From the Linear Quadratic Regulator (LQR) to the (Deterministic) Kalman Filter in Two Easy Steps

Questo articolo presenta un tutorial in due fasi che dimostra come derivare il filtro di Kalman deterministico dal Regolatore Quadratico Lineare (LQR), convertendo prima il problema della stima dello stato in una formulazione LQR puramente quadratica mediante l'uso di coordinate omogenee, e successivamente partizionando la soluzione risultante per recuperare la dinamica e l'equazione di Riccati del tradizionale filtro di Kalman.

L'essenziale

Immagina di cercare di capire esattamente dove si trova un escursionista smarrito in una foresta fitta. Hai due fonti di informazione, ma entrambe sono imperfette:

1. La tua Mappa (il Modello): Conosci il suo percorso generale e la sua velocità, ma il terreno è complicato e potrebbe inciampare o prendere una deviazione.
2. I tuoi Binocoli (le Misurazioni): Vedi l'escursionista occasionalmente, ma gli alberi bloccano la tua vista e l'immagine è sfocata.

Il Filtro di Kalman è lo strumento matematico che combina queste due fonti imperfette per indovinare la reale posizione dell'escursionista. Di solito, viene insegnato come un problema statistico complesso che coinvolge il "rumore" e la "probabilità".

Questo articolo di Bassam Bamieh offre un modo diverso, più semplice, di vedere la cosa. Sostiene che non è necessario pensare alla casualità: invece, puoi trattare il problema come un puzzle deterministico: "Qual è la storia più semplice possibile che spieghi ciò che abbiamo visto?"

Ecco i "Due Passaggi Facili" per risolvere questo puzzle proposti dall'articolo, spiegati con analogie quotidiane.

L'Idea Centrale: "Occam's Razor" per la Matematica

L'articolo parte da un principio chiamato Principio di Incertezza Minima. Immagina di essere un detective che cerca di ricostruire una scena del crimine. Esistono infinite modi in cui il crimine potrebbe essere avvenuto.

• Storia A: Il sospettato ha corso per 5 miglia, è inciampato 10 volte e il testimone stava avendo delle allucinazioni.
• Storia B: Il sospettato ha camminato per 1 miglio, ha inciampato una volta e il testimone aveva la vista leggermente sfocata.

L'articolo dice: Scegli la Storia B. Perché? Perché richiede la minima quantità di "stranezza" (incertezza) per far sì che i fatti siano coerenti. In termini matematici, vogliamo la storia in cui gli "errori" (l'inciampare e la vista sfocata) siano il più piccoli possibile.

Passaggio 1: Il Trucco delle "Coordinate Omogenee"

Il primo ostacolo è che la matematica per questo problema della "storia più semplice" è disordinata. Ha un mix di termini al quadrato (come "distanza al quadrato") e termini lineari (come "distanza"). È come cercare di preparare una torta dove la ricetta richiede "2 tazze di farina" e "un pizzico di sale", ma la ciotola accetta solo ingredienti in un formato specifico "al quadrato".

La Soluzione: L'articolo suggerisce un trucco magico chiamato Coordinate Omogenee.

• L'Analogia: Immagina di avere un disegno 2D su un foglio di carta. Per far funzionare la matematica, aggiungi una terza dimensione — un "1" attaccato al lato del tuo disegno. Improvvisamente, il tuo problema 2D diventa un problema 3D dove tutto si incastra perfettamente in una scatola simmetrica e ordinata.
• Cosa fa: Aggiungendo questo "1" extra al sistema, il disordinato problema matematico "misto" si trasforma in un problema puramente "al quadrato" e perfettamente pulito.
• Il Risultato: Questo problema pulito è esattamente lo stesso di un Regolatore Quadratico Lineare (LQR). Se sai come risolvere un problema LQR (che è come trovare il modo più efficiente dal punto di vista del consumo di carburante per guidare un'auto), puoi ora risolvere questo disordinato problema di stima.

Perché questo è importante: L'articolo evidenzia un'intuizione interessante qui. Nei problemi di controllo (come guidare un'auto), la matematica "extra" di solito rappresenta un segnale feedforward pre-pianificato. Nei problemi di stima (come tracciare l'escursionista), quella stessa matematica extra rappresenta l'osservatore — la parte del sistema che impara e aggiorna la propria ipotesi nel tempo.

Passaggio 2: La "Inversione Temporale" e la "Previsione Finale"

Ora che abbiamo un problema pulito e al quadrato, dobbiamo risolverlo. Ma c'è un problema: in un normale problema di guida, sai dove sei partito. In questo problema di stima, non sappiamo dove l'escursionista è partito. Sappiamo solo dove si trova ora (o meglio, stiamo cercando di capire dove si trova ora basandoci sui dati passati).

La Soluzione: L'articolo utilizza una mossa intelligente in due parti:

1. Presumi la Fine: Immagina per un momento di sapere dove l'escursionista è finito all'ultimo momento. Se conosci l'inizio e la fine, il "percorso più semplice" tra di essi è facile da calcolare.
2. Inversione Temporale: La matematica per "andare da A a B" è l'immagine speculare di "andare da B ad A". L'articolo ribalta il problema nel tempo. Inveve di chiedere "Come arriviamo dall'inizio alla fine?", chiede "Se siamo alla fine, come siamo arrivati qui?".
3. Ottimizza la Previsione: Poiché in realtà non conosciamo la posizione finale, prendiamo la risposta del passaggio 2 e chiediamo: "Quale posizione finale rende la "stranezza" totale (l'incertezza) la più piccola?"

Il Risultato: Quando si esegue questa ottimizzazione, le equazioni disordinate si semplificano magicamente nelle famose equazioni del Filtro di Kalman.

• Il "Guadagno dell'Osservatore" (quanto ti fidi della mappa rispetto ai binocoli) emerge naturalmente.
• L' "Equazione di Riccati" (la matematica complessa che aggiorna il filtro) appare come la soluzione di questo problema di "costo per l'arrivo".

La Visione d'Insieme: Certezza vs Informazione

L'articolo conclude con una reinterpretazione affascinante della matematica.

• Nella visione tradizionale (stocastica), il filtro calcola una "Matrice di Covarianza", che indica quanto sei incerto. Un numero grande significa "Non ne ho idea".
• Nella visione di questo articolo, la matematica calcola una "Matrice di Informazione" (o Matrice di Certezza).
  • L'Analogia: Pensa a una ciotola. Se la ciotola è molto ripida e profonda, una biglia posta al suo interno rotolerà rapidamente verso il fondo. Questo significa che sei molto certo della posizione del fondo. Se la ciotola è piatta, la biglia può rotolare ovunque; sei incerto.
  • L'articolo sostiene che la matrice $S$ nelle loro equazioni misura la ripidezza della ciotola. Un valore $S$ elevato significa che la "ciotola" è ripida, il che significa che il filtro è molto sicuro della sua stima.

Riassunto

Questo articolo non inventa un nuovo filtro; riscrive la ricetta.

1. Dice: "Smettete di pensare al rumore casuale. Pensate a trovare la spiegazione più semplice e con meno errori per i vostri dati."
2. Utilizza un trucco matematico (coordinate omogenee) per trasformare un problema disordinato in un problema di controllo standard e pulito.
3. Utilizza l'inversione temporale per risolvere questo problema, rivelando che il Filtro di Kalman è semplicemente il modo ottimale per minimizzare l'incertezza in un mondo deterministico.

È un "tutorial" che spoglia la teoria della probabilità spaventosa per mostrare che il Filtro di Kalman è fondamentalmente una questione di efficienza e semplicità: scegliere il percorso che richiede il minor numero di assunzioni.

Sommario tecnico

Sintesi Tecnica: Dall'LQR al Filtro di Kalman Deterministico

Formulazione del Problema
Il saggio affronta il problema della stima deterministica dello stato per sistemi lineari tempo-varianti. Il sistema è modellato dalle equazioni $\dot{x}(t) = Ax(t) + w(t)$ e $y(t) = Cx(t) + v(t)$, dove l'uscita $y(t)$ è nota, ma la perturbazione del processo $w(t)$, il rumore di misura $v(t)$ e lo stato iniziale $x_i$ sono ignoti. L'obiettivo è trovare la traiettoria dello stato $\hat{x}(t)$ coerente con la dinamica del sistema che minimizzi una funzione di costo quadratica rappresentante la "dimensione" dell'incertezza della terna $(w, v, x_i)$. Questo funzionale di costo, $J$, è affine-quadratico rispetto allo stato e agli input a causa della presenza del segnale di misura noto $y(t)$ all'interno del termine quadratico $(y - C\hat{x})^*V(y - C\hat{x})$. Il saggio inquadra questo come un problema di "progettazione dell'input" piuttosto che un problema di stima stocastica, aderendo a un "Principio di Incertezza Minima" analogo al rasoio di Occam: selezionare la traiettoria che richiede le minori assunzioni (norma dell'incertezza più piccola).

Metodologia: I "Due Passaggi Facili"
L'autore deriva le equazioni del filtro di Kalman attraverso una trasformazione in due fasi del problema di ottimizzazione affine-quadratico in un framework standard di Regolatore Lineare Quadratico (LQR):

1. Omogeneizzazione tramite Coordinate Omogenee:
   Il primo passaggio converte il costo affine-quadratico (contenente termini quadratici, lineari e costanti) in un costo puramente quadratico. Ciò viene ottenuto inserendo il sistema in uno spazio di stato a dimensione superiore utilizzando le "coordinate omogenee". Uno stato scalare ausiliario $\alpha$ viene aggiunto al vettore di stato $x$, con il vincolo $\alpha(t) \equiv 1$. Questo trasforma il sistema originale e il relativo costo in un sistema più grande con stato $\xi = [x^T, 1]^T$ e un obiettivo puramente quadratico. Questa embedding rivela che i controllori per problemi affine-quadratici contengono intrinsecamente componenti dinamiche (a differenza dei controllori puramente quadratici privi di memoria), che corrispondono alla dinamica di feedforward nel tracking o alla dinamica dell'osservatore nella stima.

2. Inversione Temporale e Ottimizzazione dello Stato Finale:
   Il secondo passaggio utilizza la formulazione "LQR con condizioni finali". A differenza del classico LQR che specifica uno stato iniziale e minimizza un "costo-per-andare" (cost-to-go), questo problema duale specifica uno stato finale e minimizza un "costo-per-arrivare" (cost-to-arrive).

• Il problema di stima viene risolto assumendo che lo stato finale $\hat{x}(t)$ sia noto (fissato). Ciò produce una soluzione caratterizzata da una matrice Differenziale di Riccati (DRE) che corre in avanti nel tempo, denotata come $S(t)$, e un vettore ausiliario $s_1(t)$.
• Poiché lo stato finale è in realtà ignoto, l'estimatore ottimale si trova minimizzando ulteriormente la funzione di "costo-per-arrivare" risultante rispetto alla variabile dello stato finale. Questa ottimizzazione produce la stima ottimale dello stato $\hat{x}(t) = -S^{-1}(t)s_1(t)$.
• Differenziando questa relazione e sostituendo la dinamica di $S(t)$ e $s_1(t)$, il saggio deriva direttamente un'equazione differenziale per $\hat{x}(t)$. Questa equazione assume la forma di un osservatore causale: $\dot{\hat{x}} = A\hat{x} + L(y - C\hat{x})$, dove il guadagno $L$ è derivato dalla soluzione $S(t)$.

Contributi Chiave e Risultati

• Derivazione del Filtro di Kalman Deterministico: Il saggio fornisce una derivazione snella del filtro di Kalman deterministico (stimatore di stato) disgiungendo esplicitamente i passaggi di inversione temporale, embedding delle coordinate omogenee e ottimizzazione dello stato finale.
• Connessione con il LQ-Tracking: La metodologia dimostra un'equivalenza strutturale tra il problema della stima deterministica e il problema del tracking Lineare-Quadratico (servomeccanismo). Nel LQ-tracking, la dinamica ausiliaria fornisce il termine di feedforward anti-causale; nella stima, essa fornisce la dinamica dell'osservatore causale.
• Formulazione del Filtro di Informazione: L'estimatore risultante è presentato nella forma del "filtro di informazione". La matrice $S(t)$ è identificata come la soluzione di una DRE in avanti nel tempo, che è l'inversa della matrice di covarianza dell'errore trovata nel filtro di Kalman stocastico.
• Interpretazione Deterministica dell'Informazione: Il saggio offre un'interpretazione deterministica della "matrice di informazione". Invece di affidarsi alla covarianza probabilistica, $S(t)$ è interpretata come una "matrice di certezza". La curvatura della funzione di costo-per-arrivare (una parabola quadratica) attorno alla stima ottimale è determinata da $S(t)$. Gli autovettori di $S(t)$ con autovalori grandi corrispondono a direzioni di alta certezza (curvatura elevata), mentre gli autovalori piccoli corrispondono a alta incertezza.

Significatività e Rivendicazioni
Il saggio sostiene di offrire una prospettiva "tutorial" che demistifica la derivazione del filtro di Kalman radicandola nella teoria del controllo ottimo deterministico. Argomenta che la preferenza per formulazioni deterministiche rispetto a quelle stocastiche sia spesso una questione di gusto piuttosto che di necessità logica, citando Willems e Gauss. La significatività primaria risiede nell'approccio dei "due passaggi facili", che:

1. Unifica il trattamento dei problemi affine-quadratici (come il tracking e la stima) con i problemi puramente quadratici (LQR) tramite le coordinate omogenee.
2. Chiarisce il ruolo dell'inversione temporale e della funzione di "costo-per-arrivare" nella derivazione di osservatori ottimali.
3. Fornisce una rigorosa giustificazione deterministica delle equazioni del filtro di Kalman senza invocare il calcolo stocastico, basandosi invece sui principi dei minimi quadrati e sull'equivalenza dei problemi di progettazione dell'input.

L'autore evita esplicitamente l'introduzione di nuove applicazioni o proposte sperimentali, concentrandosi invece sull'unificazione teorica di concetti esistenti (LQR, coordinate omogenee e dualità) per spiegare la struttura dell'estimatore ottimale.