Optimal Sensor Scheduling and Selection for Continuous-Discrete Kalman Filtering with Auxiliary Dynamics

Sintesi Tecnica: Programmazione e Selezione Ottimale dei Sensori per il Filtro di Kalman Continuo-Discreto con Dinamiche Ausiliarie

1. Definizione del Problema

Il documento affronta la sfida della programmazione e selezione ottimale dei sensori all'interno di un framework di Filtro di Kalman Continuo-Discreto (CD-KF). A differenza delle configurazioni tradizionali in cui l'evoluzione dello stato è continua ma le misurazioni sono discrete, questo lavoro considera scenari in cui il processo di misurazione è accoppiato con dinamiche ausiliarie. Tali stati ausiliari ($\xi$) rappresentano variabili quali la traiettoria spaziale di un sensore, il consumo energetico o la temperatura, che influenzano direttamente i costi, l'accuratezza e la fattibilità delle misurazioni.

Il problema centrale riguarda un sistema multi-sensore in cui:

• Le dinamiche dello stato in tempo continuo sono osservate tramite più sensori che forniscono misurazioni discrete, potenzialmente irregolari.
• I tassi di misurazione e la selezione dei sensori sono vincolati dalle dinamiche ausiliarie (ad esempio, la posizione orbitale di un satellite che influenza l'accuratezza del sensore, o l'energia di un robot che si esaurisce con ogni misurazione).
• L'obiettivo è ottimizzare congiuntamente i tassi di misurazione ($\lambda_s(t)$) per ogni sensore e gli input di controllo ($u$) che governano le dinamiche ausiliarie per minimizzare l'incertezza di stima (covarianza a posteriori) soddisfacendo al contempo i vincoli di risorse.

La letteratura esistente si concentra ampiamente o su misurazioni in tempo continuo o su formulazioni in tempo discreto, trascurando spesso l'accoppiamento tra la programmazione dei sensori e le dinamiche generali dello stato ausiliario (ad esempio, accuratezza dipendente dalla traiettoria o vincoli energetici).

2. Metodologia

Gli autori propongono un framework che trasforma il problema della programmazione stocastica in un problema di controllo ottimale deterministico attraverso i seguenti passaggi:

A. Modellazione dell'Arrivo delle Misurazioni
L'arrivo delle misurazioni per ogni sensore $s$ è modellato come processi di Poisson indipendenti con intensità variabili nel tempo $\lambda_s(t)$. Ciò consente di rappresentare la natura stocastica della temporizzazione delle misurazioni tramite funzioni di tasso continue.

B. Derivazione di Limiti Deterministici
Per abilitare l'ottimizzazione basata sul gradiente, gli autori derivano limiti superiori sul comportamento stocastico del sistema:

1. Limite della Covarianza (Proposizione 6.1): Viene derivato un limite superiore $\hat{\Sigma}(t)$ sulla matrice di covarianza a posteriori media, condizionato dallo stato ausiliario medio. Questo limite soddisfa un'equazione differenziale deterministica in cui i termini di salto stocastico (Dirac delta) sono sostituiti dai tassi di misurazione $\lambda_s(t)$. Fondamentalmente, questo limite è continuamente differenziabile rispetto a $\lambda_s(t)$.
2. Limite dello Stato Ausiliario (Proposizione 6.2): Sotto l'ipotesi che le funzioni delle dinamiche ausiliarie siano concave (o convesse) rispetto alle componenti dello stato perturbato, viene derivata una traiettoria deterministica $\hat{\xi}(t)$ che limita il vero stato ausiliario medio.

C. Problema di Controllo Ottimale a Orizzonte Finito (OCP)
Utilizzando questi limiti, gli autori formulano un problema di controllo ottimale a orizzonte finito (Eq. 12). L'obiettivo è minimizzare una funzione di costo (ad esempio, la traccia della matrice di covarianza) soggetto a:

• Le dinamiche deterministiche del limite di covarianza $\hat{\Sigma}$.
• Le dinamiche deterministiche del limite dello stato ausiliario $\hat{\xi}$.
• Vincoli di esecuzione e terminali (ad esempio, limiti di energia, requisiti di ritorno alla base).
• Non negatività dei tassi di misurazione.

D. Programmazione Deterministica delle Misurazioni
Una volta calcolati i tassi ottimali $\lambda_s(t)$ e gli input $u(t)$, il documento propone un metodo deterministico per selezionare istanti temporali specifici di misurazione. Questo è formulato come un problema di quantizzazione ottimale. Il metodo minimizza la distanza di Wasserstein-2 tra la misura di intensità continua definita da $\lambda_s(t)$ e una misura discreta che rappresenta i tempi di misurazione selezionati. Ciò garantisce che i tempi selezionati corrispondano strettamente alla media statistica del processo di Poisson ottimizzato.

3. Contributi Chiave

Il documento riassume esplicitamente i propri contributi come segue:

1. Derivazione di un Limite Differenziabile: Gli autori derivano un limite superiore sulla matrice di covarianza a posteriori media del CD-KF condizionato sullo stato ausiliario medio. Questo limite è continuamente differenziabile rispetto ai tassi di misurazione specifici del sensore, consentendo un'efficiente ottimizzazione basata sul gradiente.
2. Framework di Ottimizzazione Congiunta: Viene proposto un framework di controllo ottimale a orizzonte finito per ottimizzare congiuntamente i tassi di misurazione e le dinamiche dello stato ausiliario (ad esempio, la traiettoria del veicolo).
3. Strategia di Programmazione Deterministica: Viene introdotto un metodo deterministico per convertire i tassi di Poisson ottimizzati in eventi di tempo di misurazione specifici. Questo metodo minimizza la distanza di Wasserstein tra la distribuzione di tasso ottimizzata e la distribuzione empirica degli eventi di misurazione.

4. Risultati Sperimentali

L'approccio è validato attraverso due scenari che coinvolgono un robot che raccoglie dati per la regressione di processi gaussiani (GP) temporali dinamici (equivalente allo smoothing di Kalman):

• Scenario 1 (Standard): Un robot con due sensori (uno ad alta accuratezza/alto costo, uno a minore accuratezza/basso costo) deve navigare verso un obiettivo e tornare gestendo l'energia. L'ottimizzazione bilancia la frequenza di misurazione, la traiettoria e il consumo energetico.
• Scenario 2 (Ambiente Radioattivo): Un'estensione in cui i sensori degradano nel tempo a causa del danno da radiazioni accumulato, che aumenta il rumore di misurazione. Lo stato ausiliario include i livelli di danno da radiazioni.

Prestazioni Comparative:
Il metodo "Ottimizzato" proposto è stato confrontato con:

• Random (Casuale): Discretizzazione uniforme con tassi di Poisson costanti.
• Greedy (Ingordo): Selezione passo-passo basata sulla riduzione immediata del costo.
• M-Optimized: Campionamento di molteplici realizzazioni di Poisson e selezione della migliore.

Risultati:

• Il metodo proposto ha ottenuto la traccia della covarianza media più bassa (1.902 contro 2.608 del Greedy), indicando una precisione di stima superiore.
• Ha mantenuto riserve di energia positive (Media $\eta \approx 21.5$), mentre le strategie Random e Greedy hanno portato a un'energia negativa (fallimento del ritorno alla base).
• Il metodo di quantizzazione deterministica ha fornito prestazioni comparabili al metodo "M-Optimized" (che campiona molteplici realizzazioni), ma senza l'overhead di campionamento.
• I limiti pianificati ($\hat{\Sigma}, \hat{\eta}$) hanno seguito da vicino le vere traiettorie simulate, validando l'utilità dei limiti derivati.

5. Significato e Rivendicazioni

Il documento sostiene di colmare una lacuna nella letteratura formalizzando la programmazione ottimale dei sensori per SSM (Modelli di Stato Spazio) continuo-discreti con dinamiche ausiliarie, una configurazione precedentemente non esplorata direttamente.

• Novità: Il lavoro unifica l'evoluzione dello stato in tempo continuo con la programmazione stocastica delle misurazioni tramite processi di Poisson e integra le dinamiche dello stato ausiliario in un unico framework di controllo ottimale.
• Praticità: Derivando limiti differenziabili, il metodo consente l'uso di strumenti standard di ottimizzazione basati sul gradiente per problemi complessi e accoppiati che erano precedentemente intrattabili.
• Efficienza: La strategia di programmazione deterministica evita il costo computazionale del campionamento Monte Carlo pur mantenendo prestazioni vicine alla migliore realizzazione stocastica.
• Generalità: Il framework è applicabile a vari domini in cui la qualità del sensore è accoppiata con stati operativi, come il monitoraggio satellitare, il monitoraggio del glucosio medico e la robotica ambientale.

Gli autori rimangono modesti riguardo alle garanzie teoriche, notando che per sistemi completamente non lineari che violano specifiche assunzioni di concavità, i limiti proposti fungono da approssimazioni euristiche, sebbene i risultati empirici suggeriscano prestazioni accettabili anche in tali casi.