Resumo Técnico: O Kalman Evolve

Declaração do Problema

O Filtro de Kalman (KF) permanece a pedra angular da estimação de estado, oferecendo uma solução ótima sob as suposições de dinâmica linear, ruído gaussiano e covariâncias de ruído conhecidas. No entanto, em ambientes de sensoriamento realistas — como radar Doppler e LiDAR —, as observações são frequentemente funções inerentemente não lineares do estado subjacente. Nessas cenários, a atualização padrão do KF, restrita a transformações afins do resíduo de medição, falha em capturar a estrutura do estimador ótimo.

Embora extensões como o Filtro de Kalman Estendido (EKF) e o Filtro de Kalman Unscented (UKF) tentem lidar com a não linearidade por meio de linearização local ou aproximações de pontos sigma, elas dependem de modelos de sistema conhecidos e carecem de adaptabilidade orientada por dados. Por outro lado, abordagens orientadas por dados, como Filtros de Kalman Neurais (por exemplo, KalmanNet), frequentemente funcionam como caixas pretas, exigem dados de treinamento substanciais e podem ter desempenho inferior aos métodos clássicos. Além disso, métodos de otimização existentes, como o Filtro de Kalman Otimizado (OKF), focam exclusivamente no ajuste dos parâmetros de ruído ($Q$ e $R$), mas permanecem confinados à classe de estimadores afins. Os autores argumentam que essa limitação estrutural impede que esses métodos superem lacunas fundamentais de desempenho causadas por incompatibilidade de modelos, mesmo quando os parâmetros são perfeitamente ajustados.

Metodologia: Kalman Evolve

Para abordar os desafios conjuntos de incerteza de parâmetros e limitações estruturais, os autores propõem o Kalman Evolve, um framework que descobre algoritmos de filtragem aprimorados otimizando simultaneamente parâmetros de ruído e a estrutura de atualização. A abordagem consiste em duas etapas principais:

1. Calibração de Parâmetros: O processo começa estimando as covariâncias de ruído do processo e de medição ($Q$ e $R$) usando estimativa de mínimos quadrados ou o Filtro de Kalman Otimizado (OKF). Isso estabelece uma linha de base bem calibrada e competitiva.
2. Busca Evolutiva Guiada por LLM: Com base na linha de base calibrada, o framework emprega uma busca evolutiva guiada por Modelos de Linguagem de Grande Escala (LLMs).
   • Prior Estruturado: O LLM (especificamente DeepSeek 16B) atua como um prior estruturado sobre o espaço de transformações de programas interpretáveis.
   • Processo de Busca: Inspirado no AlphaEvolve, a busca opera em quatro "ilhas" independentes (trabalhadores de GPU paralelos). Em cada ciclo, o LLM amostra algoritmos candidatos de um banco de dados, recebe uma especificação do problema e dois algoritmos pais como prompt, e gera mutações ou combinações.
   • Avaliação de Aptidão: Os candidatos são avaliados com base em uma função de perda (geralmente Erro Quadrático Médio Raiz, RMSE) em dados de treinamento. O banco de dados é atualizado com os candidatos de melhor desempenho.
   • Preservação da Estrutura: Crucialmente, a busca é restrita a preservar a forma recursiva do Filtro de Kalman. Os algoritmos descobertos modificam a etapa de atualização (por exemplo, por meio de mecanismos de gate não afins ou reescalonamento adaptativo) enquanto mantêm a decomposição central predizer-atualizar e os papéis semânticos da inovação e do ganho de Kalman.

Contribuições Principais

O artigo apresenta quatro contribuições primárias:

• Subotimalidade Teórica de Estimadores Afins: Os autores fornecem provas analíticas (Corolários 1 e 2) demonstrando que estimadores afins são estruturalmente subótimos sob modelos de sensoriamento não lineares comuns, especificamente radar Doppler e LiDAR. Mesmo com dinâmica linear e priores gaussianos, dependências geométricas nas observações (por exemplo, medições radiais ou angulares) induzem uma média a posteriori que é intrinsecamente não linear.
• Framework de Otimização Conjunta: Eles introduzem um framework unificado que otimiza conjuntamente parâmetros de ruído e a estrutura de atualização, permitindo a descoberta de extensões interpretáveis e não afins do Filtro de Kalman.
• Superioridade Empírica: Em benchmarks sintéticos e do mundo real, os algoritmos descobertos superam consistentemente linhas de base robustas, incluindo o Filtro de Kalman Otimizado (OKF), alcançando até 12% de redução no RMSE.
• Reprodutibilidade: Os autores liberam o código e os algoritmos descobertos para apoiar pesquisas futuras na descoberta algorítmica interpretável.

Resultados Experimentais

O framework foi avaliado em três benchmarks distintos:

1. Rastreamento por Radar Doppler: Avaliado em cinco cenários que variam de simplificados ("Toy") a complexos ("Livre" com aceleração e curvas). O Kalman Evolve (KE) superou consistentemente o OKF. As melhorias foram marginais em configurações simples (~0,4%), mas cresceram para 11–12% em regimes complexos envolvendo aceleração e movimento não linear.
2. Localização Baseada em LiDAR: Testado em trajetórias de direção sintéticas e no conjunto de dados NCLT do mundo real. O KE melhorou em relação ao OKF em aproximadamente 5% na estimação de estado e 6% na previsão do próximo estado em dados sintéticos, e em 2–3% no conjunto de dados NCLT ruidoso, demonstrando transferibilidade além de ambientes sintéticos.
3. Rastreamento de Pedestres (MOT20): Focado na previsão do próximo estado para pedestres. O KE reduziu o RMSE de teste em 8% em relação ao OKF com alta significância estatística ($p < 10^{-6}$). Notavelmente, o KE demonstrou eficiência de dados superior, mantendo baixo erro com conjuntos de treinamento pequenos, onde o desempenho do OKF foi mais variável.

Em todos os casos, os algoritmos descobertos mantiveram custos computacionais comparáveis ao Filtro de Kalman padrão, pois a sobrecarga de inferência foi mínima. As linhas de base de aprendizado profundo (LSTM, KalmanNet) geralmente tiveram desempenho inferior às abordagens baseadas em modelo, particularmente nas configurações LiDAR e MOT20.

Significado e Alegações

O artigo postula que a lacuna de desempenho na estimação de estado não linear não é meramente uma questão de ajuste de parâmetros, mas sim estrutural. Ao otimizar a estrutura do próprio filtro de Kalman, em vez de apenas seus parâmetros, o Kalman Evolve oferece um caminho prático e interpretável para uma estimação de estado aprimorada.

Os autores enfatizam que sua abordagem preenche a lacuna entre eficiência baseada em modelo e adaptabilidade orientada por dados. Diferentemente de redes neurais de caixa preta, os algoritmos descobertos mantêm a forma recursiva e interpretável do filtro clássico, introduzindo mecanismos simples e dependentes de dados (como gate ou reescalonamento adaptativo) para lidar com incompatibilidade de modelos. O trabalho sugere que combinar estruturas clássicas baseadas em modelo com descoberta orientada por LLM é uma direção promissora para o desenvolvimento de algoritmos de alto desempenho e interpretáveis para problemas de sensoriamento do mundo real, onde as suposições de linearidade e gaussianidade são frequentemente violadas.