LMI Optimization Based Multirate Steady-State Kalman Filter Design

Titolo: Progettazione di Filtri di Kalman a Stato Stazionario Multirate Basata su Ottimizzazione LMI

1. Il Problema

In molte applicazioni moderne di controllo e elaborazione dei segnali (veicoli autonomi, robotica, controllo di processo industriale), lo stato di un sistema deve essere stimato utilizzando dati provenienti da sensori che operano a tassi di campionamento diversi (multirate).
Il problema fondamentale risiede nel fatto che i filtri di Kalman classici presuppongono un tasso di campionamento uniforme per tutte le misure. Quando i sensori operano a frequenze diverse (es. GPS a 1 Hz e sensori di velocità delle ruote a 10 Hz), il sistema di misura diventa tempo-variante periodico.
L'approccio standard per risolvere questo problema è la "cyclic reformulation" (riformulazione ciclica), che trasforma il sistema periodico in un sistema tempo-invariante aumentato. Tuttavia, questo approccio introduce un ostacolo critico: la matrice di covarianza del rumore di misura risultante ($\check{R}$) diventa semidefinita positiva (e non definita positiva) perché, in certi istanti del periodo, alcuni sensori non forniscono dati.
Questa singolarità impedisce l'applicazione diretta delle equazioni di Riccati algebriche discrete (DARE) standard, che richiedono l'inversione di una matrice di covarianza definita positiva, portando a fallimenti numerici o soluzioni instabili.

2. Metodologia

L'autore propone un quadro di progettazione sistematico basato sulla Ottimizzazione Lineare Matriciale (LMI) che supera le limitazioni delle equazioni di Riccati tradizionali.

• Riformulazione Ciclica: Il sistema multirate viene trasformato in un sistema tempo-invariante di dimensione aumentata ($Nn \times Nn$, dove $N$ è il periodo e $n$ la dimensione dello stato) utilizzando una rappresentazione ciclica dei segnali. Questo permette di gestire la periodicità delle matrici di misura $S_k$.
• Dualità LQR-LMI: Per gestire la covarianza semidefinita $\check{R} \succeq 0$, il problema di filtraggio viene formulato come un problema duale di Regolatore Lineare Quadratico (LQR).
  • Invece di risolvere un'equazione di Riccati, si risolve un problema di ottimizzazione convessa soggetto a vincoli LMI.
  • Viene introdotta una variabile di decisione $\check{X}$ (legata alla matrice di Lyapunov) e $\check{Y}$ (legata al guadagno), permettendo di linearizzare il problema.
  • La condizione di stabilità è garantita da un'inequazione di Lyapunov discreta che non richiede l'inversione di $\check{R}$.
• Problema di Ottimizzazione: L'obiettivo è minimizzare la traccia di un limite superiore della covarianza dell'errore di stima ($\text{trace}(\check{W})$), soggetto a vincoli LMI che garantiscono la stabilità Schur del sistema a ciclo chiuso.

3. Contributi Chiave

Il lavoro presenta tre contributi principali:

1. Gestione della Covarianza Semidefinita: Identificazione formale del fatto che $\check{R}$ è semidefinita nei sistemi multirate reali e sviluppo di un metodo LMI basato sulla dualità LQR che risolve naturalmente questo problema, evitando i fallimenti numerici delle DARE.
2. Progettazione Multi-Obiettivo: Estensione del framework LMI per includere vincoli aggiuntivi:
   • Posizionamento dei Poli: Vincoli sulla regione degli autovalori (es. disco $D_{\bar{r}}$) per garantire tassi di convergenza minimi dell'errore di stima.
   • Norma Indotta $l_2$: Vincoli sulla norma $l_2$-indotta per bilanciare le prestazioni medie (minimizzazione della varianza) con le prestazioni nel caso peggiore (robustezza contro disturbi).
3. Validazione Numerica Rigorosa: Dimostrazione dell'efficacia del metodo su un caso d'uso reale (navigazione automobilistica) con simulazioni Monte Carlo su 500 realizzazioni, confermando che il filtro proposto supera le prestazioni dei singoli sensori.

4. Risultati

I risultati sono stati validati su un sistema di navigazione automobilistica con:

• Configurazione: GPS (1 Hz) e sensori di velocità delle ruote (10 Hz).
• Stato: Posizione, velocità e accelerazione.
• Performance di Stima:
  • L'errore quadratico medio (RMSE) della posizione stimata è 0.561 m, significativamente inferiore al rumore standard del GPS (1.0 m), dimostrando l'efficacia della fusione multirate.
  • Il filtro garantisce la stabilità dell'errore di stima (autovalori massimi del sistema a ciclo chiuso < 1).
• Validità del Limite Teorico: I valori RMSE teorici ottenuti dalla soluzione LMI (come limite superiore della covarianza) sono stati confrontati con le simulazioni Monte Carlo. Il rapporto tra limite teorico e media simulata è molto vicino a 1 (da 1.002 a 1.046), indicando che il limite fornito dall'LMI è stretto e poco conservativo.
• Analisi dei Trade-off:
  • L'aggiunta di vincoli di posizionamento dei poli (es. $\bar{r} = 0.8$) riduce il raggio spettrale (migliorando la convergenza) ma aumenta il costo della varianza dell'errore (trace) di oltre un ordine di grandezza rispetto al filtro di Kalman ottimale non vincolato.
  • L'uso della norma $l_2$-indotta permette di ridurre l'amplificazione massima dei disturbi, modificando i guadagni del filtro per dare più peso alle misure GPS quando necessario.

5. Significato e Impatto

Questo lavoro è significativo perché:

• Supera i limiti teorici: Fornisce una soluzione matematica rigorosa al problema del filtraggio di Kalman in presenza di covarianze di misura singolari, un problema che le tecniche standard non riescono a gestire direttamente.
• Flessibilità Progettuale: Trasforma la progettazione del filtro da un problema di calcolo di equazioni algebriche rigide a un problema di ottimizzazione convessa flessibile, permettendo agli ingegneri di bilanciare facilmente stabilità, velocità di convergenza e robustezza.
• Applicabilità Pratica: Offre un metodo affidabile per sistemi critici come i veicoli autonomi, dove la fusione di sensori eterogenei è essenziale per la sicurezza e la precisione.
• Garanzia di Stabilità: A differenza di approcci euristici, il metodo LMI garantisce matematicamente la stabilità del filtro attraverso la teoria di Lyapunov, indipendentemente dalla struttura della covarianza del rumore.

In sintesi, il paper stabilisce un nuovo standard per la progettazione di filtri di Kalman per sistemi multirate, offrendo un framework unificato, numericamente stabile e capace di soddisfare specifiche di progetto complesse e multi-obiettivo.