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

Resumo Técnico: Agendamento e Seleção Ótimos de Sensores para Filtro de Kalman Contínuo-Discreto com Dinâmicas Auxiliares

1. Definição do Problema

O artigo aborda o desafio do agendamento e seleção ótimos de sensores dentro de uma estrutura de Filtro de Kalman Contínuo-Discreto (CD-KF). Diferente das configurações tradicionais onde a evolução do estado é contínua mas as medições são discretas, este trabalho considera cenários onde o processo de medição é acoplado a dinâmicas auxiliares. Esses estados auxiliares ($\xi$) representam variáveis como a trajetória espacial de um sensor, consumo de energia ou temperatura, que influenciam diretamente os custos, a precisão e a viabilidade da medição.

O problema central envolve um sistema multissensor onde:

• A dinâmica do estado em tempo contínuo é observada via múltiplos sensores que fornecem medições discretas, potencialmente irregulares.
• As taxas de medição e a seleção de sensores são restringidas por dinâmicas auxiliares (ex: a posição orbital de um satélite afetando a precisão do sensor, ou a energia de um robô se esgotando a cada medição).
• O objetivo é otimizar conjuntamente as taxas de medição ($\lambda_s(t)$) para cada sensor e os inputs de controle ($u$) que regem as dinâmicas auxiliares para minimizar a incerteza de estimação (covariância posterior) enquanto satisfaz restrições de recursos.

A literatura existente foca majoritariamente em medições em tempo contínuo ou formulações em tempo discreto, frequentemente negligenciando o acoplamento entre o agendamento de sensores e dinâmicas de estado auxiliares gerais (ex: precisão dependente da trajetória ou restrições de energia).

2. Metodologia

Os autores propõem um framework que transforma o problema estocástico de agendamento em um problema de controle ótimo determinístico através das seguintes etapas:

A. Modelagem da Chegada de Medições
As chegadas de medições para cada sensor $s$ são modeladas como processos de Poisson independentes com intensidades variantes no tempo $\lambda_s(t)$. Isso permite que a natureza estocástica do tempo das medições seja representada por funções de taxa contínuas.

B. Derivação de Limites Determinísticos
Para permitir a otimização baseada em gradiente, os autores derivam limites superiores para o comportamento estocástico do sistema:

1. Limite de Covariância (Proposição 6.1): Um limite superior $\hat{\Sigma}(t)$ na matriz de covariância posterior média é derivado, condicionado ao estado auxiliar médio. Este limite satisfaz uma equação diferencial determinística onde os termos de salto estocásticos (deltas de Dirac) são substituídos pelas taxas de medição $\lambda_s(t)$. Crucialmente, este limite é continuamente diferenciável em relação a $\lambda_s(t)$.
2. Limite do Estado Auxiliar (Proposição 6.2): Sob a suposição de que as funções de dinâmica auxiliar são côncavas (ou convexas) em relação aos componentes perturbados do estado, uma trajetória determinística $\hat{\xi}(t)$ é derivada para limitar o verdadeiro estado auxiliar médio.

C. Problema de Controle Ótimo de Horizonte Finito (OCP)
Utilizando esses limites, os autores formulam um problema de controle ótimo de horizonte finito (Eq. 12). O objetivo é minimizar uma função de custo (ex: o traço da matriz de covariância) sujeito a:

• A dinâmica determinística do limite de covariância $\hat{\Sigma}$.
• A dinâmica determinística do limite do estado auxiliar $\hat{\xi}$.
• Restrições de corrida e terminais (ex: limites de energia, requisitos de retorno à base).
• Não-negatividade das taxas de medição.

D. Agendamento de Medição Determinístico
Uma vez computadas as taxas ótimas $\lambda_s(t)$ e os inputs $u(t)$, o artigo propõe um método determinístico para selecionar instantes específicos de tempo de medição. Isso é formulado como um problema de quantização ótima. O método minimiza a distância de Wasserstein-2 entre a medida de intensidade contínua definida por $\lambda_s(t)$ e uma medida discreta representando os tempos de medição selecionados. Isso garante que os tempos selecionados correspondam de perto à média estatística do processo de Poisson otimizado.

3. Principais Contribuições

O artigo resume explicitamente suas contribuições da seguinte forma:

1. Derivação de um Limite Diferenciável: Os autores derivam um limite superior para a matriz de covariância posterior média do CD-KF condicionado ao estado auxiliar médio. Este limite é continuamente diferenciável em relação às taxas de medição específicas de cada sensor, permitindo uma otimização eficiente baseada em gradiente.
2. Framework de Otimização Conjunta: Um framework de controle ótimo de horizonte finito é proposto para otimizar conjuntamente as taxas de medição e as dinâmicas do estado auxiliar (ex: trajetória do veículo).
3. Estratégia de Agendamento Determinístico: Um método determinístico é introduzido para converter as taxas de Poisson otimizadas em eventos de tempo de medição específicos. Este método minimiza a distância de Wasserstein entre a distribuição de taxa otimizada e a distribuição empírica dos eventos de medição.

4. Resultados Experimentais

A abordagem é validada através de dois cenários envolvendo um robô coletando dados para regressão de Processo Gaussiano (GP) temporal dinâmica (equivalente ao suavizamento de Kalman):

• Cenário 1 (Padrão): Um robô com dois sensores (um de alta precisão/alto custo, outro de menor precisão/baixo custo) deve navegar até um alvo e retornar enquanto gerencia a energia. A otimização equilibra a frequência de medição, a trajetória e o consumo de energia.
• Cenário 2 (Ambiente Radioativo): Uma extensão onde os sensores degradam ao longo do tempo devido ao dano acumulado por radiação, o que aumenta o ruído de medição. O estado auxiliar inclui os níveis de dano por radiação.

Desempenho Comparativo:
O método "Otimizado" proposto foi comparado contra:

• Aleatório (Random): Discretização uniforme com taxas de Poisson constantes.
• Ganancioso (Greedy): Seleção passo-a-passo baseada na redução imediata de custo.
• M-Otimizado (M-Optimized): Amostragem de múltiplas realizações de Poisson e seleção da melhor.

Descobertas:

• O método proposto alcançou o menor traço de covariância média (1.902 vs. 2.608 para o Greedy), indicando uma precisão de estimação superior.
• Manteve reservas de energia positivas (Média $\eta \approx 21.5$), enquanto as estratégias Aleatória e Gananciosa resultaram em energia negativa (falha ao retornar à base).
• O método de quantização determinística apresentou desempenho comparável ao "M-Otimizado" (que amostra múltiplas realizações), que é computacionalmente caro, mas sem o overhead de amostragem.
• Os limites planejados ($\hat{\Sigma}, \hat{\eta}$) acompanharam de perto as verdadeiras trajetórias simuladas, validando a utilidade dos limites derivados.

5. Significância e Alegações

O artigo afirma preencher uma lacuna na literatura ao formalizar o agendamento ótimo de sensores para SSMs contínuo-discretos com dinâmicas auxiliares, uma configuração não explorada diretamente anteriormente.

• Novidade: O trabalho unifica a evolução do estado em tempo contínuo com o agendamento estocástico de medições via processos de Poisson e integra a dinâmica do estado auxiliar em um único framework de controle ótimo.
• Praticidade: Ao derivar limites diferenciáveis, o método permite o uso de ferramentas padrão de otimização baseadas em gradiente para problemas complexos e acoplados que eram anteriormente intratáveis.
• Eficiência: A estratégia de agendamento determinístico evita o custo computacional da amostragem de Monte Carlo, mantendo um desempenho próximo à melhor realização estocástica.
• Generalidade: O framework é aplicável a vários domínios onde a qualidade do sensor é acoplada a estados operacionais, como monitoramento de satélites, rastreamento de glicose médica e robótica ambiental.

Os autores mantêm a modéstia quanto às garantias teóricas, observando que para sistemas totalmente não lineares que violam suposições específicas de concavidade, os limites propostos servem como aproximações heurísticas, embora os resultados empíricos sugiram um desempenho aceitável nesses casos.