Remarks on stochastic cloning and delayed-state filtering

想象一下，你正试图使用 GPS 导航驾驶汽车，但该 GPS 有时会告诉你两分钟前的位置，而不是你此刻的位置。在机器人学和航空航天领域，这是一个被称为“延迟状态测量”的常见问题。挑战在于，你当前对自身位置的猜测，在数学上与两分钟前的猜测紧密相连。如果你忽略这种联系，你的导航系统就会陷入混乱并产生错误。

长期以来，工程师们的标准建议是：“要解决这个问题，你必须克隆过去的自己。”

这种方法被称为随机克隆（Stochastic Cloning, SC）。想象你在驾驶，每当收到延迟的 GPS 信号时，你都会神奇地创造出两分钟前那辆车的“幽灵”版本。随后，你会在你的思维地图中同时携带真实车辆和幽灵车辆，并计算它们之间的相互关系。这种方法行之有效，但代价沉重。你必须携带额外的思维负担（计算能力和内存）来追踪这些幽灵。

本文的重大发现
本文作者 Tara Mina、Lindsey Marinello 和 John Christian 指出：“你实际上并不需要那些幽灵。”

他们重新审视了一种较旧且略显被遗忘的方法，称为延迟状态卡尔曼滤波（Delayed-State Kalman Filter, DSKF）。你可以将其视为一种“智能计算器”，它懂得如何同时审视过去与现在，而无需在物理上携带过去的副本。

以下是他们发现的简要概述：

1. “幽灵”与“智能计算器”

• 随机克隆（幽灵法）： 你将当前状态与过去状态合并，粘合成一个巨大的列表，然后进行数学运算。这就像背着一背包的旧地图来帮助你解读新地图。它行之有效，但背包会变得沉重。
• 延迟状态卡尔曼滤波（智能计算器）： 该方法审视相同的数学原理，但重新排列了方程。它不是将过去状态作为独立项携带，而是利用数学“桥梁”（称为状态转移矩阵）直接将过去转化为现在。这就像拥有一位精通“过去”和“现在”双语的翻译，因此你无需携带旧地图；你只需向翻译询问两者之间的联系即可。

2. 结果：相同的目的地，更轻的负载

该论文从数学上证明，两种方法得出的答案完全一致。 无论你使用“幽灵”法还是“智能计算器”法，你的汽车最终都会到达完全相同的位置，并具有完全相同的置信度。

然而，“智能计算器”（DSKF）在效率方面具有显著优势：

• 更低的思维负载： 由于无需存储和更新额外的“幽灵”变量，它占用的计算机内存更少。
• 更快的运算： 在许多场景下，它需要更少的计算步骤（算术运算）即可得出结果。

3. 构建“智能计算器”的两种方式

作者们不仅找到了一种实现方法，还展示了两种在数学上完全相同的构建“智能计算器”的方式：

• 前向时间版本： 它审视过去并将其投射到当前。这就像看着一张旧照片，想象自己如今的样子。
• 后向时间版本： 它审视当前并将其投射回过去。这就像看着你现在的脸，想象照片中你当时的模样。

这两个版本都完美有效，工程师可以根据其特定软件的需求选择任意一种。

4. 为何这很重要（根据论文所述）

在过去的 20 年里，许多人认为标准卡尔曼滤波器（大多数导航系统背后的引擎）在处理延迟测量时是“坏掉”的。他们曾认为唯一的解决方案是“克隆”状态（即添加幽灵）。

这篇论文纠正了这一误解。它指出：“标准引擎并没有坏；你只需要以不同的方式对其进行调校。”你无需为了处理延迟信息而增加额外的重量（克隆）。你只需要使用正确的数学公式（DSKF），使其能够自然地处理过去与现在之间的联系。

总结类比

想象你正在尝试拼凑一个拼图，其中需要昨天的一块碎片来完成今天的画面。

• 随机克隆会说：“把昨天的拼图碎片带到今天的房间里，把它贴在桌子上，然后一起解决整个问题。”（准确，但杂乱且占用桌面空间）。
• 延迟状态卡尔曼滤波会说：“不要移动那块碎片。只需使用一种特殊透镜，在不移动它的情况下，看清昨天的碎片如何契合今天的画面。”（准确、整洁，且节省桌面空间）。

该论文证明，“特殊透镜”法所呈现的完成画面，与“移动碎片”法完全一致，但其效率更高。