Max-Entropy Moment Filtering for Stochastic Hybrid Systems

Resumo Técnico: Filtragem de Momentos de Máxima Entropia para Sistemas Híbridos Estocásticos

Declaração do Problema
Sistemas híbridos estocásticos (SHSs) combinam dinâmicas estocásticas em tempo contínuo com eventos de reset discretos. Esses sistemas, comuns em impactos mecânicos, contato robótico e comutação biológica, geram inerentemente incertezas não gaussianas e frequentemente multimodais. Abordagens tradicionais de filtragem enfrentam dois desafios principais:

1. Não Gaussianidade: Eventos de reset induzem distribuições de probabilidade complexas que filtros gaussianos padrão (como o Filtro de Kalman) não conseguem representar.
2. Intratabilidade Computacional: A propagação direta de densidades de probabilidade via equações de Fokker-Planck híbridas requer a resolução de equações diferenciais parciais (EDPs) com condições de contorno complexas (conjuntos de guarda), o que é computacionalmente caro e difícil de aplicar à filtragem a partir de informações estatísticas parciais.

O artigo aborda o problema de estimar o estado de um SHS a partir de medições ruidosas, propagando a incerteza usando apenas informações estatísticas parciais (momentos) em vez de funções de densidade completas.

Metodologia
Os autores propõem um Filtro de Kalman de Momentos de Máxima Entropia (MEM-KF) adaptado para sistemas híbridos estocásticos. A metodologia consiste em três componentes principais:

1. Propagação de Momentos via Fórmula de Dynkin:
   Em vez de evoluir densidades de probabilidade, o método evolui uma coleção finita de momentos (valores esperados de observáveis). Os autores derivam uma extensão híbrida da fórmula de Dynkin que leva em conta tanto a difusão contínua quanto os saltos discretos.

   • A evolução contínua é governada pelo gerador infinitesimal do operador de Koopman estocástico.
   • Os efeitos de reset discretos são incorporados como uma correção de fluxo de fronteira sobre o conjunto de guarda $G$.
   • A equação de evolução resultante para um momento $m_\alpha(t)$ é:
     $$\frac{d}{dt}m_\alpha(t) = \mathbb{E}[(\mathcal{A}\phi_\alpha)(X_t)] + \int_G (\phi_\alpha(\Delta(x)) - \phi_\alpha(x))(J(t, x) \cdot n(x))^+ dS(x)$$
     onde $\mathcal{A}$ é o gerador, $\Delta$ é o mapa de reset e o termo integral representa o fluxo de probabilidade saindo do domínio e reentrando via reset. Isso permite dinâmicas de momentos tratáveis sem resolver a EDP híbrida subjacente.

2. Reconstrução de Crença via Máxima Entropia:
   Como um conjunto finito de momentos não determina unicamente uma distribuição de probabilidade, os autores empregam o princípio de Máxima Entropia com Restrição de Momentos (MED). Em cada passo de tempo, o filtro reconstrói a densidade de probabilidade $p^*(x)$ maximizando a entropia sujeita às restrições de momento propagadas atualmente. Isso produz uma densidade na família exponencial:
   $$p^*(x; \lambda) = \frac{1}{Z(\lambda)} \exp\left(-\sum_\alpha \lambda_\alpha x^\alpha\right)$$
   Os parâmetros $\lambda$ são determinados resolvendo um problema de otimização convexa (minimizando o potencial termodinâmico dual).

3. Algoritmo de Filtragem:
   O filtro proposto opera em um ciclo de previsão-atualização:

   • Previsão: Os momentos são propagados para frente no tempo usando as EDOs de momento derivadas. Os termos de fluxo de fronteira são aproximados usando o MED reconstruído do passo de tempo anterior.
   • Atualização: Ao receber uma medição, o filtro atualiza a crença. Assumindo um modelo de medição polinomial, o resíduo da medição é modelado como um MED com restrição de momentos. A regra de Bayes é aplicada no nível dos momentos, resultando em um novo MED posterior.
   • Estimação de Estado: Uma estimativa pontual (MAP) é obtida resolvendo um problema de otimização polinomial sobre o domínio viável.

Contribuições Principais

• Dinâmica de Momentos Híbrida: Derivação de uma regra de propagação de momentos consistente para SHSs usando a fórmula de Dynkin com uma soma de saltos, onde os efeitos de reset aparecem explicitamente como correções de fluxo de fronteira.
• Filtragem Tratável: Um framework que evita resolver equações de Fokker-Planck híbridas trabalhando exclusivamente com vetores de momentos de dimensão finita e reconstrução convexa.
• Representação Não Gaussiana: A capacidade de capturar não gaussianidade e multimodalidade induzidas por reset através de momentos de ordem superior e reconstrução MED, superando as limitações de estimadores lineares-gaussianos.

Resultados
O método foi validado em um exemplo de bola quicando estocástica (um SHS de modo único com gravidade, arrasto, ruído e resets de velocidade ao impacto).

• Precisão dos Momentos: Os momentos propagados (até a ordem $r=4$) mostraram concordância próxima com simulações de referência de Monte Carlo.
• Reconstrução de Densidade: Reconstruções MED com $r=4$ capturaram com sucesso a assimetria e a estrutura multimodal da distribuição de velocidade causada pelos impactos. Em contraste, uma truncagem de segunda ordem ($r=2$) forçou uma reconstrução gaussiana (unimodal), falhando em representar a deformação induzida pelo impacto.
• Estimação de Estado: Em uma tarefa de estimação de estado com medições de posição ruidosas, intermitentes e não gaussianas, o filtro rastreou com precisão a trajetória do estado verdadeiro, alcançando um erro quadrático médio (RMSE) de $6,91 \times 10^{-2}$ m para posição e $8,62 \times 10^{-1}$ m/s para velocidade.

Significado e Alegações
O artigo afirma que este framework fornece uma abordagem fundamentada e tratável para a propagação de incerteza em SHSs. Ao combinar propagação de momentos com máxima entropia, o método captura características híbridas essenciais (não gaussianidade, multimodalidade) que são perdidas em estimadores lineares padrão, permanecendo ao mesmo tempo computacionalmente mais viável do que a propagação direta de densidades.

Os autores reconhecem limitações e direções futuras, observando que:

• O método depende da escolha da ordem de truncagem; selecionar uma representação rica o suficiente para reter características híbridas em altas dimensões permanece um desafio aberto.
• Os custos computacionais aumentam com a dimensão e a ordem devido à necessidade de resolver repetidamente problemas de otimização convexa e avaliar funções de partição.
• A abordagem assume uma estrutura específica (modo único no exemplo, embora generalizável) e depende de observáveis polinomiais e mapas de reset.

O trabalho se posiciona como um passo em direção à filtragem escalável para sistemas híbridos estocásticos complexos, preenchendo a lacuna entre a teoria rigorosa baseada em densidade e a estimação prática baseada em momentos.