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

Technische Samenvatting: Optimale Sensorplanning en -selectie voor Continue-Discrete Kalman-filtering met Auxiliaire Dynamica

1. Probleemstelling

Het artikel behandelt de uitdaging van optimale sensorplanning en -selectie binnen een Continue-Discrete Kalman-filter (CD-KF) raamwerk. In tegenstelling tot traditionele opstellingen waarbij de toestandsontwikkeling continu is maar metingen discreet zijn, beschouwt dit werk scenario's waarin het meetproces gekoppeld is aan auxiliaire dynamica. Deze hulptoestanden ($\xi$) vertegenwoordigen variabelen zoals de ruimtelijke trajectorie van een sensor, energieverbruik of temperatuur, die de meetkosten, nauwkeurigheid en haalbaarheid direct beïnvloeden.

De kern van het probleem betreft een multi-sensorsysteem waarbij:

• Continue-tijd toestandsdynamica wordt geobserveerd via meerdere sensoren die discrete, potentieel onregelmatige metingen leveren.
• Meetfrequenties en sensorselectie worden beperkt door de hulpdynamica (bijv. de orbitale positie van een satelliet die de nauwkeurigheid van een sensor beïnvloedt, of de energie van een robot die uitgeput raakt bij elke meting).
• Het doel is om de meetfrequenties ($\lambda_s(t)$) voor elke sensor en de besturingsinputs ($u$) die de hulpdynamica aansturen, gezamenlijk te optimaliseren om de schattingsonzekerheid (posterior covariantie) te minimaliseren terwijl aan de middelenbeperkingen wordt voldaan.

Bestaande literatuur richt zich grotendeels op ofwel continue-tijd metingen of discrete-tijd formuleringen, waarbij de koppeling tussen sensorplanning en algemene hulp-toestandsdynamica (bijv. trajectafhankelijke nauwkeurigheid of energiebeperkingen) vaak wordt genegeerd.

2. Methodologie

De auteurs stellen een raamwerk voor dat het stochastische planningsprobleem transformeert naar een deterministisch optimaal controleprobleem via de volgende stappen:

A. Modellering van de Aankomst van Metingen
De aankomst van metingen voor elke sensor $s$ wordt gemodelleerd als onafhankelijke Poisson-processen met tijdvariërende intensiteiten $\lambda_s(t)$. Dit maakt het mogelijk om de stochastische aard van de timing van metingen te representeren door middel van continue frequentiefuncties.

B. Afleiding van Deterministische Grenzen
Om gradiëntgebaseerde optimalisatie mogelijk te maken, leiden de auteurs bovengrenzen af op het stochastische gedrag van het systeem:

1. Covariantiegrens (Propositie 6.1): Een bovengrens $\hat{\Sigma}(t)$ op de gemiddelde posterior covariantie-matrix wordt afgeleid, geconditioneerd op de gemiddelde hulp-toestand. Deze grens voldoet aan een deterministische differentiaalvergelijking waarbij de stochastische sprongtermen (Dirac-delta's) worden vervangen door de meetfrequenties $\lambda_s(t)$. Cruciaal is dat deze grens continu differentieerbaar is met betrekking tot $\lambda_s(t)$.
2. Hulp-toestandsgrens (Propositie 6.2): Onder de aanname dat de functies van de hulp-dynamica concave (of convexe) zijn ten opzichte van de geperturbeerde componenten van de toestand, wordt een deterministisch traject $\hat{\xi}(t)$ afgeleid dat de ware gemiddelde hulp-toestand begrenst.

C. Eindige-Horizon Optimaal Controleprobleem (OCP)
Met behulp van deze grenzen formuleren de auteurs een eindige-horizon optimaal controleprobleem (Eq. 12). Het doel is om een kostenfunctie te minimaliseren (bijv. de trace van de covariantie-matrix) onderhevig aan:

• De deterministische dynamica van de covariantiegrens $\hat{\Sigma}$.
• De deterministische dynamica van de hulp-toestandsgrens $\hat{\xi}$.
• Lopende en eindige beperkingen (bijv. energiebeperkingen, eisen om terug te keren naar de basis).
• Niet-negativiteit van de meetfrequenties.

D. Deterministische Sensorplanning
Zodra de optimale frequenties $\lambda_s(t)$ en inputs $u(t)$ zijn berekend, stelt het artikel een deterministische methode voor om specifieke instanties van meetmomenten te selecteren. Dit wordt geformuleerd als een optimaal kwantiseringsprobleem. De methode minimaliseert de Wasserstein-2 afstand tussen de continue intensiteitsmaat gedefinieerd door $\lambda_s(t)$ en een discrete maat die de geselecteerde meetmomenten representeert. Dit zorgt ervoor dat de geselecteerde momenten nauw aansluiten bij het statistische gemiddelde van het geoptimaliseerde Poisson-proces.

3. Belangrijkste Bijdragen

Het artikel vat de bijdragen als volgt samen:

1. Afleiding van een Differentieerbare Grens: De auteurs leiden een bovengrens af op de gemiddelde posterior covariantie-matrix van de CD-KF, geconditioneerd op de gemiddelde hulp-toestand. Deze grens is continu differentieerbaar met betrekking tot sensor-specifieke meetfrequenties, wat efficiënte gradiëntgebaseerde optimalisatie mogelijk maakt.
2. Gezamenlijk Optimalisatieraamwerk: Een eindige-horizon optimaal controle-raamwerk wordt voorgesteld om meetfrequenties en hulp-toestandsdynamica (bijv. voertuigtraject) gezamenlijk te optimaliseren.
3. Deterministische Planningsstrategie: Een deterministische methode wordt geïntroduceerd om geoptimaliseerde Poisson-frequenties om te zetten in specifieke meetmomenten. Deze methode minimaliseert de Wasserstein-afstand tussen de geoptimaliseerde frequentieverdeling en de empirische verdeling van de meetgebeurtenissen.

4. Experimentele Resultaten

De aanpak wordt gevalideerd via twee scenario's waarbij een robot gegevens verzamelt voor dynamische temporele Gaussische Proces (GP) regressie (equivalent aan Kalman-smoothing):

• Scenario 1 (Standaard): Een robot met twee sensoren (één met hoge nauwkeurigheid/hoge kosten, één met lagere nauwkeurigheid/lage kosten) moet naar een doel navigeren en terugkeren terwijl het energie beheert. De optimalisatie balanceert de meetfrequentie, het traject en het energieverbruik.
• Scenario 2 (Radioactieve Omgeving): Een uitbreiding waarbij sensoren in de loop van de tijd degraderen door geaccumuleerde stralingsschade, wat de meetruis verhoogt. De hulp-toestand bevat het niveau van stralingsschade.

Vergelijkende Prestaties:
De voorgestelde "Geoptimaliseerde" methode werd vergeleken met:

• Random: Uniforme discretisatie met constante Poisson-frequenties.
• Greedy: Stap-voor-stap selectie gebaseerd op directe kostenreductie.
• M-Optimized: Het samplen van meerdere Poisson-realisaties en het selecteren van de beste.

Bevindingen:

• De voorgestelde methode bereikte de laagste gemiddelde covariantie-trace (1.902 vs. 2.608 voor Greedy), wat wijst op superieure schattingsnauwkeurigheid.
• Het behield positieve energievoorraden (Gemiddelde $\eta \approx 21.5$), terwijl de Random en Greedy strategieën resulteerden in negatieve energie (falen om terug te keren naar de basis).
• De deterministische kwantiseringsmethode presteerde vergelijkbaar met de computationeel zware "M-Optimized" methode (het samplen van meerdere realisaties), maar zonder de overhead van het samplen.
• De geplande bovengrenzen ($\hat{\Sigma}, \hat{\eta}$) volgden de werkelijke gesimuleerde trajecten nauwgezet, wat het nut van de afgeleide grenzen valideert.

5. Betekenis en Claims

Het artikel beweert een gat in de literatuur te vullen door de optimale sensorplanning voor continue-discrete SSM's met hulp-dynamica te formaliseren, een opstelling die voorheen niet direct is onderzocht.

• Nieuwigheid: Het werk verenigt continue-tijd toestandsontwikkeling met stochastische meetplanning via Poisson-processen en integreert hulp-toestandsdynamica in één enkel optimaal controle-raamwerk.
• Praktische Bruikbaarheid: Door differentieerbare grenzen af te leiden, maakt de methode het gebruik van standaard gradiëntgebaseerde optimalisatietools mogelijk voor complexe, gekoppelde problemen die voorheen onhandelbaar waren.
• Efficiëntie: De deterministische planningsstrategie vermijdt de computationele kosten van Monte Carlo-sampling, terwijl de prestaties dicht bij de best-case stochastische realisatie blijven.
• Generaliseerbaarheid: Het raamwerk is toepasbaar op diverse domeinen waar de kwaliteit van sensoren gekoppeld is aan operationele toestanden, zoals satellietmonitoring, medische glucosecontrole en omgevingsrobotica.

De auteurs blijven bescheiden over de theoretische garanties en merken op dat voor volledig niet-lineaire systemen die specifieke convexiteitsaannames schenden, de voorgestelde grenzen dienen als heuristische benaderingen, hoewel de empirische resultaten in dergelijke gevallen een acceptabele prestatie suggereren.