Resumo Técnico: Contração Induzida por Seleção nas Estatísticas de Inovação em Filtros de Kalman com Gating

1. Declaração do Problema

Na teoria clássica de filtragem de Kalman, a sequência de inovações (a diferença entre medições e estados previstos) é assumida como de média zero, branca e gaussiana. Sob essas suposições nominais lineares-gaussianas, o Inovação Normalizada ao Quadrado (NIS) segue uma distribuição qui-quadrado com $m$ graus de liberdade. Essas propriedades estatísticas servem de fundamento para o monitoramento da consistência do filtro, validação de medições e ajuste adaptativo de ruído.

No entanto, em sistemas de rastreamento operacionais, as inovações raramente são observadas em sua forma incondicional. Antes da associação de dados e atualizações de estado, os sistemas tipicamente aplicam gating de validação elipsoidal, aceitando apenas medições onde o NIS cai abaixo de um limiar $\tau$. Além disso, quando múltiplas medições passam pelo gate, a associação de Vizinho Mais Próximo (NN) seleciona a única medição com o NIS mínimo para a atualização.

O problema central abordado por este artigo é que esses mecanismos de seleção — gating e associação NN — alteram fundamentalmente a distribuição estatística das inovações observadas. O artigo argumenta que os procedimentos padrão de diagnóstico e ajuste, que dependem da suposição de que as inovações observadas seguem a distribuição qui-quadrado nominal, são sistematicamente enviesados porque ignoram os efeitos de condicionamento desses operadores de seleção. Especificamente, o artigo investiga se a "contração" das estatísticas de inovação observada na prática é um sinal de mau ajuste do filtro ou uma consequência inerente ao próprio processo de seleção.

2. Metodologia

A análise é conduzida estritamente dentro do quadro de filtragem de Kalman linear-gaussiano clássico. Os autores assumem explicitamente que os modelos dinâmico e de medição estão corretamente especificados, e que os ruídos de processo e de medição são de média zero, brancos e gaussianos. Esse isolamento garante que quaisquer desvios estatísticos observados sejam atribuídos exclusivamente aos efeitos estruturais do gating e da associação, e não a incompatibilidade de modelos ou perturbações não gaussianas.

A metodologia procede em três etapas:

1. Derivação Analítica dos Momentos Condicionados ao Gate: Os autores tratam o gating elipsoidal como uma operação de condicionamento estatístico. Eles derivam expressões exatas para os momentos de primeira e segunda ordem do vetor de inovação $\nu$ condicionado ao evento $A = \{ \nu^\top S^{-1} \nu \leq \tau \}$. Isso envolve transformar a inovação em coordenadas branqueadas para explorar a invariância rotacional e utilizar propriedades da distribuição qui-quadrado truncada.
2. Análise de Estatísticas de Ordem da Associação NN: O artigo modela a associação NN como um mecanismo de seleção de estatísticas de ordem. Analisa-se a energia esperada da inovação de norma mínima selecionada entre $M$ amostras independentes retiradas da distribuição já condicionada pelo gate.
3. Validação por Simulação de Monte Carlo e Simulação de Ponta a Ponta: Os resultados teóricos são validados através de simulações de Monte Carlo. Um exemplo de rastreamento de velocidade constante em múltiplos passos de tempo é utilizado para demonstrar o impacto prático desses vieses no ajuste adaptativo do ruído de medição, comparando o ajuste "nominal" (ignorando efeitos de gating) com o ajuste "consciente do gate".

3. Contribuições e Resultados Principais

A. Estatísticas de Inovação Condicionadas ao Gate

O artigo prova que o gating elipsoidal induz uma contração determinística e dependente da dimensão na covariância da inovação.

• Preservação da Média: A média condicional da inovação permanece zero: $E[\nu | A] = 0$.
• Contração da Covariância: A covariância condicional é um múltiplo escalar da covariância nominal:
  $$E[\nu\nu^\top | A] = \gamma(\tau, m) S$$
  onde $\gamma(\tau, m)$ é um fator de contração estritamente entre 0 e 1, dependente apenas do limiar do gate $\tau$ e da dimensão da medição $m$.
• Viés do NIS: Consequentemente, o valor esperado do NIS para medições aceitas é $E[Z | A] = m \gamma(\tau, m)$, que é estritamente menor que o valor de referência nominal $m$. Por exemplo, em um sistema 2D com uma probabilidade de gate de 95%, o NIS aceito esperado é aproximadamente 1,685, e não o nominal 2,0.

B. Associação NN como Operador de Seleção Adicional

O artigo demonstra que a associação NN introduz uma contração adicional e inevitável na energia da inovação.

• Viés de Estatísticas de Ordem: Selecionar a norma mínima entre $M$ candidatos da distribuição condicionada ao gate resulta em uma energia esperada estritamente menor que a média condicionada ao gate.
• Resultado de Impossibilidade: Os autores provam que as estatísticas nominais de inovação não podem ser preservadas sob gating e associação não triviais. Mesmo com um filtro linear-gaussiano perfeitamente ajustado, a energia de inovação observada será sistematicamente menor que a referência teórica devido à natureza determinística da seleção.

C. Impacto no Ajuste Adaptativo

O estudo de rastreamento de ponta a ponta revela as consequências práticas de ignorar esses efeitos:

• Ajuste Enviesado: Esquemas de ajuste adaptativo que utilizam referências qui-quadrado nominais em dados pós-gate subestimam sistematicamente a escala do ruído de medição. Na simulação, um sintonizador nominal aprendeu uma escala de ruído de ~0,80 em vez do valor verdadeiro de 1,0.
• Correção Consciente do Gate: Ao aplicar um fator de correção $1/\gamma(\tau, m)$ ao NIS observado, o algoritmo de ajuste pode recuperar a escala de ruído verdadeira (aprendendo ~1,04 na simulação) e alcançar um Erro Quadrático Médio (RMSE) e um Erro de Estimativa Normalizado ao Quadrado (NEES) menores em comparação com o ajuste nominal.

4. Significado e Afirmações

O artigo afirma que a redução sistemática na energia de inovação observada em sistemas de rastreamento práticos não é necessariamente um indicador de mau ajuste do filtro, incompatibilidade de modelos ou estimativa pobre de ruído. Em vez disso, é uma consequência fundamental e estrutural dos mecanismos de seleção (gating e associação NN) inerentes ao pipeline de rastreamento.

O significado deste trabalho reside em:

1. Clarificar a Interpretação de Diagnósticos: Estabelece que os diagnósticos padrão de NIS devem ser interpretados em relação a valores de referência condicionados ao gate, e não nominais. Um filtro "conservador" (NIS baixo) pode ser simplesmente um filtro corretamente ajustado operando sob gating padrão.
2. Prevenir Viés de Reforço Mútuo: Destaca que ignorar os efeitos de seleção leva algoritmos de ajuste adaptativo a reduzir incorretamente os níveis de ruído estimados, potencialmente apertando a lógica de validação e aumentando a rejeição de medições válidas.
3. Fundamento Teórico: Fornece a primeira caracterização exata dos momentos de inovação condicionados ao gate e dos vieses de estatísticas de ordem no contexto da filtragem de Kalman, separando efeitos de seleção estruturais de erros de modelo genuínos.

Os autores enfatizam que, embora a análise seja restrita a modelos lineares-gaussianos e associação NN, os efeitos de seleção identificados representam um viés de base que qualquer método de associação não linear ou complexo (como PDA ou MHT) deve levar em conta, uma vez que o mecanismo fundamental de condicionamento em um evento de seleção permanece.