چرخه پیش‌بینی-به‌روزرسانی فیلتر کالمن چگونه خطای تخمین وضعیت را در سری‌های زمانی به حداقل می‌رساند

یک رایانه ناوبری خودران در واقع نمی‌داند وسیله نقلیه‌اش کجاست؛ تنها می‌داند که مدل ریاضیاتی‌اش چه مکانی را پیش‌بینی کرده و حسگرهای نویزدارش در حال حاضر چه چیزی را گزارش می‌دهند. در هر گام زمانی، سیستم باید تصمیم بگیرد که چقدر به مدل فیزیک داخلی خود در برابر داده‌های خارجی رسیده از دنیای واقعی اعتماد کند. این داوری پیوسته توسط فیلتر کالمن هدایت می‌شود؛ یک الگوریتم بازگشتی که با محاسبه نقطه میانی و بهینه ریاضی بین یک پیش‌بینی ناقص و یک اندازه‌گیری ناقص، خطا را به حداقل می‌رساند.[6][7]

مستندات شرکت مت‌ورکس (MathWorks) اشاره می‌کند که «الگوریتم این فیلتر یک فرآیند دو مرحله‌ای است: مرحله اول وضعیت سیستم را پیش‌بینی می‌کند و مرحله دوم از اندازه‌گیری‌های نویزدار برای اصلاح تخمین وضعیت سیستم بهره می‌برد.» در فاز پیش‌بینی، فیلتر از یک مدل انتقال وضعیت (قوانین فیزیکی شناخته‌شده حاکم بر سیستم مانند سرعت و شتاب) استفاده می‌کند تا وضعیت فعلی را در زمان به جلو تصویر کند. از آنجا که مدل‌های فیزیکی نمی‌توانند تمام متغیرهای خارجی را در نظر بگیرند، این پیش‌بینی «نویز فرآیند» را وارد سیستم می‌کند؛ به این معنی که عدم قطعیت تخمین در این فاز قطعاً افزایش می‌یابد.[7][8]

فاز به‌روزرسانی، داده‌های تجربی را وارد کار می‌کند. سیستم خوانش‌های خود را از حسگرها دریافت می‌کند که به دلیل محدودیت‌های سخت‌افزاری یا تداخلات محیطی، ذاتاً دارای نویز اندازه‌گیری هستند. سپس فیلتر «بهره کالمن» (Kalman Gain) را محاسبه می‌کند؛ یک ضریب وزن‌دهی پویا که تعیین می‌کند پیش‌بینی یا اندازه‌گیری، کدام‌یک از نظر ریاضیاتی قابل‌اعتمادتر است. به گفته وب‌سایت KalmanFilter.net، «فیلتر کالمن الگوریتمی برای تخمین و پیش‌بینی وضعیت یک سیستم در حضور عدم قطعیت، مانند نویز اندازه‌گیری یا تأثیرات عوامل خارجی ناشناخته است.»[8][9]

اگر داده‌های حسگر واریانس بالایی داشته باشند که نشان‌دهنده عدم قطعیت بالاست، بهره کالمن وزن را به سمت پیش‌بینی داخلی سوق می‌دهد. برعکس، اگر مدل فیزیکی دچار انحراف شده و عدم قطعیت بالایی انباشته باشد، بهره کالمن وزن را به سمت اندازه‌گیری جدید حسگر تغییر می‌دهد. فیلتر با ضرب کردن تفاوت بین پیش‌بینی و اندازه‌گیری در این بهره بهینه، یک تخمین وضعیت پسین (Posterior) را محاسبه می‌کند. تخمین وضعیت اغلب به‌صورت یک بردار چندبعدی نمایش داده می‌شود؛ برای مثال، یک بردار ستونی ۴ در ۱ که موقعیت و سرعت را در دو بعد ردیابی می‌کند و با یک ماتریس کوواریانس ۴ در ۴ برای ردیابی عدم قطعیت همراه است.[6][9]

قدرت ریاضیاتی این چرخه در تأثیر آن بر عدم قطعیت کلی سیستم نهفته است. از آنجا که فیلتر دو منبع اطلاعاتی مستقل را با هم ترکیب می‌کند، از نظر ریاضی تضمین می‌شود که واریانس تخمینِ به‌روزرسانی‌شده، کمتر از واریانس پیش‌بینی یا اندازه‌گیری به‌تنهایی باشد. در یک کاربرد استاندارد یک‌بعدی، واریانس به‌روزرسانی‌شده به‌عنوان معکوسِ مجموعِ معکوس‌های واریانس پیشین و واریانس اندازه‌گیری محاسبه می‌شود. ماتریس عدم قطعیت کوچک‌تر شده و سیستم به وضعیت تخمینی خود مطمئن‌تر می‌شود.[6][8]

این ویژگیِ به حداقل رساندن واریانس، برای نخستین بار توسط رودولف ای. کالمن (Rudolf E. Kálmán) در یک مقاله تأثیرگذار ۳۵ صفحه‌ای در سال ۱۹۶۰ در نشریه Journal of Basic Engineering منتشر شد. این الگوریتم که در ابتدا برای کاربردهای هوافضا توسعه یافته بود، روشی از نظر محاسباتی کارآمد برای تخمین وضعیت داخلی سیستم‌های دینامیکی خطی ارائه داد که تنها از اندازه‌گیری‌های ورودی فعلی و وضعیت محاسبه‌شده قبلی استفاده می‌کرد و نیازی به ذخیره‌سازی داده‌های تاریخی نداشت.[1][6]

امروزه، این الگوریتم بسیار فراتر از مسیرهای خطی هوافضا گسترش یافته است. در هواشناسی، همان‌طور که در مطالعه سال ۲۰۰۱ انجمن هواشناسی آمریکا (American Meteorological Society) به تفصیل بیان شده، فیلترهای کالمن با مرتبه کاهش‌یافته برای تخمین وضعیت‌های جوی به کار می‌روند و مشاهدات ماهواره‌ای را با مدل‌های عظیم دینامیک سیالات ترکیب می‌کنند تا الگوهای آب‌وهوایی را پیش‌بینی کنند. در رباتیک صنعتی، نظریه تخمین مقاوم با فیلتر کالمن ترکیب می‌شود تا اطلاعات چندمنبعی را در سیستم‌های به‌شدت غیرخطی ادغام کند و به ماشین‌های خودران اجازه دهد در محیط‌های غیرقابل‌پیش‌بینی کارخانه‌ها مسیریابی کنند.[2][3]

با وجود کاربرد گسترده، فیلتر کالمن استاندارد تنها تحت شرایط ریاضی خاصی کاملاً بهینه است. سیستم باید خطی باشد و هم نویز فرآیند و هم نویز اندازه‌گیری باید از یک توزیع گاوسی (نرمال) بی‌نقص پیروی کنند. زمانی که این شرایط نقض می‌شوند، مهندسان باید از نسخه‌های تغییریافته‌ای مانند «فیلتر کالمن توسعه‌یافته» (Extended Kalman Filter) که مدل‌های غیرخطی را از طریق معادلات دیفرانسیل خطی می‌کند، یا «فیلتر کالمن بی‌اثر» (Unscented Kalman Filter) که از نمونه‌برداری قطعی برای تقریب توزیع احتمال استفاده می‌کند، بهره ببرند.[5][6]

اتکای این فیلتر به ماتریس‌های دقیق کوواریانس نویز، همچنان آسیب‌پذیری اصلی آن محسوب می‌شود. اگر یک مهندس نویز ذاتی یک حسگر را ضعیف تخمین بزند - برای مثال، نتواند محاسبه کند که دماسنجی با نوسان متوسط ۰٫۸ درجه، واریانسی برابر با ۰٫۶۴ تولید می‌کند - بهره کالمن وزن‌های نادرستی را اختصاص خواهد داد. این امر باعث می‌شود فیلتر به داده‌های ناقص اعتماد کرده و از وضعیت واقعی منحرف شود. این الگوریتم تنها در صورتی می‌تواند خطا را به حداقل برساند که مرزهای آن خطا به‌دقت تعریف شده باشند.[4][8]

با چرخش مداوم بین پیش‌بینی آینده و اصلاح آن پیش‌بینی‌ها با واقعیت تجربی، این الگوریتم تضمین می‌کند که خطاهای اجتناب‌ناپذیر ریاضیات و سخت‌افزار از نظر ریاضی محدود شوند. سیستم تخمین پسین خود را نهایی می‌کند، ماتریس کوواریانس خود را به‌روزرسانی کرده و بلافاصله آن مقادیر را به مدل بازمی‌گرداند تا چرخه پیش‌بینی بعدی را آغاز کند.[6][8]