Max-Entropy Moment Filtering for Stochastic Hybrid Systems

Technische Samenvatting: Max-Entropie Momentenfiltering voor Stochastische Hybride Systemen

Probleemstelling
Stochastische hybride systemen (SHS's) combineren continue-tijd stochastische dynamiek met discrete reset-evenementen. Deze systemen, die veel voorkomen bij mechanische impacten, robotische contacten en biologische schakelingen, genereren inherent niet-Gaussische en vaak multimodale onzekerheid. Traditionele filteringbenaderingen staan voor twee primaire uitdagingen:

1. Niet-Gaussischheid: Reset-evenementen induceren complexe kansverdelingen die standaard Gaussische filters (zoals de Kalman-filter) niet kunnen representeren.
2. Berekeningsonhaalbaarheid: Directe propagatie van kansdichtheden via hybride Fokker-Planck-vergelijkingen vereist het oplossen van partiële differentiaalvergelijkingen (PDE's) met complexe randvoorwaarden (guard sets), wat rekenkundig duur is en moeilijk toepasbaar is op filtering vanuit partiële statistische informatie.

Het artikel adresseert het probleem van het schatten van de toestand van een SHS vanuit ruisbehaft metingen door onzekerheid te propageren met behulp van slechts partiële statistische informatie (momenten) in plaats van volledige dichtheidsfuncties.

Methodologie
De auteurs stellen een Max-Entropie Momenten Kalman-filter (MEM-KF) voor, aangepast voor stochastische hybride systemen. De methodologie bestaat uit drie kerncomponenten:

1. Momentenpropagatie via Dynkin's Formule:
   In plaats van kansdichtheden te evolueren, evolueert de methode een eindige collectie momenten (verwachte waarden van observabelen). De auteurs leiden een hybride extensie van Dynkin's formule af die rekening houdt met zowel continue diffusie als discrete sprongen.

   • De continue evolutie wordt geregeerd door de infinitesimale generator van de stochastische Koopman-operator.
   • De discrete reset-effecten worden opgenomen als een randfluxcorrectie over de guard set $G$.
   • De resulterende evolutievergelijking voor een moment $m_\alpha(t)$ is:
     $$\frac{d}{dt}m_\alpha(t) = \mathbb{E}[(\mathcal{A}\phi_\alpha)(X_t)] + \int_G (\phi_\alpha(\Delta(x)) - \phi_\alpha(x))(J(t, x) \cdot n(x))^+ dS(x)$$
     waarbij $\mathcal{A}$ de generator is, $\Delta$ de reset-afbeelding is, en de integraalterm de waarschijnlijkheidsflux vertegenwoordigt die het domein verlaat en via de reset weer binnenkomt. Dit maakt haalbare momentendynamiek mogelijk zonder de onderliggende hybride PDE op te lossen.

2. Geloofsreconstructie via Max-Entropie:
   Aangezien een eindige set momenten een kansverdeling niet uniek bepaalt, hanteren de auteurs het Moment-geconstrueerde Max-Entropie (MED) principe. Op elk tijdstap reconstrueert het filter de kansdichtheid $p^*(x)$ door de entropie te maximaliseren onderhevig aan de momenten die op dat moment zijn gepropageerd. Dit levert een dichtheid in de exponentiële familie op:
   $$p^*(x; \lambda) = \frac{1}{Z(\lambda)} \exp\left(-\sum_\alpha \lambda_\alpha x^\alpha\right)$$
   De parameters $\lambda$ worden bepaald door een convex optimalisatieprobleem op te lossen (minimaliseren van het duale thermodynamische potentiaal).

3. Filteralgoritme:
   Het voorgestelde filter werkt in een voorspel-update cyclus:

   • Voorspelling: Momenten worden vooruit in de tijd gepropageerd met behulp van de afgeleide momenten-ODE's. De randfluxtermen worden benaderd met behulp van de MED die is gereconstrueerd vanuit de vorige tijdstap.
   • Update: Bij ontvangst van een meting update het filter het geloof. Aannemende een polynoom meetmodel, wordt de meetresidu gemodelleerd als een moment-geconstrueerde MED. De regel van Bayes wordt toegepast op momentniveau, wat resulteert in een nieuwe posterior MED.
   • Toestandschatting: Een puntsschatting (MAP) wordt verkregen door een polynoom optimalisatieprobleem op te lossen over het haalbare domein.

Belangrijkste Bijdragen

• Hybride Momentendynamiek: Afleiding van een consistente momentenpropagatieregel voor SHS's met behulp van Dynkin's formule met een sprong-som, waarbij reset-effecten expliciet verschijnen als randfluxcorrecties.
• Haalbare Filtering: Een raamwerk dat het oplossen van hybride Fokker-Planck-vergelijkingen vermijdt door uitsluitend te werken met eindig-dimensionale momentvectoren en convex reconstructie.
• Niet-Gaussische Representatie: Het vermogen om door impacten geïnduceerde niet-Gaussischheid en multimodaliteit vast te leggen via hogere-orde momenten en MED-reconstructie, waardoor de beperkingen van lineair-Gaussische schatters worden overwonnen.

Resultaten
De methode werd gevalideerd aan de hand van een stochastisch stuiterbal-voorbeeld (een single-mode SHS met zwaartekracht, weerstand, ruis en snelheidsresets bij impact).

• Momentenaccuraatheid: De gepropageerde momenten (tot orde $r=4$) toonden nauwe overeenkomst met Monte Carlo referentiesimulaties.
• Dichtheidsreconstructie: MED-reconstructies met $r=4$ slaagden erin de scheefheid en multimodale structuur van de snelheidsverdeling veroorzaakt door impacten vast te leggen. Daarentegen dwong een truncatie van tweede orde ($r=2$) een Gaussische (unimodale) reconstructie af, wat faalde in het representeren van de door impacten veroorzaakte vervorming.
• Toestandschatting: In een taak voor toestandschatting met intermitterende, niet-Gaussische ruisbehaft positie-metingen, volgde het filter de ware toestandsbaan nauwkeurig, met een root-mean-square error (RMSE) van $6.91 \times 10^{-2}$ m voor positie en $8.62 \times 10^{-1}$ m/s voor snelheid.

Betekenis en Claims
Het artikel claimt dat dit raamwerk een principiële en haalbare aanpak biedt voor onzekerheidspropagatie in SHS's. Door momentenpropagatie te combineren met max-entropie, legt de methode essentiële hybride kenmerken (niet-Gaussischheid, multimodaliteit) vast die verloren gaan in standaard lineaire schatters, terwijl het rekenkundig haalbaarder blijft dan directe dichtheidspropagatie.

De auteurs erkennen beperkingen en toekomstige richtingen, waarbij zij opmerken dat:

• De methode afhankelijk is van de keuze van de truncatie-orde; het selecteren van een representatie die rijk genoeg is om hybride kenmerken in hoge dimensies te behouden, blijft een open uitdaging.
• Rekenkosten toenemen met dimensie en orde vanwege de noodzaak om herhaaldelijk convexe optimalisatieproblemen op te lossen en partitiefuncties te evalueren.
• De aanpak een specifieke structuur veronderstelt (single mode in het voorbeeld, hoewel generaliseerbaar) en afhankelijk is van polynoom observabelen en reset-afbeeldingen.

Het werk positioneert zichzelf als een stap richting schaalbare filtering voor complexe stochastische hybride systemen, waarbij de kloof wordt overbrugd tussen rigoureuze op dichtheid gebaseerde theorie en praktische, op momenten gebaseerde schatting.