نهج جديد لمسائل الترشيح الخطي والتنبُّؤ

قبل كالمن، كانت الطريقة المرجعية لترشيح الإشارات المُشوَّشة هي مرشّح وينر الذي ظهر في أربعينيات القرن الماضي. فكرته تقوم على العمل في مجال التردد: يُحلّل الإشارة إلى مُركّبات ترددية، ويفصل ما ينتمي إلى الإشارة الأصلية عمّا هو ضوضاء، ثم يحتفظ بالإشارة فقط.

ينجح هذا الأسلوب حين تكون الخصائص الإحصائية للإشارة ثابتة عبر الزمن وحين يتوفّر سجلّها الكامل. لكن الأنظمة الواقعية — مركبة فضائية تُغيّر مدارها، صاروخ يتسارع، اقتصاد ينتقل بين أنظمة مختلفة — تكسر هذين الشرطين. وفوق ذلك، مرشّح وينر يُعالج الإشارة كاملةً دفعة واحدة ولا يقدر على التحديث لحظة بلحظة مع وصول بيانات جديدة.

ما كان يحتاجه المهندسون هو مرشّح يعمل في المجال الزمني، ويتعامل مع أنظمة تتغيّر خصائصها الإحصائية، ويُحدَّث تكرارياً قياساً بقياس، ويتوسّع بسهولة إلى أبعاد متعددة.

الفكرة الجوهرية عند كالمن كانت تغيير طريقة التفكير بالمسألة بالكامل. بدلاً من تحليل الترددات كما فعل وينر، صاغ كالمن المسألة في فضاء الحالة: السؤال لم يَعُد «ما المُركّبات الترددية لهذه الإشارة؟» بل أصبح «ما الحالة المخفية للنظام الذي أنتج هذا القياس المُشوَّش؟»

الفكرة في جوهرها بسيطة: العالَم الحقيقي له حالة داخلية (موضع، سرعة، درجة حرارة…) لا نستطيع قياسها مباشرةً، وإنما نرصدها من خلال مستشعرات مُشوَّشة. بين كل قياسين تتطوّر هذه الحالة وفق قوانين فيزيائية معروفة أو وفق نموذج رياضي. وكلٌّ من التطوّر والقياس تعتريه ضوضاء عشوائية.

معادلتان فقط تصفان هذا العالَم:

تصوّر الأمر وكأن العالَم يتكوّن من طبقتين: طبقة مخفية هي الحالة الحقيقية التي تتطوّر وفق الفيزياء مع قدر من العشوائية، وطبقة مرصودة هي ما يُبلّغنا عنه المستشعر — رؤية مُشوَّشة وقد تكون ناقصة. وظيفة مرشّح كالمن هي استدلال الطبقة المخفية من الطبقة المرصودة بأفضل طريقة ممكنة.

مرشّح كالمن يعمل كحلقة بسيطة تتكرر مع كل قياس جديد، وفيها خطوتان فقط:

الخطوة 1 — التنبُّؤ. خذ النموذج الفيزيائي واستعمله لتُسقط تقدير الحالة الحالي وعدم اليقين المرافق له خطوة إلى الأمام في الزمن. ما تحصل عليه الآن هو تقدير مُسبق — أفضل تخمين لديك قبل أن تصلك أي بيانات جديدة. تخيّل بحّاراً يحسب موقعه من البوصلة فقط: «بناءً على اتجاهي وسرعتي، يُفترض أنني هنا.»

الخطوة 2 — التحديث. عندما يصل القياس الجديد، احسب كسب كالمن — وهو معامل يُحدّد كم تثق بالقياس مقارنةً بالتنبُّؤ. ادمج الاثنين بالنسبة المناسبة، ثم قلِّص عدم اليقين: لأنك الآن تملك معلومات أكثر ممّا كنت تملكه قبل القياس.

النقطة المفتاحية هنا أن التنبؤ والقياس كلاهما يحمل قدراً من عدم اليقين، والمرشّح يوازن بينهما بالشكل الأمثل. حين يكون النموذج واثقاً والمستشعر مُشوَّشاً، يميل المرشّح نحو النموذج. وحين يكون المستشعر دقيقاً والنموذج غير متيقّن، يميل نحو المستشعر. كسب كالمن هو الآلية التي تجد نقطة التوازن المثلى تلقائياً.

كل ما في مرشّح كالمن يتلخّص في خمس معادلات، موزّعة بين مرحلتي التنبؤ والتحديث. كل معادلة تؤدي دوراً محدداً — لا شيء هنا للزينة.

كسب كالمن $K$ هو مصفوفة تجيب عن سؤال واحد: «بأيّ مقدار أُصحّح تنبُّؤي؟» تخيّله قرصاً يدور بين حالتين متطرفتين:

• $K \to 0$: تجاهل القياس كلياً — «نموذجي ممتاز والمستشعر لا يُعتمد عليه.»
• $K \to I$: تجاهل التنبؤ كلياً — «نموذجي لا يعرف شيئاً، المستشعر هو المرجع الوحيد.»

في الواقع لا يبلغ $K$ أياً من الحدّين، بل يقع في منطقة وسطى ويتعدّل تلقائياً في كل خطوة زمنية وفقاً لعدم اليقين النسبي. في المراحل الأولى حين يكون تقديرك خشناً، يكون $K$ كبيراً لأن كل قياس يحمل معلومات كثيرة. ومع تراكم القياسات وتحسُّن التقدير، يتقلّص $K$ تدريجياً — فأنت تعرف تقريباً أين أنت، وقراءة مُشوَّشة واحدة لن تُحرّك تقديرك كثيراً.

التوزيع الغاوسي (أي التوزيع الطبيعي) يُحدَّد بالكامل بكمّيتين فقط: المتوسط (أين يقع المركز؟) والتغاير (ما مدى الانتشار حول هذا المركز؟). ومرشّح كالمن يستثمر خاصية رياضية بالغة الأهمية: حين تضرب توزيعين غاوسيين ببعضهما تحصل على توزيع غاوسي ثالث. النتيجة العملية: مزج تنبؤ غاوسي مع قياس غاوسي يُنتج توزيعاً غاوسياً جديداً، ويمكن حساب متوسطه وتغايره بصيغة مغلقة بجبر مصفوفات مباشر.

هذا هو سرّ أناقة المرشّح: لا يحتاج أبداً إلى تخزين توزيع احتمالي كامل. يكفي أن تحمل معك كمّيتين — المتوسط والتغاير — تُسقطهما إلى الأمام ثم تُحدّثهما عند كل قياس. بهذه الطريقة يُضغط كامل تاريخ القياسات السابقة في التقدير الحالي وعدم اليقين المرافق له. لذلك يُقال إن المرشّح تكراري: ذاكرته ثابتة في كل خطوة بغضّ النظر عن عدد القياسات التي مرّت عليه.

لنأخذ مثالاً بسيطاً: كرة تتحرك في بُعد واحد. الحالة هنا هي $[\text{الموضع},\, \text{السرعة}]^T$. بين كل قياسين تتحرك الكرة وفق $\text{الموضع}_{\text{الجديد}} = \text{الموضع} + \text{السرعة} \times \Delta t$. والمستشعر المتاح يقيس الموضع فقط — لا السرعة — مع قدر من الضوضاء.

في العرض التفاعلي أدناه: النقاط الحمراء هي قراءات المستشعر المُشوَّشة، والخط الأزرق هو تقدير مرشّح كالمن. لاحظ أن الخط الأزرق أنعم بكثير من النقاط الحمراء وأقرب إلى المسار الحقيقي (الأخضر) — وهذا الفرق يظهر بوضوح أكبر كلما زادت ضوضاء المستشعر.

ما فعله كالمن لم يكن تحسيناً تدريجياً لمرشّح وينر — بل كان تغييراً جذرياً في طريقة التفكير بالمسألة:

• المجال: وينر يعمل في مجال التردد، بينما كالمن يعمل في المجال الزمني، وهذا يتيح التعامل مع الأنظمة المتغيّرة زمنياً بطبيعة الحال.
• الذاكرة: وينر يحتاج تاريخ الإشارة بالكامل. كالمن لا يحتاج سوى التقدير الحالي ومصفوفة التغاير — ذاكرة ثابتة لا تنمو.
• التكرارية: وينر يُعالج الإشارة دفعة واحدة. كالمن يُحدّث قياساً بقياس، وهذا ما يجعله مناسباً للأنظمة التي تعمل لحظياً.
• تعدد الأبعاد: وينر يصعب توسيعه لعدة متغيرات مترابطة. كالمن يتعامل مع أي عدد من الأبعاد عبر جبر المصفوفات.
• الأمثلية: كلاهما أمثل في إطاره، لكن إطار كالمن (فضاء الحالة والتكرارية) أنسب بمراحل للتطبيقات الهندسية الحقيقية.

من أهمّ ما يُميّز مرشّح كالمن أنه لا يُعطيك تقديراً فقط، بل يُرفقه بـمؤشر لمدى ثقتك فيه. مصفوفة التغاير $P$ تُخبرك تحديداً بمقدار عدم اليقين في كل بُعد من أبعاد الحالة.

في خطوة التنبؤ يكبر $P$ — لأنك تبتعد عن آخر قياس فعلي وتعتمد على نموذج غير مثالي. وفي خطوة التحديث يتقلّص $P$ — لأن القياس الجديد أضاف معلومات. مع مرور الوقت يتقارب $P$ نحو قيمة مستقرة تعكس التوازن الأساسي بين ضوضاء العملية وضوضاء القياس.

هذا «الوعي الذاتي» هو ما يجعل مرشّح كالمن أقوى بكثير من أساليب بسيطة كالمتوسط المتحرك أو التنعيم الأُسِّي: تلك تُعطيك تقديراً لكن دون أي مقياس لمدى موثوقيته.

أثر مرشّح كالمن يمتدّ أبعد من أي تطبيق واحد. صياغته في فضاء الحالة غدت اللغة المشتركة لنظرية التحكم الحديثة ومعالجة الإشارات والروبوتات. كلما احتاج نظام إلى تقدير كمّية لا يمكن رصدها مباشرةً — سواء كان مسار صاروخ أو الحالة الداخلية لاقتصاد — فإن إطار كالمن هو نقطة الانطلاق الطبيعية.

مرشّح كالمن الأصلي مبنيّ على فرضيتين: أن النظام خطي وأن الضوضاء غاوسية. في الواقع، كثير من الأنظمة تنتهك إحدى الفرضيتين أو كلتيهما. لذلك طوّر المهندسون على مرّ العقود عائلة كاملة من الامتدادات:

• مرشّح كالمن الممتد (EKF): يُقرّب النظام اللاخطي بتمديد تايلور من الدرجة الأولى حول التقدير الحالي. هو الأكثر شيوعاً ويُستخدم في معظم أجهزة GPS وملاحة المركبات الفضائية. بسيط لكنه قد يفشل حين تكون اللاخطية حادة.
• مرشّح كالمن غير المُقاد (UKF): بدلاً من التقريب الخطي، يختار مجموعة صغيرة من «نقاط سيغما» تُمثّل المتوسط والتغاير، ويُمرّرها عبر الدالة اللاخطية الفعلية، ثم يحسب الإحصاءات من النتائج. أكثر دقة من EKF في الأنظمة شديدة اللاخطية.
• مرشّحات الجسيمات: تتخلّى عن فرضية الغاوسية تماماً. تُمثّل التوزيع الاحتمالي بسحابة من العيّنات المُوزَّنة (الجسيمات). قادرة على التعامل مع أي شكل من اللاخطية وأي نوع من الضوضاء، لكن بتكلفة حسابية أعلى بكثير.

كل امتداد يأتي بمقايضة بين الدقة والكلفة الحسابية. ومرشّح كالمن الخطي الأصلي يظل الخيار الأفضل كلما صحّت فرضيتا الخطية والغاوسية — وهذا يحصل في التطبيقات العملية أكثر ممّا قد تتوقع.