitica:
   Applicando il lemma dell'inversione della matrice alle equazioni ricorsive della PCRLB, gli autori derivano un'espressione analitica esplicita per la differenza tra i due limiti approssimati. Sia $J^{-1}_{k+1}$ la PCRLB dal modello Media-Covarianza e $J^{*-1}_{k+1}$ la PCRLB dal modello Solo Media. La differenza è formulata come:
   $$\tilde{J}^{-1}_{k+1} = J^{*-1}_{k+1} - J^{-1}_{k+1} = (\Pi^{-1}\Theta + I)^{-1}\Theta^{-1}$$
   dove $\Pi$ e $\Theta$ sono derivati dai termini decomposti della FIM.

Risultati Sperimentali
I metodi proposti sono stati valutati utilizzando un modello non lineare univariato noto per la sua verosimiglianza bimodale e forte non linearità. Sono stati impiegati due stimatori di stato per generare le necessarie stime di stato e covarianze:

• Filtro di Kalman Unscented (UKF): Un approccio di campionamento deterministico accurato fino al termine del terzo ordine per input gaussiani.
• Filtro a Particelle (PF): Un approccio Monte Carlo utilizzando 1000 particelle e 100 corse di simulazione.

Le scoperte chiave dalle simulazioni includono:

• Confronto di Accuratezza: La PCRLB derivata utilizzando il modello Media-Covarianza (Tipo A) ha fornito costantemente un limite più stretto (inferiore) e più vicino alla vera PCRLB rispetto al modello Solo Media (Tipo B).
• Dipendenza dal Filtro: Il PF ha generalmente prodotto approssimazioni della PCRLB più accurate rispetto all'UKF, grazie alla capacità del PF di gestire meglio la forte non linearità e la bimodalità del sistema.
• Convergenza: Il divario teorico tra le due approssimazioni diminuiva al migliorare l'accuratezza del metodo di filtraggio sottostante (ad esempio, aumentando il numero di particelle nel PF).
• Oscillazioni: A causa dell'acute non linearità del sistema, le curve della PCRLB hanno mostrato forti oscillazioni, tuttavia il ranking delle prestazioni relative tra i metodi di approssimazione è rimasto coerente.

Significatività e Rivendicazioni
Il documento sostiene di fornire un framework analitico rigoroso per quantificare l'errore introdotto nell'approssimare la PCRLB utilizzando le stime dello stato invece degli stati veri. Nello specifico:

• Stabilisce che l'approssimazione che utilizza sia la media che la covarianza (tramite espansione di Taylor) supera l'approssimazione più semplice basata solo sulla media in termini di vicinanza al limite reale.
• Dimostra che la differenza teorica tra questi due limiti può essere calcolata esplicitamente, offrendo una metrica per valutare la qualità dell'approssimazione basata sulle prestazioni del metodo di filtraggio.
• Lo studio conferma che migliorare l'accuratezza dello stimatore dello stato (ad esempio, tramite migliori algoritmi di filtraggio o un aumento del numero di particelle) migliora direttamente l'accuratezza della PCRLB stimata.

Gli autori concludono che il loro approccio offre un metodo valido e significativo per valutare le prestazioni del filtraggio in sistemi non lineari pratici dove gli stati veri non sono disponibili, fornendo uno strumento per determinare se i requisiti di prestazione imposti siano realistici.