Filtering Module on Satellite Tracking

Resumo Técnico: Módulo de Filtragem no Rastreamento de Satélites

1. Problema Abordado
O artigo aborda o desafio crítico de rastreamento e estimativa de estado de satélites no contexto de exploração espacial e sistemas de comunicação. O objetivo principal é manter uma estimativa precisa da posição e velocidade orbital (estado do sistema) na presença de incertezas de medição. O problema é formulado com base em um modelo dinâmico linearizado de órbita circular, onde as medições provêm de sensores terrestres que sofrem com ruídos nas medidas de alcance (distância) e desvios angulares escalados. A incerteza é modelada como ruído gaussiano branco com covariâncias conhecidas.

2. Metodologia
O autor propõe uma estrutura matemática unificada para a estimativa de estado, comparando diferentes abordagens de filtragem:

• Modelagem do Sistema:

  • O modelo dinâmico é derivado das leis de Newton para um campo de força gravitacional inverso-quadrático.
  • As equações não lineares são linearizadas em torno de uma órbita circular nominal ($r=R, \theta=\omega t$).
  • O vetor de estado $x(t)$ é definido por quatro variáveis: desvio radial, velocidade radial, desvio angular escalado e velocidade angular escalada.
  • O modelo de medição considera duas observações ruidosas independentes (desvio radial e angular).

• Abordagens de Filtragem:

  • Filtro de Kalman Clássico (KF): Implementado tanto na forma variante no tempo (com equação de Riccati diferencial) quanto na forma de estado estacionário (resolvendo a Equação Algébrica de Riccati - DARE), onde o ganho é calculado offline para reduzir a carga computacional online.
  • Micro-Filtro de Kalman ($\mu$KF): Esta é a contribuição central do trabalho. Baseia-se na forma de informação do filtro de Kalman (em vez da forma de covariância). O $\mu$KF opera na matriz de informação (inversa da covariância), realizando a atualização no domínio da informação antes da propagação do estado. Isso é particularmente vantajoso para estimativa distribuída.
  • Comparativos: O estudo também inclui simulações com Filtro de Kalman Estendido (EKF), Filtro de Kalman Unscented (UKF) e um Filtro de Kalman Adaptativo, todos sob as mesmas condições de ruído e modelo.

• Simulação:

  • O sistema foi simulado com 1000 passos de tempo discretos.
  • Foram testadas duas configurações de ruído de medição (tipos 1 e 2), variando a variância do ruído angular.
  • A métrica de desempenho utilizada foi o Erro Quadrático Médio de Estimativa (MSEE - Mean Square Estimation Error).

3. Principais Contribuições

• Formulação do $\mu$KF: Apresentação e validação de uma formulação de Micro-Filtro de Kalman baseada em informação para o rastreamento de satélites, demonstrando sua equivalência teórica e prática ao KF clássico em sistemas lineares gaussianos.
• Análise de Estado Estacionário: Discussão detalhada sobre a convergência para ganhos fixos via DARE, oferecendo uma alternativa computacionalmente eficiente para sistemas invariantes no tempo.
• Validação Comparativa: Demonstração empírica de que o $\mu$KF, embora estruturalmente diferente (operando no domínio da informação), produz resultados idênticos ao KF clássico, EKF e UKF quando aplicado a sistemas lineares, mantendo a precisão da estimativa.

4. Resultados

• Desempenho de Rastreamento: O $\mu$KF conseguiu rastrear com alta precisão as quatro variáveis de estado (posição, velocidade, ângulo e velocidade angular) sob ambas as configurações de ruído.
• Erro de Estimativa: Os erros quadráticos médios (MSEE) foram baixos e bounded (limitados) para todas as variáveis de estado.
  • Na configuração de ruído tipo 1, a diferença entre o $\mu$KF e o KF clássico foi desprezível (na ordem de $10^{-4}$).
  • Na configuração de ruído tipo 2 (maior variância angular), o desempenho permaneceu comparável, com o $\mu$KF mantendo a consistência do KF clássico.
• Equivalência de Métodos: Os resultados confirmaram que, para sistemas lineares gaussianos, o EKF e o UKF comportam-se de maneira idêntica ao KF clássico (como esperado, já que não há não-linearidades significativas a serem aproximadas), e o $\mu$KF alinha-se perfeitamente a esses métodos.

5. Significância e Conclusão
O trabalho confirma que a formulação baseada em informação ($\mu$KF) é uma alternativa viável e eficaz ao Filtro de Kalman tradicional para sistemas lineares.

• Vantagem Computacional e Estrutural: Embora a precisão seja equivalente, a estrutura baseada em informação do $\mu$KF é fundamental para futuras extensões em filtragem distribuída e sistemas multi-agente, onde a fusão de dados de múltiplos sensores é mais eficiente no domínio da informação.
• Aplicabilidade: O método provou ser robusto para a estimativa de estado em dinâmicas orbitais lineares, oferecendo uma base sólida para implementações em tempo real que exigem baixa carga computacional (via ganhos estacionários) ou arquiteturas distribuídas.

Trabalhos Futuros:
O autor sugere a extensão deste framework para sistemas não lineares (usando linearização exata ou filtragem unscented), a incorporação de mecanismos adaptativos para lidar com estatísticas de ruído desconhecidas ou variantes no tempo, e a integração com controle distribuído em sistemas de rede complexos.