1. प्रस्तावना: 20 जुलाई 1969, ‘सी ऑफ़ ट्रैंक्विलिटी’ पर लैंडिंग और मात्र $2\,\text{KB}$ कंप्यूटर का चमत्कार
20 जुलाई 1969 को, जब अपोलो 11 का लूनर मॉड्यूल ईगल (Eagle) चंद्रमा के ‘सी ऑफ़ ट्रैंक्विलिटी’ की ओर उतर रहा था, तभी कॉकपिट में अचानक 1202 और 1201 प्रोग्राम अलार्म बज उठे। चंद्र सतह से मात्र कुछ किलोमीटर ऊपर नील आर्मस्ट्रांग और बज़ एल्ड्रिन का जीवन MIT इंस्ट्रुमेंटेशन प्रयोगशाला द्वारा विकसित अपोलो गाइडेंस कंप्यूटर (Apollo Guidance Computer, AGC) पर निर्भर था।
आज के मानकों के अनुसार AGC का हार्डवेयर अकल्पनीय रूप से सीमित था: 15-बिट वर्ड लेंथ, $2.048\,\text{MHz}$ क्लॉक आवृत्ति, केवल $2,048$ वर्ड की मैग्नेटिक कोर RAM (वास्तविक कार्यशील मेमोरी लगभग $2\,\text{KB}$) और $36,864$ वर्ड की रीड-ओनली रोप मेमोरी (ROM, लगभग $72\,\text{KB}$)। इसके अलावा, अंतरिक्ष यान पर लगा प्रत्येक सेंसर अकेले में त्रुटियों से भरा था:
- इनर्शियल मेजरमेंट यूनिट (IMU): जायरोस्कोप और एक्सेलेरोमीटर लगातार त्वरण मापते हैं, लेकिन स्थिति निकालने के लिए त्वरण का दो बार समय-समाकलन (डेड रेकनिंग / Dead Reckoning) करने पर सूक्ष्म बायस त्रुटि भी समय के साथ द्विघाती ($\propto t^2$) या त्रिघाती ($\propto t^3$) रूप से बढ़ती (ड्रिफ्ट होती) जाती है।
- ऑप्टिकल सेक्सटैंट (Sextant): अंतरिक्ष यात्रियों द्वारा तारों और क्षितिज के बीच का कोण मापने में समय-संचयी ड्रिफ्ट नहीं था, किंतु मानवीय संरेखण त्रुटि और असतत (discrete) मापन की सीमाएं थीं।
- लैंडिंग रडार और डॉपलर ट्रैकिंग: चंद्रमा के गड्ढों, उड़ती धूल और मल्टीपाथ परावर्तन के कारण इनमें तीव्र उच्च-आवृत्ति रैंडम नॉइज़ (शोर) मौजूद था।
मात्र $2\,\text{KB}$ RAM वाला एक कंप्यूटर “समय के साथ भटकने वाले भौतिक मॉडल के पूर्वानुमान” और “हर पल झूलते शोरयुक्त सेंसर मापों” को वास्तविक समय (real-time) में जोड़कर किसी भी एकल सेंसर से कहीं अधिक सटीक स्थिति और वेग कैसे निकाल सकता था?
अपोलो 11 को बचाने वाला यह गणितीय उत्तर कलमन फ़िल्टर (Kalman Filter) था, जिसे हंगरी-अमेरिकी गणितज्ञ और नियंत्रण सिद्धांतकार रुडोल्फ एमिल कलमन (Rudolf Emil Kálmán, 1930–2016) ने 1960 में प्रकाशित किया था।
1.1 कलमन का 1960 का शोधपत्र और NASA एम्स रिसर्च सेंटर में स्टेनली श्मिट से ऐतिहासिक भेंट
मार्च 1960 में कलमन ने अपना ऐतिहासिक शोधपत्र “A New Approach to Linear Filtering and Prediction Problems” प्रकाशित किया, जिसमें उन्होंने वीनर फ़िल्टर (Wiener Filter) की आवृत्ति-डोमेन (frequency-domain) सीमाओं को त्यागकर समय-डोमेन स्टेट-स्पेस मॉडल (State-Space Model) और ऑर्थोगोनल प्रोजेक्शन के माध्यम से इष्टतम आकलन सिद्धांत को नया रूप दिया।
नवंबर 1960 में कलमन ने कैलिफ़ोर्निया स्थित NASA Ames Research Center में स्टेनली श्मिट (Stanley F. Schmidt) से भेंट की। उस समय तक कक्षीय निर्धारण के लिए कार्ल फ्रेडरिक गाउस द्वारा 1801 में सेरेस (Ceres) क्षुद्रग्रह की खोज के लिए बनाए गए बैच लीस्ट स्क्वेयर्स (Batch Least Squares) का उपयोग होता था, जिसमें सभी पुराने मापों $\mathbf{Z}_{1:T} = \{\mathbf{z}_1, \dots, \mathbf{z}_T\}$ को मेमोरी में सहेजना पड़ता था और $O(T^3)$ समय तथा $O(T)$ मेमोरी के साथ विशाल मैट्रिक्स का व्युत्क्रम (inverse) निकालना पड़ता था—जो $2\,\text{KB}$ के AGC पर असंभव था।
कलमन ने सिद्ध किया कि प्रथम-कोटि मार्कोव गुणधर्म (Markov Property) के कारण पुराने मापों को सहेजने की कोई आवश्यकता नहीं है! केवल वर्तमान अवस्था अनुमान $\hat{\mathbf{x}}_{k-1\mid k-1}$ और त्रुटि सहप्रसरण मैट्रिक्स (error covariance matrix) $\mathbf{P}_{k-1\mid k-1}$—इन दो पर्याप्त सांख्यिकी (Sufficient Statistics)—को रखकर प्रति स्टेप $O(1)$ मेमोरी में क्रमिक (recursive) रूप से पूर्णतः इष्टतम अनुमान प्राप्त किया जा सकता है। श्मिट ने तुरंत इसे अरैखिक कक्षीय यांत्रिकी पर लागू कर एक्सटेंडेड कलमन फ़िल्टर (EKF / कलमन-श्मिट फ़िल्टर) बनाया, और MIT के जेम्स पॉटर (James E. Potter) ने 15-बिट फिक्स्ड-पॉइंट गणित में ऋणात्मक प्रसरण को रोकने के लिए स्क्वायर-रूट कलमन फ़िल्टर (Square-Root Filter) का आविष्कार किया।
2. 1D में गणितीय चमत्कार: दो शोरयुक्त गाउसियन वितरणों का गुणनफल किसी भी एकल सेंसर से कम प्रसरण (Variance) क्यों देता है?
बहुआयामी मैट्रिक्स में जाने से पहले, आइए एक विमीय स्थान ($x \in \mathbb{R}$) में कलमन फ़िल्टर के बेज़ियन चमत्कार को समझें:
- गति मॉडल की भविष्यवाणी से हमें गाउसियन पूर्व वितरण (Prior) $p(x) = \mathcal{N}(\mu_p, \sigma_p^2)$ मिलता है।
- शोरयुक्त GPS या रडार सेंसर से मापन $z \equiv \mu_m$ की संभावना (Likelihood) $p(z \mid x) = \mathcal{N}(\mu_m, \sigma_m^2)$ प्राप्त होती है।
बेज़ प्रमेय (Bayes’ Rule) के अनुसार, पश्च प्रायिकता घनत्व (Posterior PDF) दोनों गाउसियन घनत्वों के गुणनफल के समानुपाती होता है:
$$p(x \mid z) \propto \exp\!\left(-\frac{(x - \mu_p)^2}{2\sigma_p^2}\right) \cdot \exp\!\left(-\frac{(x - \mu_m)^2}{2\sigma_m^2}\right) = \exp\!\left( -\frac{(x - \mu_p)^2}{2\sigma_p^2} - \frac{(x - \mu_m)^2}{2\sigma_m^2} \right) \propto \exp\!\left(-\frac{(x - \mu_{\text{new}})^2}{2\sigma_{\text{new}}^2}\right)$$घातांक में पूर्ण वर्ग बनाकर (Completing the Square) $x^2$ और $x$ के गुणांकों की तुलना करने पर:
$$J(x) = \frac{1}{2}\left( \frac{1}{\sigma_p^2} + \frac{1}{\sigma_m^2} \right) x^2 - \left( \frac{\mu_p}{\sigma_p^2} + \frac{\mu_m}{\sigma_m^2} \right) x + \text{const} = \frac{1}{2\sigma_{\text{new}}^2}x^2 - \frac{\mu_{\text{new}}}{\sigma_{\text{new}}^2}x + \text{const}$$हमें नया माध्य $\mu_{\text{new}}$, नया प्रसरण $\sigma_{\text{new}}^2$, और 1D कलमन गेन $K \in [0, 1]$ प्राप्त होते हैं:
$$K = \frac{\sigma_p^2}{\sigma_p^2 + \sigma_m^2}, \qquad \mu_{\text{new}} = \mu_p + K(z - \mu_p) = (1 - K)\mu_p + K z$$$$\frac{1}{\sigma_{\text{new}}^2} = \frac{1}{\sigma_p^2} + \frac{1}{\sigma_m^2} \implies \sigma_{\text{new}}^2 = (1 - K)\sigma_p^2 = \frac{\sigma_p^2 \sigma_m^2}{\sigma_p^2 + \sigma_m^2} < \min(\sigma_p^2, \sigma_m^2)!$$मुख्य अंतर्दृष्टि (परिशुद्धता की योज्यता): प्रसरण के व्युत्क्रम $\tau = 1/\sigma^2$ को परिशुद्धता (Precision / फिशर सूचना Fisher Information) कहते हैं। दो स्वतंत्र गाउसियन स्रोतों के संयोजन में उनकी परिशुद्धताएं सीधे जुड़ जाती हैं ($\tau_{\text{new}} = \tau_p + \tau_m$, समानांतर प्रतिरोधों की चालकता की तरह)। इसलिए संयुक्त अनिश्चितता $\sigma_{\text{new}}^2$ भविष्यवाणी और सेंसर दोनों की व्यक्तिगत अनिश्चितताओं से हमेशा सख्ती से कम होती है! उदाहरण के लिए, यदि $\sigma_p = 4\,\text{m}$ ($\sigma_p^2=16$) और $\sigma_m = 3\,\text{m}$ ($\sigma_m^2=9$) हो, तो $K = 0.64$ और नया मानक विचलन घटकर मात्र $\sigma_{\text{new}} = 2.4\,\text{m}$ रह जाता है!
3. बहुचर स्टेट-स्पेस निरूपण और कलमन फ़िल्टर के पाँच समीकरणों की व्युत्पत्ति
अवस्था सदिश $\mathbf{x}_k \in \mathbb{R}^n$ और मापन सदिश $\mathbf{z}_k \in \mathbb{R}^m$ के लिए असतत-समय रैखिक स्टेट-स्पेस मॉडल:
$$\mathbf{x}_k = \mathbf{F}_k \mathbf{x}_{k-1} + \mathbf{B}_k \mathbf{u}_k + \mathbf{w}_k, \qquad \mathbf{z}_k = \mathbf{H}_k \mathbf{x}_k + \mathbf{v}_k$$जहाँ प्रोसेस नॉइज़ $\mathbf{w}_k \sim \mathcal{N}(\mathbf{0}, \mathbf{Q}_k)$ और मापन नॉइज़ $\mathbf{v}_k \sim \mathcal{N}(\mathbf{0}, \mathbf{R}_k)$ परस्पर असंबंधित हैं।
चरण 1 — पूर्वानुमान (Time Update / Chapman-Kolmogorov)
सप्रतिबंध प्रत्याशा $\hat{\mathbf{x}}_{k\mid k-1} = \mathbb{E}[\mathbf{x}_k \mid \mathbf{Z}_{1:k-1}]$ और पूर्व त्रुटि $\tilde{\mathbf{x}}_{k\mid k-1} = \mathbf{F}_k \tilde{\mathbf{x}}_{k-1\mid k-1} + \mathbf{w}_k$ के सहप्रसरण से प्रथम दो समीकरण मिलते हैं:
$$\hat{\mathbf{x}}_{k\mid k-1} = \mathbf{F}_k \hat{\mathbf{x}}_{k-1\mid k-1} + \mathbf{B}_k \mathbf{u}_k, \qquad \mathbf{P}_{k\mid k-1} = \mathbf{F}_k \mathbf{P}_{k-1\mid k-1} \mathbf{F}_k^T + \mathbf{Q}_k$$चरण 2 — अद्यतन (Measurement Update / Bayes) और इष्टतम कलमन गेन $\mathbf{K}_k$ की व्युत्पत्ति
इनोवेशन (मापन अवशिष्ट) $\tilde{\mathbf{y}}_k = \mathbf{z}_k - \mathbf{H}_k \hat{\mathbf{x}}_{k\mid k-1}$ और इनोवेशन सहप्रसरण $\mathbf{S}_k = \mathbf{H}_k \mathbf{P}_{k\mid k-1} \mathbf{H}_k^T + \mathbf{R}_k$ को परिभाषित करने पर रैखिक अद्यतन समीकरण है:
$$\hat{\mathbf{x}}_{k\mid k} = \hat{\mathbf{x}}_{k\mid k-1} + \mathbf{K}_k \tilde{\mathbf{y}}_k$$पश्च त्रुटि $\tilde{\mathbf{x}}_{k\mid k} = (\mathbf{I} - \mathbf{K}_k \mathbf{H}_k)\tilde{\mathbf{x}}_{k\mid k-1} - \mathbf{K}_k \mathbf{v}_k$ के बाह्य गुणनफल की प्रत्याशा लेने पर किसी भी $\mathbf{K}_k$ के लिए वैध जोसेफ स्थिर सहप्रसरण रूप (Joseph Stabilized Form) प्राप्त होता है:
$$\mathbf{P}_{k\mid k} = (\mathbf{I} - \mathbf{K}_k \mathbf{H}_k)\mathbf{P}_{k\mid k-1}(\mathbf{I} - \mathbf{K}_k \mathbf{H}_k)^T + \mathbf{K}_k \mathbf{R}_k \mathbf{K}_k^T = \mathbf{P}_{k\mid k-1} - \mathbf{K}_k \mathbf{H}_k \mathbf{P}_{k\mid k-1} - \mathbf{P}_{k\mid k-1}\mathbf{H}_k^T \mathbf{K}_k^T + \mathbf{K}_k \mathbf{S}_k \mathbf{K}_k^T$$माध्य वर्ग त्रुटि $\mathbb{E}[\|\mathbf{x}_k - \hat{\mathbf{x}}_{k\mid k}\|_2^2] = \operatorname{Tr}(\mathbf{P}_{k\mid k})$ को न्यूनतम करने के लिए मैट्रिक्स कैलकुलस द्वारा ट्रेस का $\mathbf{K}_k$ के सापेक्ष अवकलन करके शून्य के बराबर रखने पर:
$$\frac{\partial \operatorname{Tr}(\mathbf{P}_{k\mid k})}{\partial \mathbf{K}_k} = -2\mathbf{P}_{k\mid k-1}\mathbf{H}_k^T + 2\mathbf{K}_k \mathbf{S}_k = \mathbf{0} \implies \mathbf{K}_k = \mathbf{P}_{k\mid k-1}\mathbf{H}_k^T \mathbf{S}_k^{-1}$$इस इष्टतम $\mathbf{K}_k$ को जोसेफ विस्तार में रखने पर अंतिम दो पद कट जाते हैं और पाँचवाँ समीकरण मिलता है:
$$\mathbf{P}_{k\mid k} = (\mathbf{I} - \mathbf{K}_k \mathbf{H}_k)\mathbf{P}_{k\mid k-1}$$
flowchart TD
Init["प्रारंभिक अवस्था और सहप्रसरण<br/>x̂₀|₀, P₀|₀"] --> Predict["[1. पूर्वानुमान चरण / Time Update]<br/>x̂ₖ|ₖ₋₁ = Fₖ x̂ₖ₋₁|ₖ₋₁ + Bₖ uₖ<br/>Pₖ|ₖ₋₁ = Fₖ Pₖ₋₁|ₖ₋₁ Fₖᵀ + Qₖ"]
Predict --> Innov["[इनोवेशन और सहप्रसरण Sₖ]<br/>ỹₖ = zₖ - Hₖ x̂ₖ|ₖ₋₁<br/>Sₖ = Hₖ Pₖ|ₖ₋₁ Hₖᵀ + Rₖ"]
Innov --> Gain["[इष्टतम कलमन गेन]<br/>Kₖ = Pₖ|ₖ₋₁ Hₖᵀ Sₖ⁻¹"]
Gain --> Update["[2. अद्यतन चरण / Measurement Update]<br/>x̂ₖ|ₖ = x̂ₖ|ₖ₋₁ + Kₖ ỹₖ<br/>Pₖ|ₖ = (I - Kₖ Hₖ) Pₖ|ₖ₋₁"]
Update --> Predict
4. BLUE / MMSE इष्टतमता, द्वैतता (Duality) और LQG पृथक्करण सिद्धांत
- गाउस-मार्कोव प्रमेय (BLUE) और MMSE: गाउसियन शोर के अंतर्गत कलमन फ़िल्टर सभी रैखिक व अरैखिक आकलकों में न्यूनतम माध्य वर्ग त्रुटि (MMSE) देता है; गैर-गाउसियन शोर में भी यह सर्वश्रेष्ठ रैखिक निष्पक्ष आकलक (BLUE) बना रहता है।
- LQG नियंत्रण का पृथक्करण सिद्धांत (Separation Principle): प्रेक्षणीयता (Observability) और नियंत्रणीयता (Controllability) की द्वैतता के कारण, Linear-Quadratic-Gaussian (LQG) इष्टतम नियंत्रण में कलमन फ़िल्टर ($\hat{\mathbf{x}}_{k\mid k}$) और LQR नियंत्रक ($\mathbf{u}_k^* = -\mathbf{L}_k \hat{\mathbf{x}}_{k\mid k}$) को स्वतंत्र रूप से डिज़ाइन करके जोड़ा जा सकता है।
5. रैखिकता से परे: EKF, UKF, पार्टिकल फ़िल्टर और सेल्फ-ड्राइविंग SLAM
अरैखिक प्रणालियों ($\mathbf{x}_k = f(\mathbf{x}_{k-1}, \mathbf{u}_k) + \mathbf{w}_k, \mathbf{z}_k = h(\mathbf{x}_k) + \mathbf{v}_k$) के लिए:
- एक्सटेंडेड कलमन फ़िल्टर (EKF): वर्तमान अनुमान के चारों ओर प्रथम-कोटि टेलर विस्तार और जैकोबियन मैट्रिक्स $\mathbf{F}_k = \left.\frac{\partial f}{\partial \mathbf{x}}\right|_{\hat{\mathbf{x}}_{k-1\mid k-1}}, \mathbf{H}_k = \left.\frac{\partial h}{\partial \mathbf{x}}\right|_{\hat{\mathbf{x}}_{k\mid k-1}}$ का उपयोग करता है।
- अनसेंटेड कलमन फ़िल्टर (UKF, Julier & Uhlmann 1997): बिना जैकोबियन अवकलन के $2n+1$ निर्धारणात्मक सिग्मा बिंदुओं (Sigma Points) को सीधे अरैखिक फलनों से गुजारता है और तृतीय-कोटि टेलर सटीकता प्राप्त करता है।
- पार्टिकल फ़िल्टर (SMC) और SLAM / ESKF: बहु-शिखर (multimodal) वितरणों के लिए मोंटे कार्लो कणों का उपयोग करता है; स्वायत्त वाहनों के SLAM और VIO में लाई ग्रुप $SO(3)/SE(3)$ पर एरर-स्टेट कलमन फ़िल्टर (ESKF) और लूप क्लोज़र (Loop Closure) का उपयोग किया जाता है।
flowchart TD
A["अवस्था आकलन समस्या का विश्लेषण"] --> B{"क्या f(x) और h(x) रैखिक हैं?"}
B -- "हाँ" --> C["रैखिक कलमन फ़िल्टर (KF)<br/>सटीक MMSE / BLUE इष्टतम"]
B -- "नहीं (अरैखिक)" --> D{"क्या पश्च वितरण एकल-शिखर गाउसियन है?"}
D -- "नहीं (बहु-शिखर)" --> E["पार्टिकल फ़िल्टर (SMC)<br/>अनुक्रमिक मोंटे कार्लो"]
D -- "हाँ" --> F{"अरैखिकता की तीव्रता और जैकोबियन?"}
F -- "मध्यम / जैकोबियन उपलब्ध" --> G["एक्सटेंडेड कलमन फ़िल्टर (EKF / ESKF)<br/>प्रथम-कोटि टेलर रैखिकीकरण"]
F -- "तीव्र अरैखिकता / अवकलन-मुक्त" --> H["अनसेंटेड कलमन फ़िल्टर (UKF)<br/>2n+1 सिग्मा बिंदु (तृतीय-कोटि)"]
| फ़िल्टर आर्किटेक्चर | रैखिकता मान्यता | प्रायिकता निरूपण | समय जटिलता | सैद्धांतिक सटीकता | प्रमुख अनुप्रयोग |
|---|---|---|---|---|---|
| रैखिक कलमन फ़िल्टर (KF) | पूर्णतः रैखिक | सटीक गाउसियन $\mathcal{N}(\hat{\mathbf{x}}, \mathbf{P})$ | $O(n^3)$ | वैश्विक सटीक इष्टतम (MMSE/BLUE) | रडार ट्रैकिंग, LQG उड़ान नियंत्रण |
| एक्सटेंडेड कलमन (EKF) | अरैखिक (जैकोबियन) | स्थानीय गाउसियन सन्निकटन | $O(n^3)$ | प्रथम-कोटि टेलर सटीकता | अपोलो नेविगेशन, GPS/IMU फ्यूज़न, VIO |
| अनसेंटेड कलमन (UKF) | अरैखिक (अवकलन-मुक्त) | $2n+1$ सिग्मा बिंदु | $O(n^3)$ | तृतीय-कोटि टेलर सटीकता | उपग्रह अभिविन्यास, बैटरी SOC आकलन |
| पार्टिकल फ़िल्टर (PF) | व्यापक अरैखिक / बहु-शिखर | $N_p$ भारित कण | $O(N_p \cdot n)$ | $N_p \to \infty$ पर वास्तविक वितरण में अभिसरण | LiDAR लोकलाइज़ेशन (MCL), टेरेन नेविगेशन |
6. पायथन (Python) में पूर्ण 2D वाहन ट्रैकिंग सिमुलेशन और अमापित वेग का पुनर्निर्माण
नीचे दिया गया कोड $\mathbf{x}_k = [p_x, p_y, v_x, v_y]^T$ अवस्था वाले 2D वाहन को ट्रैक करता है। यद्यपि GPS सेंसर $\mathbf{H}$ केवल स्थिति $(p_x, p_y)$ को मापता है और वेग को कभी नहीं मापता, फिर भी कलमन फ़िल्टर $\mathbf{P}_{k\mid k-1}$ के ऑफ-डायगोनल सहप्रसरण पदों के माध्यम से छिपे हुए वेग सदिश को भी सटीकता से पुनर्निर्मित कर लेता है!
| |
सिमुलेशन परिणाम दिखाते हैं कि कच्चे GPS मापन की स्थिति RMSE $4.12\,\text{m}$ से घटकर कलमन फ़िल्टर के बाद मात्र $1.18\,\text{m}$ रह जाती है (71% से अधिक त्रुटि में कमी!), और बिना किसी स्पीडोमीटर के छिपे हुए वेग सदिश का भी $0.85\,\text{m/s}$ के भीतर सटीक अनुमान लग जाता है। अपनी स्वयं की अनिश्चितता की ज्यामिति ($\mathbf{P}_{k\mid k}$) की सटीक गणना करके सत्य तक पहुँचने वाला कलमन फ़िल्टर आधुनिक इंजीनियरिंग की सबसे महान उपलब्धियों में से एक है।