Remarks on stochastic cloning and delayed-state filtering

Resumo Técnico: Observações sobre Clonagem Estocástica e Filtragem de Estado Atrasado

Enunciado do Problema
Muitos problemas de estimação de estado em navegação aeroespacial e robótica, particularmente aqueles envolvendo odometria (por exemplo, visual-inercial, LiDAR-inercial e odometria de rodas) e medições GNSS de fase de portadora com diferença temporal (TDCP), dependem de observações que são função de estados anteriores. Essas medições de estado atrasado introduzem correlações entre o erro de medição e o erro de estimativa do estado anterior. Essa dependência viola a suposição padrão nas formulações convencionais do filtro de Kalman de que as medições são condicionalmente independentes dos estados anteriores, dado o estado atual.

Uma visão predominante na literatura nas últimas duas décadas tem sido a de que o filtro de Kalman padrão não consegue lidar adequadamente com essas correlações sem a augmentação do estado. Consequentemente, a Clonagem Estocástica (SC) tornou-se uma abordagem amplamente aceita. A SC aborda o problema ao augmentar o vetor de estado com cópias de estados anteriores e expandir a matriz de covariância para capturar as correlações cruzadas resultantes. Embora eficaz, esse método aumenta a dimensionalidade do filtro, podendo impactar a eficiência computacional e de memória.

Metodologia
Este trabalho revisita uma alternativa estabelecida há muito tempo, mas frequentemente negligenciada: o Filtro de Kalman de Estado Atrasado (DSKF), originalmente derivado por Brown e Hartman (1968). Os autores demonstram que um DSKF corretamente derivado produz exatamente as mesmas atualizações de estado e covariância que a Clonagem Estocástica, sem exigir augmentação do estado.

O artigo apresenta duas formulações equivalentes do DSKF, derivadas ao expressar a inovação da medição em termos do estado anterior (formulação de tempo direto) ou do estado predito atual (formulação de tempo reverso):

1. Formulação de Tempo Direto: Expressa o modelo de medição em termos da estimativa do estado anterior. Essa abordagem evita a inversão explícita da Matriz de Transição de Estado (STM), mas requer a propagação do modelo de medição para trás através da dinâmica.
2. Formulação de Tempo Reverso: Expressa a medição exclusivamente como uma função do estado predito atual. Isso espelha a estrutura do filtro de Kalman tradicional, mas requer a avaliação da STM inversa.

Os autores fornecem uma prova matemática rigorosa por indução demonstrando a equivalência entre a Clonagem Estocástica e o DSKF (especificamente a formulação de tempo direto). Eles mostram que o ganho de Kalman e a covariância do erro de estado atualizada derivadas via SC são matematicamente idênticas às derivadas via DSKF. Além disso, o Apêndice prova a equivalência entre as formulações de tempo direto e tempo reverso do DSKF.

O artigo também explora simplificações para casos em que a medição de estado atrasado depende apenas de um subconjunto das dimensões do estado anterior (dependência esparsa do estado anterior). Ao explorar essa esparsidade, os autores derivam versões de dimensão reduzida de ambas as abordagens SC e DSKF que operam apenas nas submatrizes de estado relevantes, reduzindo assim a sobrecarga computacional.

Principais Resultados

• Equivalência Matemática: O artigo estabelece que a Clonagem Estocástica e o Filtro de Kalman de Estado Atrasado produzem estimativas de estado idênticas e atualizações de covariância. A percepção de que o filtro de Kalman padrão é incapaz de lidar com correlações de estado atrasado é atribuída à formulação específica utilizada, e não a uma limitação fundamental do próprio filtro.
• Análise de Complexidade: Os autores realizam uma análise detalhada da complexidade aritmética (operações de ponto flutuante) e do uso de memória.
  • Tanto a SC quanto o DSKF exibem escalamento cúbico na complexidade aritmética e escalamento quadrático no uso de memória em relação às dimensões do sistema.
  • No entanto, o DSKF de Tempo Direto requer consistentemente menos operações de ponto flutuante (flops) do que a Clonagem Estocástica.
  • Em termos de memória, o DSKF de Tempo Direto oferece custos de armazenamento reduzidos em comparação com a SC, particularmente quando a dimensão do estado ($n$) é grande em relação à dimensão da medição ($m$).
• Dependência Esparsa: Quando as medições dependem apenas de um subconjunto de estados anteriores, ambos os métodos podem ser simplificados. As formulações do DSKF acomodam naturalmente essas simplificações ao operar em submatrizes reduzidas, aumentando ainda mais a eficiência.

Significância e Afirmações
A principal significância deste trabalho é esclarecer um equívoco comum dentro da comunidade de estimação: de que variantes do filtro de Kalman são inerentemente incapazes de lidar com medições de estado atrasado correlacionadas sem augmentação do estado. Os autores afirmam que o DSKF é uma alternativa válida e bem estabelecida que alcança os mesmos resultados que a Clonagem Estocástica sem a inflação artificial do vetor de estado.

O artigo não afirma que um método é universalmente superior em todos os contextos de implementação, observando que o desempenho pode depender de hardware e frameworks de software específicos. No entanto, argumenta que o DSKF oferece um framework mais unificado para lidar com correlações e pode proporcionar reduções tangíveis nos custos aritméticos e de memória para certas dimensões de problema. O trabalho serve para lembrar à comunidade que revisitar a formulação fundamental do filtro de Kalman para incorporar termos de correlação cruzada é uma alternativa viável e eficiente à augmentação do estado.