LMI Optimization Based Multirate Steady-State Kalman Filter Design

Resumo Técnico: Projeto de Filtros de Kalman Multirrate Estacionários Baseado em Otimização LMI

1. Problema Abordado

O artigo aborda o desafio da estimação de estado em sistemas de controle e processamento de sinais onde múltiplos sensores operam em taxas de amostragem diferentes (multirate).

• Contexto: Aplicações modernas como veículos autônomos (fusão de GPS de baixa frequência com sensores inerciais/odometria de alta frequência), robótica e controle de processos industriais frequentemente envolvem dados que chegam de forma assíncrona.
• Desafio Técnico: O filtro de Kalman clássico assume uma taxa de amostragem uniforme. Quando as taxas diferem, o sistema torna-se temporalmente variante periódico.
• Limitação dos Métodos Atuais:
  • Técnicas de "lifting" (elevação) aumentam a dimensão do estado e podem comprometer a precisão entre amostras.
  • Reformulações cíclicas convencionais transformam o problema em um sistema invariante no tempo, mas resultam em uma matriz de covariância do ruído de medição ($\check{R}$) semidefinida positiva (e não definida positiva), devido à ausência de medições de certos sensores em instantes específicos.
  • Isso impede a aplicação direta da Equação Riccati Discreta Algébrica (DARE) padrão, que exige a inversão de uma matriz de covariância definida positiva, levando a falhas de convergência ou instabilidade numérica.

2. Metodologia Proposta

O autor propõe um framework de projeto baseado em Desigualdades Matriciais Lineares (LMI) que supera as limitações da DARE tradicional.

• Reformulação Cíclica: O sistema multirate é transformado em um sistema invariante no tempo de maior dimensão (cíclico) através de uma representação cíclica das variáveis de estado e medição ao longo de um período $N$.
• Tratamento da Covariância Semidefinida: O artigo identifica que a covariância cíclica $\check{R}$ é apenas semidefinida positiva ($\check{R} \succeq 0$). Para contornar a necessidade de inversão de matrizes singulares, o autor utiliza uma formulação dual de LQR (Linear Quadratic Regulator).
• Otimização LMI:
  • O problema de projeto do filtro é convertido em um problema de programação semidefinida (SDP).
  • Introduz-se uma variável de Lyapunov ($\check{X}$) e uma variável de ganho auxiliar ($\check{Y}$) para linearizar as restrições.
  • A estabilidade e o desempenho são garantidos sem a necessidade de inverter $\check{R}$, resolvendo diretamente para os limites superiores da covariância do erro.
• Extensões Multiobjetivo: O framework LMI permite incorporar restrições adicionais de forma convexa:
  • Alocação de Polos: Garante uma taxa mínima de convergência do erro de estimação (limitando os autovalores do sistema em malha fechada dentro de um disco $D_{\bar{r}}$).
  • Norma Induzida $l_2$: Limita o ganho de pior caso (robustez) entre distúrbios e o erro de estimação, equilibrando desempenho médio e robustez.

3. Principais Contribuições

1. Identificação Teórica: Demonstra rigorosamente que a covariância de ruído em sistemas multirate cíclicos é inerentemente semidefinida, invalidando métodos DARE padrão e justificando a abordagem LMI.
2. Framework LMI Dual: Desenvolve uma formulação baseada em LQR dual que lida nativamente com covariâncias semidefinidas, garantindo estabilidade Schur e computação de ganhos ótimos (ou subótimos com limites superiores apertados).
3. Design Multiobjetivo: Estende o filtro de Kalman para incluir restrições de taxa de convergência e robustez ($l_2$-induced norm) dentro de um único problema de otimização convexa.
4. Validação Prática: Apresenta uma validação numérica robusta em um cenário de navegação automotiva, demonstrando a eficácia da fusão de sensores com taxas distintas.

4. Resultados Numéricos

O método foi validado através de simulações em um sistema de navegação automotiva com:

• Sensores: GPS (1 Hz) e sensores de velocidade das rodas (10 Hz).
• Simulação: 500 execuções de Monte Carlo com realizações independentes de ruído.
• Desempenho de Estimação:
  • O RMSE (Raiz do Erro Quadrático Médio) de posição foi de 0,561 m, significativamente abaixo do desvio padrão do ruído do GPS (1,0 m), provando a eficácia da fusão multirate.
  • O RMSE de velocidade foi de 0,431 m/s.
• Validação do Limite Teórico:
  • Os limites superiores teóricos da covariância do erro (obtidos via LMI) foram comparados com os resultados de Monte Carlo.
  • A razão entre o limite teórico e o RMSE simulado foi de 1,002 a 1,046, indicando que o limite LMI é apertado (tight) e pouco conservador.
• Análise de Trade-off:
  • Alocação de Polos: Restrições mais agressivas (polos mais rápidos) aumentam o custo de erro (trace), mas garantem convergência mais rápida.
  • Robustez $l_2$: Restrições de norma induzida reduzem o autovalor máximo (melhor margem de estabilidade) às custas de um aumento moderado no erro de estimação médio.

5. Significado e Impacto

Este trabalho oferece uma solução sistemática e matematicamente rigorosa para um problema comum em engenharia de controle moderno: a fusão de sensores heterogêneos.

• Viabilidade Computacional: Transforma um problema não convexo ou numericamente instável (devido à singularidade de $\check{R}$) em um problema convexo solúvel eficientemente.
• Flexibilidade de Projeto: Permite aos engenheiros equilibrar trade-offs entre precisão média, velocidade de convergência e robustez a pior caso, algo difícil de fazer com métodos clássicos.
• Aplicabilidade: O framework é aplicável a qualquer sistema linear invariante no tempo com padrões de medição periódicos conhecidos, sendo particularmente relevante para a indústria de veículos autônomos, robótica e sistemas de controle em rede.

Em suma, o artigo estabelece um novo padrão para o projeto de filtros de Kalman estacionários em ambientes multirate, substituindo abordagens heurísticas ou limitadas por uma metodologia baseada em otimização convexa robusta.