Теория нелинейной фильтрации

Теория нелинейной фильтрации — это раздел теории случайных процессов и статистической обработки сигналов, посвящённый методам оценивания состояния динамической системы по зашумлённым наблюдениям, когда либо модель эволюции системы, либо модель измерений, либо обе являются нелинейными. В отличие от линейной фильтрации (например, фильтра Калмана), теория нелинейной фильтрации не имеет универсального точного аналитического решения и требует применения приближённых, численных или асимптотических методов.

Основные понятия и постановка задачи

Модель системы и наблюдений

В общей постановке задача нелинейной фильтрации формулируется в рамках марковских процессов. Рассматривается скрытый (ненаблюдаемый) процесс \( x_t \), эволюция которого описывается стохастическим дифференциальным уравнением (в непрерывном времени) или разностным уравнением (в дискретном времени):

\[ x_{t+1} = f(x_t, u_t) + w_t, \]

где \( f \) — нелинейная функция, \( u_t \) — известное управляющее воздействие, \( w_t \) — шум процесса (обычно гауссовский белый шум с известной ковариацией). Наблюдения \( y_t \) связаны с состоянием через нелинейную функцию:

\[ y_t = h(x_t) + v_t, \]

где \( h \) — нелинейная функция, \( v_t \) — шум измерений.

Цель фильтрации — по последовательности наблюдений \( y_{1:t} = \{y_1, y_2, \dots, y_t\} \) получить оценку текущего состояния \( x_t \) (фильтрация), будущего состояния (прогноз) или прошлого состояния (сглаживание). В байесовском подходе это эквивалентно вычислению апостериорного распределения \( p(x_t | y_{1:t}) \).

Отличие от линейной фильтрации

В линейном гауссовском случае (фильтр Калмана) апостериорное распределение остаётся гауссовским, и его параметры (математическое ожидание и ковариация) вычисляются аналитически. В нелинейном случае даже при гауссовских шумах апостериорное распределение становится негауссовским, многомодальным или вырожденным. Это делает точное решение задачи, как правило, недостижимым.

Методы нелинейной фильтрации

Расширенный фильтр Калмана (Extended Kalman Filter, EKF)

Один из первых и наиболее распространённых приближённых методов. Идея заключается в линеаризации нелинейных функций \( f \) и \( h \) в окрестности текущей оценки с помощью разложения в ряд Тейлора первого порядка. После линеаризации применяется стандартный фильтр Калмана.

Достоинства: простота реализации, низкая вычислительная сложность. Недостатки: точность падает при сильной нелинейности; линеаризация может приводить к расходимости фильтра; не работает для многомодальных распределений.

Фильтр Калмана с использованием сигма-точек (Unscented Kalman Filter, UKF)

Предложен Джулиером и Ульманом в 1997 году. Вместо линеаризации используется детерминированное множество точек (сигма-точек), которые точно передают первые два момента (среднее и ковариацию) распределения. Эти точки пропускаются через нелинейные функции, после чего по ним восстанавливаются моменты преобразованного распределения.

Достоинства: более высокая точность по сравнению с EKF при той же вычислительной сложности; не требует вычисления производных. Недостатки: сохраняет гауссовское приближение, не пригоден для сильно негауссовских распределений.

Фильтр частиц (Particle Filter, PF)

Относится к классу методов Монте-Карло последовательной важности (Sequential Importance Sampling, SIS). Апостериорное распределение аппроксимируется набором взвешенных случайных частиц (выборок). На каждом шаге частицы предсказываются согласно модели процесса, затем их веса пересчитываются на основе правдоподобия наблюдений. Для предотвращения вырождения (когда большинство весов становятся близкими к нулю) применяется передискретизация (resampling).

Достоинства: способен аппроксимировать произвольные негауссовские и многомодальные распределения; теоретически сходится к истинному апостериорному распределению при увеличении числа частиц. Недостатки: высокая вычислительная стоимость; проблема вырождения; чувствительность к выбору функции предложения (importance density).

Фильтр на основе сеток (Grid-based filter)

Пространство состояний дискретизируется по фиксированной или адаптивной сетке. Апостериорное распределение представляется в виде гистограммы по узлам сетки. Применяется для задач с малой размерностью пространства состояний (обычно до 3–4), так как число узлов растёт экспоненциально с размерностью.

Аналитические приближения

Включают методы, основанные на разложении апостериорного распределения в ряд (например, грам-шарлье), методы ассимптотической фильтрации (для слабых шумов или малой нелинейности), а также фильтры на основе гауссовских сумм (Gaussian Sum Filter, GSF), где распределение представляется в виде взвешенной суммы гауссовских компонент.

Применение

Навигация и управление

Нелинейная фильтрация широко используется в задачах навигации, особенно при интеграции инерциальных навигационных систем (ИНС) и спутниковых систем (GPS/ГЛОНАСС). Модели движения летательных аппаратов, подводных лодок и наземных транспортных средств часто нелинейны, а измерения содержат нелинейные зависимости (например, углы, дальности). Фильтры частиц и UKF применяются в системах автономного управления беспилотными летательными аппаратами (БПЛА).

Обработка сигналов и изображений

В радиолокации и гидроакустике нелинейная фильтрация используется для сопровождения целей по измерениям дальности, угла и доплеровской скорости. В обработке изображений — для отслеживания объектов (визуальное слежение) на основе нелинейных моделей движения и наблюдения.

Финансовая математика

В задачах оценки волатильности, ценообразования опционов и калибровки моделей стохастической волатильности (например, модель Хестона) применяются методы нелинейной фильтрации, включая фильтры частиц и расширенные фильтры Калмана.

Биоинженерия и нейронауки

Нелинейная фильтрация используется для оценки скрытых нейрональных состояний по записям электрической активности мозга (ЭЭГ, МЭГ), для декодирования моторных команд в интерфейсах мозг-компьютер, а также для анализа динамики физиологических систем (например, сердечно-сосудистой).

Робототехника

В задачах одновременной локализации и построения карты (SLAM) нелинейная фильтрация (особенно фильтры частиц, например, FastSLAM) является ключевым инструментом. Робот оценивает своё положение и карту окружающей среды по нелинейным измерениям (лазерные дальномеры, камеры).

Ограничения и вызовы

Проклятие размерности

Большинство методов нелинейной фильтрации (особенно фильтры частиц и сеточные методы) страдают от экспоненциального роста вычислительной сложности с увеличением размерности пространства состояний. Для высокоразмерных систем (десятки и сотни измерений) классические подходы становятся неэффективными.

Вырождение частиц

В фильтрах частиц со временем веса большинства частиц становятся пренебрежимо малыми, что приводит к вырождению — эффективное число частиц резко падает. Передискретизация частично решает проблему, но вносит дополнительную дисперсию.

Негауссовость и многомодальность

Хотя фильтры частиц теоретически способны аппроксимировать любые распределения, на практике при сильной многомодальности или наличии выбросов (outliers) требуется очень большое число частиц для адекватной аппроксимации.

Выбор модели

Результаты нелинейной фильтрации сильно зависят от точности моделей процесса и наблюдений. Неправильная спецификация модели (например, неверный тип шума или неучтённая нелинейность) может привести к несостоятельности оценок.

Развитие и современные направления

Адаптивные и робастные методы

Разрабатываются методы, автоматически подстраивающие параметры фильтра (например, ковариации шумов) в процессе работы, а также робастные версии, устойчивые к выбросам и сбоям в измерениях.

Методы на основе машинного обучения

Нейронные сети и методы глубокого обучения начинают применяться для аппроксимации апостериорных распределений, обучения моделей переходов и наблюдений, а также для построения эффективных функций предложения в фильтрах частиц (например, обученные фильтры частиц, learned particle filters).

Многосеточные и иерархические методы

Для снижения вычислительной сложности в высокоразмерных задачах используются многосеточные подходы, разреженные сетки и методы на основе тензорных разложений.

Связь с оптимальным управлением

Нелинейная фильтрация тесно связана с задачами стохастического оптимального управления (например, в рамках теории разделения). Современные исследования направлены на совместное решение задач фильтрации и управления в условиях нелинейности и неопределённости.

Источники

1. Jazwinski, A. H. (1970). Stochastic Processes and Filtering Theory. Academic Press.
2. Doucet, A., de Freitas, N., & Gordon, N. (Eds.). (2001). Sequential Monte Carlo Methods in Practice. Springer.
3. Julier, S. J., & Uhlmann, J. K. (1997). "A new extension of the Kalman filter to nonlinear systems". Proceedings of SPIE, 3068, 182–193.
4. Arulampalam, M. S., Maskell, S., Gordon, N., & Clapp, T. (2002). "A tutorial on particle filters for online nonlinear/non-Gaussian Bayesian tracking". IEEE Transactions on Signal Processing, 50(2), 174–188.
5. Сосулин, Ю. Г. (2000). Теоретические основы радиолокации и радионавигации. Радио и связь.
6. Тихонов, В. И., & Кульман, Н. К. (1985). Нелинейная фильтрация и квазикогерентный приём сигналов. Советское радио.