Error Analysis of Approximated PCRLBs for Nonlinear Dynamics

Technische Samenvatting: Foutanalyse van benaderde PCRLBs voor nietlineaire dynamica

Probleemformulering
In het vakgebied van de nietlineaire filtering is het beoordelen van de haalbare prestaties cruciaal voor algoritmeontwerp, met name in systemen zoals interacting multiple models (IMM) waarbij gewogen schattingen worden gecombineerd. Hoewel de Posterior Cramer-Rao Lower Bound (PCRLB) dient als een theoretische benchmark voor de nauwkeurigheid van filters, vereist de recursieve berekening ervan traditioneel kennis van de ware toestands-trajectorie. In praktische online toepassingen is de ware toestand echter onbekend; alleen toestandsschattingen zijn beschikbaar. Bijgevolg is er een behoefte om de PCRLB te benaderen met behulp van deze online schattingen in plaats van werkelijke waarden.

Het artikel behandelt de specifieke uitdaging van het bepalen van de nauwkeurigheid en het verschil tussen twee veelvoorkomende benaderingsstrategieën:

1. Gemiddelde-gebaseerde benadering (Mean-based Approximation): Het combineren van de verwachting van de toestandsschatting direct met het exacte dynamische model.
2. Gemiddelde-covariantie benadering (Mean-Covariance Approximation): Het gebruik van zowel de eerste als de tweede-orde momenten (verwachting en covariantie) van de toestandsschatting, waarbij Taylor-reeksontwikkelingen van de dynamica worden geïncorporeerd.

De primaire motivatie is om het verschil tussen deze twee benaderingen analytisch te formuleren en te bepalen welke een nauwere grens biedt aan de ware PCRLB.

Methodologie
De auteurs stellen een raamwerk voor op basis van Gaussische aannames om recursieve benaderingen van de Fisher Informatie Matrix (FIM) af te leiden, waaruit de PCRLB wordt afgeleid als het inverse.

1. Benaderde Gaussische vormen (Approximated Gaussian Forms - AGF):

   • Type A (Gemiddelde-Covariantie): De toestands-overgang en meetdichtheden worden benaderd met behulp van een Gaussische verdeling die wordt gekarakteriseerd door de eerste twee momenten van de toestandsschatting. Dit omvat Taylor-reeksontwikkelingen tot de tweede orde om rekening te houden met de nietlineariteit van de functies $f_k$ en $h_k$. Het gemiddelde en de covariantie worden bijgewerkt door correctietermen te bevatten die de Hessiaanse matrices en de foutcovariantie betreffen.
   • Type B (Alleen Gemiddelde): De toestand en de meting worden benaderd met behulp van alleen het eerste-orde moment (de toestandsschatting) en het exacte dynamische model, waarbij hogere-orde covariantie-effecten in de dichtheidsformulering worden genegeerd.

2. Recursieve FIM-afleiding:
   Gebruikmakend van de gedefinieerde AGF's leiden de auteurs de componenten van de FIM ($D_{11}, D_{12}, D_{22}$) af voor beide benaderingstypen.

   • Voor het Gemiddelde-Covariantie geval worden de FIM-matrices ontleed met behulp van de matrixinversielemma. Deze decompositie scheidt de termen in een "ster"-component ($\Sigma^*$), die overeenkomt met de Alleen-Gemiddelde benadering, en een residu-component ($\Sigma$ of $\Pi$) die de bijdrage van de covariantie en hogere-orde termen vertegenwoordigt.
   • Voor het Alleen Gemiddelde geval wordt de FIM direct afgeleid uit de vereenvoudigde Gaussische vormen, wat een matrix oplevert die $\Theta$ wordt genoemd.

3. Analytische Verschilformulering:
   Door het matrixinversielemma toe te passen op de recursieve PCRLB-vergelijkingen, leiden de auteurs een expliciete analytische uitdrukking af voor het verschil tussen de twee benaderde grenzen. Laat $J^{-1}_{k+1}$ de PCRLB zijn van het Gemiddelde-Covariantie model en $J^{*-1}_{k+1}$ de PCRLB van het Alleen-Gemiddelde model. Het verschil wordt geformuleerd als:
   $$\tilde{J}^{-1}_{k+1} = J^{*-1}_{k+1} - J^{-1}_{k+1} = (\Pi^{-1}\Theta + I)^{-1}\Theta^{-1}$$
   waarbij $\Pi$ en $\Theta$ zijn afgeleid van de gedecomposeerde FIM-termen.

Experimentele Resultaten
De voorgestelde methoden werden geëvalueerd met behulp van een univariate nietlineaire model die bekend staat om zijn bimodale likelihood en sterke nietlineariteit. Twee toestandsschatters werden ingezet om de noodzakelijke toestandsschattingen en covarianties te genereren:

• Unscented Kalman Filter (UKF): Een deterministische bemonsteringsmethode die accuraat is tot de derde-orde term voor Gaussische inputs.
• Particle Filter (PF): Een Monte Carlo-benadering met 1000 deeltjes en 100 simulatieruns.

Belangrijke bevindingen uit de simulaties omvatten:

• Nauwkeurigheidsvergelijking: De PCRLB afgeleid met het Gemiddelde-Covariantie model (Type A) bood consequent een strakkere (lagere) grens die dichter bij de ware PCRLB lag vergeleken met het Alleen-Gemiddelde model (Type B).
• Filterafhankelijkheid: De PF produceerde over het algemeen nauwkeurigere benaderingen van de PCRLB dan de UKF, toegeschreven aan het vermogen van de PF om de sterke nietlineariteit en bimodale aard van het systeem beter te verwerken.
• Convergentie: Het theoretische gat tussen de twee benaderingen nam af naarmate de nauwkeurigheid van de onderliggende filteringsmethode verbeterde (bijv. door het aantal deeltjes in de PF te verhogen).
• Oscillaties: Vanwege de acute nietlineariteit van het systeem vertoonden de PCRLB-curves sterke oscillaties, maar de relatieve prestatie-rangorde tussen de benaderingsmethoden bleef consistent.

Betekenis en Claims
Het artikel claimt een rigoureus analytisch raamwerk te bieden voor het kwantificeren van de fout die wordt geïntroduceerd wanneer de PCRLB wordt benaderd met toestandsschattingen in plaats van ware toestanden. Specifiek:

• Het stelt vast dat de benadering die zowel het gemiddelde als de covariantie gebruikt (via Taylor-expansie) de eenvoudigere Alleen-Gemiddelde benadering overtreft wat betreft de nabijheid tot de ware grens.
• Het demonstreert dat het theoretische verschil tussen deze twee grenzen expliciet kan worden berekend, wat een metriek biedt om de kwaliteit van de benadering te evalueren op basis van de prestaties van de filteringsmethode.
• De studie bevestigt dat het verbeteren van de nauwkeurigheid van de toestandsschatter (bijv. via betere filteringsalgoritmen of een hoger aantal deeltjes) de nauwkeurigheid van de geschatte PCRLB direct verbetert.

De auteurs concluderen dat hun aanpak een geldige en significante methode biedt voor het beoordelen van de filterprestaties in praktische nietlineaire systemen waar ware toestanden niet beschikbaar zijn, waardoor een instrument wordt geboden om te bepalen of opgelegde prestatie-eisen realistisch zijn.