From the Linear Quadratic Regulator (LQR) to the (Deterministic) Kalman Filter in Two Easy Steps

Este artigo apresenta um tutorial de duas etapas demonstrando como derivar o filtro de Kalman determinístico a partir do Regulador Quadrático Linear (LQR), primeiro convertendo o problema de estimativa de estado em uma formulação LQR puramente quadrática usando coordenadas homogêneas e, em seguida, particionando a solução resultante para recuperar a dinâmica tradicional do filtro de Kalman e a equação de Riccati.

O essencial

Imagine que você está tentando descobrir exatamente onde um trilheiro perdido está em uma floresta densa. Você tem duas fontes de informação, mas ambas são imperfeitas:

1. Seu Mapa (O Modelo): Você conhece o caminho geral e a velocidade do trilheiro, mas o terreno é difícil e ele pode tropeçar ou fazer um desvio.
2. Seus Binóculos (As Medições): Você consegue vê-lo ocasionalmente, mas as árvores bloqueiam sua visão e a imagem está borrada.

O Filtro de Kalman é a ferramenta matemática que combina essas duas fontes imperfeitas para adivinhar a localização real do trilheiro. Geralmente, isso é ensinado como um problema estatístico complexo envolvendo "ruído" e "probabilidade".

Este artigo de Bassam Bamieh oferece uma maneira diferente, mais simples, de olhar para isso. Ele argumenta que você não precisa pensar em acaso ou aleatoriedade; em vez disso, pode tratar isso como um quebra-cabeça determinístico: "Qual é a história mais simples possível que explica o que vimos?"

Aqui estão os "Dois Passos Fáceis" para resolver esse quebra-cabeça, explicados com analogias do cotidiano.

A Ideia Central: "A Navalha de Occam" para a Matemática

O artigo começa com um princípio chamado Princípio da Incerteza Mínima. Imagine que você é um detetive tentando reconstruir a cena de um crime. Existem infinitas maneiras de o crime ter ocorrido.

• História A: O suspeito correu 5 milhas, tropeçou 10 vezes e a testemunha estava alucinando.
• História B: O suspeito caminhou 1 milha, tropeçou uma vez e a testemunha estava com a visão levemente embaçada.

O artigo diz: Escolha a História B. Por quê? Porque ela exige a menor quantidade de "estranheza" (incerteza) para fazer os fatos se encaixarem. Em termos matemáticos, queremos a história onde os "erros" (o tropeçar e a visão embaçada) sejam o menor possível.

Passo 1: O Truque das "Coordenadas Homogêneas"

O primeiro obstáculo é que a matemática para esse problema da "história mais simples" é bagunçada. Ela possui uma mistura de termos ao quadrado (como "distância ao quadrado") e termos de linha reta (como "distância"). É como tentar assar um bolo onde a receita pede "2 xícaras de farinha" e "uma pitada de sal", mas a tigela de mistura só aceita ingredientes em um formato específico "ao quadrado".

A Solução: O artigo sugere um truque mágico chamado Coordenadas Homogêneas.

• A Analogia: Imagine que você tem um desenho 2D em uma folha de papel. Para fazer a matemática funcionar, você adiciona uma terceira dimensão — um "1" anexado ao lado do seu desenho. De repente, seu problema 2D torna-se um problema 3D onde tudo se encaixa perfeitamente em uma caixa simétrica e organizada.
• O que ele faz: Ao adicionar esse "1" extra ao sistema, o problema matemático "misto" e bagunçado transforma-se em um problema puramente "ao quadrado" e perfeitamente limpo.
• O Resultado: Este problema limpo é exatamente o mesmo que um Regulador Quadrático Linear (LQR). Se você sabe como resolver um problema LQR (que é como encontrar a maneira mais eficiente de usar combustível para dirigir um carro), você agora pode resolver este problema de estimação bagunçado.

Por que isso importa: O artigo aponta um insight interessante aqui. Em problemas de controle (como dirigir um carro), a matemática "extra" geralmente representa um sinal de feedforward pré-planejado. Em problemas de estimação (como rastrear o trilheiro), essa mesma matemática extra representa o observador — a parte do sistema que aprende e atualiza sua estimativa ao longo do tempo.

Passo 2: A "Inversão do Tempo" e o "Palpite Final"

Agora que temos um problema ao quadrado e limpo, precisamos resolvê-lo. Mas há um detalhe: em um problema de direção padrão, você sabe onde começou. Neste problema de estimação, não sabemos onde o trilheiro começou. Só sabemos onde ele está agora (ou melhor, estamos tentando descobrir onde ele está agora com base em dados passados).

A Solução: O artigo utiliza uma manobra inteligente de duas partes:

1. Assuma o Fim: Finja por um momento que você sabe onde o trilheiro terminou sua jornada no momento final. Se você sabe o início e o fim, o "caminho mais simples" entre eles é fácil de calcular.
2. Inversão do Tempo: A matemática para "começar em A e terminar em B" é o espelho de "começar em B e terminar em A". O artigo inverte o problema no tempo. Em vez de perguntar "Como vamos do início ao fim?", ele pergunta "Se estamos no fim, como chegamos aqui?".
3. Otimize o Palpite: Como não sabemos de fato a posição final, pegamos a resposta do passo 2 e perguntamos: "Qual posição final torna a 'estranheza' total (incerteza) a menor possível?"

O Resultado: Quando você realiza essa otimização, as equações complicadas simplificam-se magicamente nas famosas equações do Filtro de Kalman.

• O "Ganho do Observador" (o quanto você confia no mapa versus nos binóculos) surge naturalmente.
• A "Equação de Riccati" (a matemática complexa que atualiza o filtro) aparece como a solução para este problema de "custo para chegar".

A Visão Geral: Certeza vs. Informação

O artigo conclui com uma reinterpretação fascinante da matemática.

• Na visão tradicional (estocástica), o filtro calcula uma "Matriz de Covariância", que diz o quão incerto você está. Um número grande significa "Eu não tenho ideia".
• Na visão deste artigo, a matemática calcula uma "Matriz de Informação" (ou Matriz de Certeza).
  • A Analogia: Pense em uma tigela. Se a tigela for muito íngreme e profunda, uma bola de gude colocada dentro dela rolará rapidamente para o fundo. Isso significa que você é muito certo sobre a localização do fundo. Se a tigela for plana, a bola de gude pode rolar para qualquer lugar; você está incerto.
  • O artigo argumenta que a matriz $S$ em suas equações mede a inclinação da tigela. Um $S$ grande significa que a "tigela" é íngreme, o que significa que o filtro está muito confiante em sua estimativa.

Resumo

Este artigo não inventa um novo filtro; ele reescreve a receita.

1. Ele diz: "Pare de pensar em ruído aleatório. Pense em encontrar a explicação mais simples e de menor erro para seus dados."
2. Ele usa um truque matemático (coordenadas homogêneas) para transformar um problema bagunçado em um problema de controle padrão e limpo.
3. Ele usa a inversão do tempo para resolver esse problema, revelando que o Filtro de Kalman é apenas a maneira ideal de minimizar a incerteza em um mundo determinístico.

É um "tutorial" que remove a assustadora teoria da probabilidade para mostrar que o Filtro de Kalman é, fundamentalmente, sobre eficiência e simplicidade: escolher o caminho que exige o menor número de suposições.

Resumo técnico

Resumo Técnico: Do LQR ao Filtro de Kalman Determinístico

Formulação do Problema
O artigo aborda o problema de estimação de estado determinístico para sistemas lineares variantes no tempo. O sistema é modelado pelas equações $\dot{x}(t) = Ax(t) + w(t)$ e $y(t) = Cx(t) + v(t)$, onde a saída $y(t)$ é conhecida, mas a perturbação do processo $w(t)$, o ruído de medição $v(t)$ e o estado inicial $x_i$ são desconhecidos. O objetivo é encontrar a trajetória de estado $\hat{x}(t)$ consistente com a dinâmica do sistema que minimize uma função de custo quadrática que representa o "tamanho" da incerteza do trio $(w, v, x_i)$. Este funcional de custo, $J$, é afim-quadrático no estado e nos inputs devido à presença do sinal de medição conhecido $y(t)$ dentro do termo quadrático $(y - C\hat{x})^*V(y - C\hat{x})$. O artigo enquadra isso como um problema de "projeto de entrada" (input design) em vez de um problema de estimação estocástica, aderindo a um "Princípio da Incerteza Mínima" análogo à navalha de Occam: selecionar a trajetória que exija o mínimo de suposições (menor norma de incerteza).

Metodologia: Os "Dois Passos Fáceis"
O autor deriva as equações do filtro de Kalman através de uma transformação de dois passos do problema de otimização afim-quadrática para uma estrutura padrão de Regulador Quadrático Linear (LQR):

1. Homogeneização via Coordenadas Homogêneas:
   O primeiro passo converte o custo afim-quadrático (contendo termos quadráticos, lineares e constantes) em um custo puramente quadrático. Isso é alcançado inserindo o sistema em um espaço de estados de dimensão superior usando "coordenadas homogêneas". Um estado escalar auxiliar $\alpha$ é anexado ao vetor de estado $x$, com a restrição de que $\alpha(t) \equiv 1$. Isso transforma o sistema e o custo originais em um sistema maior com estado $\xi = [x^T, 1]^T$ e um objetivo puramente quadrático. Essa inserção revela que os controladores para problemas afim-quadráticos contêm inerentemente componentes dinâmicos (ao contrário de controladores puramente quadráticos sem memória), que correspondem à dinâmica de feedforward em rastreamento ou à dinâmica de observador em estimação.

2. Reversão Temporal e Otimização do Estado Final:
   O segundo passo utiliza a formulação de "LQR com condições finais". Diferente do LQR padrão, que especifica um estado inicial e minimiza um "custo-para-ir" (cost-to-go), este problema dual especifica um estado final e minimiza um "custo-para-chegar" (cost-to-arrive).

• O problema de estimação é primeiro resolvido assumindo que o estado final $\hat{x}(t)$ é conhecido (fixo). Isso resulta em uma solução caracterizada por uma matriz de Equação Diferencial de Riccati (DRE) rodando para frente no tempo, denotada por $S(t)$, e um vetor auxiliar $s_1(t)$.
• Como o estado final é, na verdade, desconhecido, a estimativa ótima é encontrada minimizando adicionalmente a função de "custo-para-chegar" resultante em relação à variável do estado final. Esta otimização produz a estimativa de estado ótima $\hat{x}(t) = -S^{-1}(t)s_1(t)$.
• Ao diferenciar esta relação e substituir a dinâmica de $S(t)$ e $s_1(t)$, o artigo deriva uma equação diferencial para $\hat{x}(t)$ diretamente. Esta equação assume a forma de um observador causal: $\dot{\hat{x}} = A\hat{x} + L(y - C\hat{x})$, onde o ganho $L$ é derivado da solução $S(t)$.

Principais Contribuições e Resultados

• Derivação do Filtro de Kalman Determinístico: O artigo fornece uma derivação simplificada do filtro de Kalman determinístico (estimador de estado) ao desmembrar explicitamente os passos de reversão temporal, inserção de coordenadas homogêneas e otimização do estado final.
• Conexão com o Rastreamento LQ: A metodologia demonstra uma equivalência estrutural entre o problema de estimação determinística e o problema de rastreamento Linear-Quadrático (servomecanismo). No rastreamento LQ, a dinâmica auxiliar fornece o termo de feedforward acausal; na estimação, ela fornece a dinâmica de observador causal.
• Formulação do Filtro de Informação: O estimador resultante é apresentado na forma de "filtro de informação". A matriz $S(t)$ é identificada como a solução de uma DRE que roda para frente no tempo, que é o inverso da matriz de covariância do erro encontrada no filtro de Kalman estocástico.
• Interpretação Determinística da Informação: O artigo oferece uma interpretação determinística da "matriz de informação". Em vez de depender de covariância probabilística, $S(t)$ é interpretado como uma "matriz de certeza". A curvatura da função de custo-para-chegar (um bowl quadrático) em torno da estimativa ótima é determinada por $S(t)$. Os autovetores de $S(t)$ com grandes autovalores correspondem a direções de alta certeza (curvatura acentuada), enquanto pequenos autovalores correspondem a alta incerteza.

Significância e Alegações
O artigo afirma oferecer uma perspectiva de "tutorial" que desmistifica a derivação do filtro de Kalman, fundamentando-a na teoria do controle ótimo determinístico. Argumenta-se que a preferência por formulações determinísticas versus estocásticas é frequentemente uma questão de gosto, e não de necessidade lógica, citando Willems e Gauss. A principal significância reside na abordagem de "dois passos fáceis", que:

1. Unifica o tratamento de problemas afim-quadráticos (como rastreamento e estimação) com problemas puramente quadráticos (LQR) via coordenadas homogêneas.
2. Esclarece o papel da reversão temporal e da função de "custo-para-chegar" na derivação de observadores ótimos.
3. Fornece uma justificativa determinística rigorosa para as equações do filtro de Kalman sem recorrer ao cálculo estocástico, baseando-se em princípios de mínimos quadrados e na equivalência de problemas de projeto de entrada.

O autor evita explicitamente a introdução de novas aplicações ou propostas experimentais, focando, em vez disso, na unificação teórica de conceitos existentes (LQR, coordenadas homogêneas e dualidade) para explicar a estrutura do estimador ótimo.