Error Analysis of Approximated PCRLBs for Nonlinear Dynamics

Resumo Técnico: Análise de Erro de PCRLBs Aproximados para Dinâmicas Não Lineares

Formulação do Problema
No campo da filtragem não linear, avaliar o desempenho alcançável é crítico para o design de algoritmos, particularmente em sistemas como modelos múltiplos interagentes (IMM), onde estimativas ponderadas são combinadas. Embora o Limite Inferior de Cramer-Rao Posterior (PCRLB) sirva como um benchmark teórico para a precisão do filtro, seu cálculo recursivo tradicionalmente requer o conhecimento da trajetória real do estado. Em aplicações práticas online, o estado real é desconhecido; apenas estimativas de estado estão disponíveis. Consequentemente, há uma necessidade de aproximar o PCRLB usando essas estimativas online em vez de valores reais.

O artigo aborda o desafio específico de determinar a precisão e a diferença entre duas estratégias de aproximação comuns:

1. Aproximação Baseada na Média: Combinar a expectativa da estimativa de estado diretamente com o modelo dinâmico exato.
2. Aproximação Média-Covariância: Utilizar tanto os primeiros quanto os segundos momentos (expectativa e covariância) da estimativa de estado, incorporando expansões de séries de Taylor das dinâmicas.

A motivação principal é formular analiticamente a diferença entre essas duas aproximações e determinar qual fornece um limite mais próximo ao verdadeiro PCRLB.

Metodologia
Os autores propõem um framework baseado em suposições Gaussianas para derivar aproximações recursivas da Matriz de Informação de Fisher (FIM), da qual o PCRLB é derivado como o inverso.

1. Formas Gaussianas Aproximadas (AGF):

   • Tipo A (Média-Covariância): As densidades de transição de estado e de medição são aproximadas usando uma distribuição Gaussiana caracterizada pelos dois primeiros momentos da estimativa de estado. Isso envolve expansões de séries de Taylor até a segunda ordem para considerar a não linearidade das funções $f_k$ e $h_k$. A média e a covariância são atualizadas para incluir termos de correção envolvendo as matrizes Hessianas e a covariância do erro.
   • Tipo B (Apenas Média): O estado e a medição são aproximados usando apenas o primeiro momento (a estimativa de estado) e o modelo dinâmico exato, ignorando efeitos de covariância de ordens superiores na formulação da densidade.

2. Derivação Recursiva da FIM:
   Usando as AGFs definidas, os autores derivam os componentes da FIM ($D_{11}, D_{12}, D_{22}$) para ambos os tipos de aproximação.

   • Para o caso Média-Covariância, as matrizes FIM são decompostas usando o lema da inversão de matriz. Esta decomposição separa os termos em um componente "estrela" ($\Sigma^*$), que corresponde à aproximação Apenas Média, e um componente residual ($\Sigma$ ou $\Pi$) representando a contribuição da covariância e dos termos de ordem superior.
   • Para o caso Apenas Média, a FIM é derivada diretamente das formas Gaussianas simplificadas, resultando em uma matriz denotada por $\Theta$.

3. Formulação da Diferença Analítica:
   Ao aplicar o lema da inversão de matriz às equações recursivas do PCRLB, os autores derivam uma expressão analítica explícita para a diferença entre as duas aproximações de limite. Seja $J^{-1}_{k+1}$ o PCRLB do modelo Média-Covariância e $J^{*-1}_{k+1}$ o PCRLB do modelo Apenas Média. A diferença é formulada como:
   $$\tilde{J}^{-1}_{k+1} = J^{*-1}_{k+1} - J^{-1}_{k+1} = (\Pi^{-1}\Theta + I)^{-1}\Theta^{-1}$$
   onde $\Pi$ e $\Theta$ são derivados dos termos decompostos da FIM.

Resultados Experimentais
Os métodos propostos foram avaliados usando um modelo não linear univariado conhecido por sua verossimilhança bimodal e forte não linearidade. Dois estimadores de estado foram empregados para gerar as estimativas de estado e covariâncias necessárias:

• Filtro de Kalman Não Linear Unscented (UKF): Uma abordagem de amostragem determinística precisa até o termo de terceira ordem para entradas Gaussianas.
• Filtro de Partículas (PF): Uma abordagem de Monte Carlo utilizando 1000 partículas e 100 execuções de simulação.

As principais descobertas das simulações incluem:

• Comparação de Precisão: O PCRLB derivado usando o modelo Média-Covariância (Tipo A) forneceu consistentemente um limite mais justo (menor) e mais próximo do verdadeiro PCRLB em comparação com o modelo Apenas Média (Tipo B).
• Dependência do Filtro: O PF geralmente produziu aproximações mais precisas do PCRLB do que o UKF, atribuído à capacidade do PF de lidar melhor com a forte não linearidade e bimodalidade do sistema.
• Convergência: O gap teórico entre as duas aproximações diminuiu conforme a precisão do método de filtragem subjacente melhorou (por exemplo, aumentando o número de partículas no PF).
• Oscilações: Devido à acentuada não linearidade do sistema, as curvas do PCRLB exibiram fortes oscilações, porém o ranking de desempenho relativo entre os métodos de aproximação permaneceu consistente.

Significância e Alegações
O artigo afirma fornecer um framework analítico rigoroso para quantificar o erro introduzido ao aproximar o PCRLB usando estimativas de estado em vez de estados verdadeiros. Especificamente:

• Estabelece que a aproximação que utiliza tanto a média quanto a covariância (via expansão de Taylor) supera a aproximação mais simples de apenas média em termos de proximidade com o limite verdadeiro.
• Demonstra que a diferença teórica entre esses dois limites pode ser calculada explicitamente, oferecendo uma métrica para avaliar a qualidade da aproximação baseada no desempenho do método de filtragem.
• O estudo confirma que melhorar a precisão do estimador de estado (por exemplo, via melhores algoritmos de filtragem ou aumento da contagem de partículas) melhora diretamente a precisão do PCRLB estimado.

Os autores concluem que sua abordagem oferece um método válido e significativo para avaliar o desempenho de filtragem em sistemas não lineares práticos onde os estados verdadeiros não estão disponíveis, fornecendo uma ferramenta para determinar se os requisitos de desempenho impostos são realistas.