Neural Aided Adaptive Innovation-Based Invariant Kalman Filter

Este artigo propõe um Filtro de Kalman Invariante Adaptativo auxiliado por redes neurais que, ao combinar a teoria de filtragem em grupos de Lie com uma estimativa adaptativa de ruído baseada em dados brutos de sensores inerciais e treinada via simulação, alcança uma precisão de navegação superior em cenários complexos como a navegação autônoma subaquática.

O essencial

Imagine que você está dirigindo um carro autônomo no fundo do mar, onde não há GPS, nem sinais de rádio, nem estrelas para guiar o caminho. O único mapa que o carro tem é o que ele "sente" através de sensores internos (como um giroscópio e um acelerômetro) e de um sonar que mede a velocidade em relação ao fundo do mar.

O problema é que esses sensores não são perfeitos. Eles têm "tremedeiras" (ruído) e, com o tempo, começam a contar mentiras (erros de acumulação). Se o carro confiar cegamente neles, ele vai se perder. Se confiar demais no modelo matemático, ele pode ignorar a realidade.

Aqui entra o Filtro de Kalman, que é como um "co-piloto matemático" superinteligente. Ele tenta adivinhar a posição certa equilibrando o que o modelo diz e o que os sensores dizem. Mas, para funcionar bem, ele precisa saber o quão "confiável" é cada sensor naquele momento.

O Problema: O Mapa Errado

A maioria dos filtros de Kalman antigos funciona como se o mundo fosse uma folha de papel plana (espaço euclidiano). Eles assumem que os erros seguem uma linha reta simples.

No entanto, o movimento de um submarino ou de um drone é complexo. Girar, virar e navegar em 3D não é como andar em linha reta num papel; é como navegar em uma esfera ou em formas geométricas complexas. Usar a lógica de "papel plano" para um mundo esférico é como tentar desenhar um mapa do mundo inteiro em uma folha de papel sem rasgá-lo: as distâncias e direções ficam distorcidas.

Os autores deste artigo descobriram que, para navegar bem no fundo do mar, precisamos de um filtro que entenda essa geometria curva (chamado de Filtro de Kalman Invariante). Ele usa a matemática de "esferas e torções" (Grupos de Lie) para manter a precisão.

A Solução: O Co-piloto com "Intuição Artificial"

O grande desafio é: como saber o quão "tremido" está o sensor agora? O ruído muda dependendo se o carro está acelerando, freando ou virando.

Os autores criaram uma solução genial com duas partes:

1. O Filtro Geométrico (O Mapa Correto): Eles adaptaram o filtro para funcionar na geometria curva correta, garantindo que as regras matemáticas nunca "quebrem" a física do movimento.
2. A Rede Neural (O "Olho de Águia"): Eles treinaram uma pequena Inteligência Artificial (uma rede neural) para olhar para os dados brutos dos sensores e dizer: "Ei, nesse momento de virada brusca, o sensor de giro está muito barulhento. Vamos aumentar o 'fator de desconfiança' dele!".

O Truque do "Simulador de Realidade" (Sim2Real)

Aqui está a parte mais criativa: Como treinar essa IA se não temos dados reais de submarinos com a resposta certa (o "mapa do tesouro" perfeito) para comparar?

Eles usaram um truque de Simulação para Realidade (Sim2Real):

• Eles criaram um "mundo virtual" no computador, gerando milhares de cenários de movimento com diferentes tipos de ruído e falhas de sensor.
• A IA treinou milhões de vezes nesse mundo virtual, aprendendo a reconhecer padrões de erro.
• Depois, eles jogaram essa IA treinada no mundo real (com dados reais de um submarino).

É como se você treinasse um piloto de corrida em um simulador de videogame com todas as condições de chuva, neblina e pista escorregadia, e depois o colocasse para dirigir em uma pista real. A IA aprendeu a "sentir" o ruído sem precisar de um professor humano para corrigi-la a cada passo.

O Resultado: Navegação de Precisão

Quando testaram no mundo real (usando dados reais de um submarino autônomo no Mediterrâneo), o resultado foi impressionante:

• O novo sistema (Filtro Geométrico + IA) errou 17% menos na posição final do que os melhores métodos antigos.
• Foi capaz de se adaptar a movimentos complexos e a falhas de sensores de forma muito mais suave e precisa.

Resumo em uma Analogia

Pense no sistema antigo como um navegador que usa um mapa de papel plano para navegar em um globo terrestre. Ele funciona bem em curtas distâncias, mas comete erros graves em longas viagens.

O novo sistema é como um navegador que:

1. Usa um globo terrestre 3D (a geometria correta) para entender o mundo.
2. Tem um assistente de IA que olha para o volante e o motor e diz: "A estrada está escorregadia agora, vamos dirigir com mais cuidado".
3. Foi treinado em milhares de dias de chuva virtual para estar pronto para qualquer situação real.

Conclusão: Os autores criaram um método que combina a beleza da matemática geométrica pura com a inteligência adaptativa das redes neurais, permitindo que robôs e veículos autônomos naveguem com muito mais segurança e precisão em ambientes onde o GPS não chega.

Resumo técnico

1. Problema e Motivação

A estimativa de estado precisa é fundamental para a navegação de plataformas autônomas, especialmente em cenários desafiadores como a navegação subaquática. Os filtros de Kalman (como o Filtro de Kalman Estendido - EKF) são amplamente utilizados, mas dependem criticamente de uma caracterização correta do ruído do processo e das medições.

• Limitações Atuais: Métodos adaptativos clássicos para estimativa de ruído (baseados em inovação) foram desenvolvidos principalmente para formulações euclidianas. No entanto, eles não se estendem diretamente para filtros baseados em Grupos de Lie, como o Filtro de Kalman Invariante (IKF).
• O Desafio do IKF: O IKF oferece vantagens teóricas significativas, como dinâmicas de erro quase lineares e preservação de restrições geométricas, ao definir erros no espaço tangente (álgebra de Lie) em vez do espaço euclidiano. Contudo, a adaptação do ruído do processo neste espaço geométrico permanece pouco explorada.
• Dificuldade de Dados Reais: Ajustar parâmetros de ruído em dados reais é difícil porque o ruído do processo "verdadeiro" é latente (não observável diretamente), e a coleta de dados rotulados no mundo real é custosa e escassa.

2. Metodologia Proposta

Os autores propõem um Filtro de Kalman Invariante Adaptativo Ajudado por Rede Neural (Neural-Aided Adaptive IKF) que combina teoria de filtragem invariante com aprendizado de máquina.

A. Formulação Teórica Adaptativa no Espaço de Lie

• Extensão da Adaptação Baseada em Inovação: Os autores derivam uma nova extensão teórica da adaptação de ruído baseada em inovação, formulada diretamente dentro do framework de Grupos de Lie.
• Inovação Invariante: Diferente do EKF, onde a inovação é uma diferença euclidiana simples, no IKF a inovação é projetada no espaço da álgebra de Lie. A lei de adaptação proposta calcula a covariância do ruído do processo ($\hat{Q}$) utilizando estatísticas da inovação invariante, garantindo consistência com a dinâmica de erro do IKF.

B. Rede Neural para Identificação de Ruído

• Arquitetura Leve: Foi desenvolvida uma rede neural convolucional 1D (CNN) simples e eficiente.
• Entrada e Saída: A rede recebe uma janela deslizante de dados brutos de sensores inerciais (IMU) e estima os parâmetros da covariância do ruído do processo (especificamente as variâncias diagonais associadas a giroscópios, acelerômetros e seus vieses).
• Treinamento Sim2Real (Simulação para Realidade): Como o ruído real é desconhecido, a rede é treinada inteiramente em um ambiente de simulação com randomização de domínio (diversos níveis de ruído, perfis de movimento e perturbações). Isso permite que a rede aprenda características dependentes do movimento e do sensor sem necessidade de dados reais rotulados.

C. Estrutura Híbrida

O filtro final utiliza uma estratégia híbrida que combina:

1. Estimativa Baseada em Inovação: Corrige erros de modelagem residuais localmente.
2. Estimativa Baseada em Rede Neural: Adapta o ruído de forma responsiva e dependente dos dados.
   Essas duas fontes são combinadas (ponderadas por um parâmetro $\lambda$) para atualizar a covariância do processo durante a propagação do filtro.

3. Principais Contribuições

1. Formulação Adaptativa Invariante: Derivação teórica de uma lei de adaptação de ruído baseada em inovação que é matematicamente consistente com a estrutura geométrica do IKF, preenchendo a lacuna entre a teoria de filtragem adaptativa clássica e a estimativa de estado invariante.
2. Identificação de Ruído Ajudada por Rede Neural: Desenvolvimento de uma rede neural leve capaz de estimar parâmetros de ruído do processo a partir de dados brutos de IMU, treinada via abordagem sim2real, eliminando a necessidade de dados reais rotulados.
3. Framework Híbrido Unificado: Criação de uma estratégia que integra a adaptação baseada em modelos (inovação) com a adaptação baseada em dados (rede neural), resultando em maior precisão e robustez sem comprometer as garantias teóricas do IKF.

4. Resultados Experimentais

• Dataset: Os testes foram realizados no conjunto de dados A-KIT, que contém 80 minutos de dados reais de um Veículo Submarino Autônomo (AUV) operando no Mar Mediterrâneo, com fusão de dados de IMU e DVL (Doppler Velocity Log).
• Comparação: O método proposto (NN-AR-IKF) foi comparado com:
  • EKF Adaptativo (AEKF) clássico.
  • IKF Adaptativo baseado apenas em modelo (AR-IKF).
  • EKF com modelos neurais de inovação (NN-AEKF).
• Desempenho:
  • O método proposto alcançou a menor Raiz do Erro Quadrático Médio (RMSE) de posição entre todos os métodos testados.
  • Houve uma melhoria de 17,1% na RMSE de posição em relação ao AEKF adaptativo clássico.
  • Houve uma melhoria de 11,3% em relação ao método NN-AEKF.
• Validação Sim2Real: O fato de a rede neural ter sido treinada apenas com dados simulados e ter funcionado superiormente em dados reais confirma a eficácia da estratégia de transferência sim2real.

5. Significado e Conclusão

O trabalho demonstra que a invariância geométrica não é apenas uma propriedade teórica, mas fornece uma base estruturalmente superior para a modelagem de inovação baseada em aprendizado.

• Impacto Prático: A abordagem oferece uma solução escalável e de alta precisão para navegação subaquática e outras aplicações de navegação inercial não linear, onde a coleta de dados rotulados é difícil.
• Integração Teoria-Aprendizado: O artigo prova que componentes baseados em aprendizado de máquina podem ser incorporados a frameworks de estimativa geometricamente conscientes sem comprometer a consistência teórica, estabelecendo um novo padrão para a fusão de sensores adaptativa em ambientes autônomos.