Riepilogo Tecnico: Kalman Evolve

Enunciato del Problema

Il Filtro di Kalman (KF) rimane la pietra angolare della stima dello stato, offrendo una soluzione ottimale sotto le ipotesi di dinamiche lineari, rumore gaussiano e covarianze del rumore note. Tuttavia, in ambienti di rilevamento realistici—come radar Doppler e LiDAR—le osservazioni sono spesso funzioni intrinsecamente non lineari dello stato sottostante. In questi scenari, l'aggiornamento standard del KF, limitato a trasformazioni affini del residuo di misura, non riesce a catturare la struttura dello stimatore ottimale.

Sebbene estensioni come il Filtro di Kalman Esteso (EKF) e il Filtro di Kalman Unscented (UKF) tentino di gestire la non linearità tramite linearizzazione locale o approssimazioni a punti sigma, esse si basano su modelli di sistema noti e mancano di adattabilità guidata dai dati. Al contrario, approcci guidati dai dati come i Filtri di Kalman Neurali (ad esempio KalmanNet) spesso funzionano come scatole nere, richiedono notevoli quantità di dati di addestramento e possono performare peggio dei metodi classici. Inoltre, i metodi di ottimizzazione esistenti, come il Filtro di Kalman Ottimizzato (OKF), si concentrano esclusivamente sulla sintonizzazione dei parametri del rumore ($Q$ e $R$) ma rimangono confinati alla classe degli stimatori affini. Gli autori sostengono che questa limitazione strutturale impedisce a tali metodi di superare i divari fondamentali di prestazioni causati dal disallineamento del modello, anche quando i parametri sono perfettamente sintonizzati.

Metodologia: Kalman Evolve

Per affrontare le sfide congiunte dell'incertezza dei parametri e delle limitazioni strutturali, gli autori propongono Kalman Evolve, un framework che scopre algoritmi di filtraggio migliorati ottimizzando simultaneamente sia i parametri del rumore che la struttura di aggiornamento. L'approccio consta di due fasi principali:

1. Calibrazione dei Parametri: Il processo inizia stimando le covarianze del rumore di processo e di misura ($Q$ e $R$) utilizzando sia la stima ai minimi quadrati che il Filtro di Kalman Ottimizzato (OKF). Ciò stabilisce una linea di base ben calibrata e competitiva.
2. Ricerca Evolutiva Guidata da LLM: Basandosi sulla linea di base calibrata, il framework impiega una ricerca evolutiva guidata da Modelli Linguistici di Grande Dimensione (LLM).
   • Prior Strutturato: L'LLM (nello specifico DeepSeek 16B) agisce come un prior strutturato sullo spazio delle trasformazioni di programma interpretabili.
   • Processo di Ricerca: Ispirata ad AlphaEvolve, la ricerca opera su quattro "isole" indipendenti (worker GPU paralleli). In ogni ciclo, l'LLM campiona algoritmi candidati da un database, riceve una specifica del problema e due algoritmi genitori come prompt, e genera mutazioni o combinazioni.
   • Valutazione della Fitness: I candidati sono valutati in base a una funzione di perdita (tipicamente l'Errore Quadratico Medio, RMSE) sui dati di addestramento. Il database viene aggiornato con i candidati migliori.
   • Preservazione della Struttura: Crucialmente, la ricerca è vincolata a preservare la forma ricorsiva del Filtro di Kalman. Gli algoritmi scoperti modificano il passo di aggiornamento (ad esempio, tramite meccanismi di gating non affini o riscalamento adattivo) mantenendo la decomposizione fondamentale predizione-aggiornamento e i ruoli semantici dell'innovazione e del guadagno di Kalman.

Contributi Chiave

Il paper apporta quattro contributi principali:

• Subottimalità Teorica degli Stimatori Affini: Gli autori forniscono prove analitiche (Corollari 1 e 2) che dimostrano come gli stimatori affini siano strutturalmente subottimali sotto comuni modelli di rilevamento non lineari, in particolare radar Doppler e LiDAR. Anche con dinamiche lineari e priori gaussiani, le dipendenze geometriche nelle osservazioni (ad esempio, misurazioni radiali o angolari) inducono una media a posteriori intrinsecamente non lineare.
• Framework di Ottimizzazione Congiunta: Introducono un framework unificato che ottimizza congiuntamente i parametri del rumore e la struttura di aggiornamento, permettendo la scoperta di estensioni interpretabili e non affini del Filtro di Kalman.
• Superiorità Empirica: Attraverso benchmark sintetici e del mondo reale, gli algoritmi scoperti superano costantemente forti linee di base, incluso il Filtro di Kalman Ottimizzato (OKF), raggiungendo una riduzione fino al 12% dell'RMSE.
• Riproducibilità: Gli autori rilasciano codice e gli algoritmi scoperti per supportare ulteriori ricerche nella scoperta algoritmica interpretabile.

Risultati Sperimentali

Il framework è stato valutato su tre benchmark distinti:

1. Tracciamento Radar Doppler: Valutato su cinque scenari che vanno dal semplificato ("Toy") al complesso ("Free" motion con accelerazione e svolte). Kalman Evolve (KE) ha superato costantemente l'OKF. I miglioramenti sono stati marginali in contesti semplici (~0,4%) ma sono cresciuti fino all'11-12% in regimi complessi che coinvolgono accelerazione e moto non lineare.
2. Localizzazione Basata su LiDAR: Testato su traiettorie di guida sintetiche e sul dataset reale NCLT. KE ha migliorato l'OKF di circa il 5% nella stima dello stato e del 6% nella previsione del prossimo stato sui dati sintetici, e del 2-3% sul dataset rumoroso NCLT, dimostrando trasferibilità oltre gli ambienti sintetici.
3. Tracciamento Pedonale (MOT20): Focalizzato sulla previsione del prossimo stato per i pedoni. KE ha ridotto l'RMSE di test dell'8% rispetto all'OKF con alta significatività statistica ($p < 10^{-6}$). Notevolmente, KE ha dimostrato una superiore efficienza nei dati, mantenendo bassi errori con piccoli set di addestramento dove le prestazioni dell'OKF erano più variabili.

In tutti i casi, gli algoritmi scoperti hanno mantenuto costi computazionali comparabili al Filtro di Kalman standard, poiché l'overhead di inferenza è stato minimo. Le linee di base di deep learning (LSTM, KalmanNet) hanno generalmente performato peggio degli approcci basati su modelli, in particolare nelle impostazioni LiDAR e MOT20.

Significato e Affermazioni

Il paper postula che il divario di prestazioni nella stima dello stato non lineare non sia meramente una questione di sintonizzazione dei parametri ma strutturale. Ottimizzando la struttura del filtro di Kalman stesso, piuttosto che solo i suoi parametri, Kalman Evolve offre un percorso pratico e interpretabile verso una migliore stima dello stato.

Gli autori sottolineano che il loro approccio colma il divario tra l'efficienza basata su modelli e l'adattabilità guidata dai dati. A differenza delle reti neurali a scatola nera, gli algoritmi scoperti mantengono la forma ricorsiva e interpretabile del filtro classico, introducendo meccanismi semplici e dipendenti dai dati (come gating o riscalamento adattivo) per gestire il disallineamento del modello. Il lavoro suggerisce che combinare strutture classiche basate su modelli con la scoperta guidata da LLM è una direzione promettente per lo sviluppo di algoritmi ad alte prestazioni e interpretabili per problemi di rilevamento del mondo reale dove le ipotesi di linearità e gaussianità sono frequentemente violate.