El filtro de Kalman

Jos Antonio Camarena Ibarrola

Que es un Filtro de Kalman?

Es un algoritmo recursivo ptimo de procesamiento de datos Hay muchas formas de definir ptimo El filtro de Kalman es ptimo respecto a casi cualquier criterio que tenga sentido El filtro de Kalman toma en cuenta toda la informacin que se tenga. Procesa todas las mediciones sin importar su precisin para estimar el valor de las variables de interes Hace uso de: 1. Conocimiento del sistema y de la dinmica de los instrumentos de medicin, 2. La descripcin estadstica de los errores de medicin y de la incertidumbre de los modelos dinmicos. 3. Cualquier informacin disponible de las condiciones inicialaes de las variables de inters

Ejemplo
Para determinar la velocidad de una aeronave podramos deisear un filtro de Kalman que tomara en cuenta: 1. Un radar de efecto Doppler 2. Velocmetro de navegacin inercial 3. La presin esttica 4. Viento relativo 5. Lo que diga el piloto

Filtro recursivo?
Es recursivo porque no requiere almacenar todos los datos previos y reprocesarlos cada vez que llega una nueva informacin Es un filtro en el sentido de que es un programa que trabaja con muestras tomadas en tiempo discreto en lugar de entradas en tiempo continuo

Uso del filtro de Kalman

Las variables de inters usadas para describir el estado del sistema no se pueden medir directamente y se deben estimar a partir de la informacin disponible

Por qu necesitamos al filtro de Kalman?

Los sistemas estn normalmente controlados por mas variables que las que el diseador de los sistemas proveen como variables de control La relacin entre las variables de estado y las variables que se miden se conoce solo con cierto grado de incertidumbre Las mediciones son corrompidas en cierto grado con ruido, desviaciones e imprecisiones de dispositivos Las diferentes dinmicas de los diferentes instrumentos de medicin utilizados se pueden confundir con la dinmica del sistema El filtro de Kalman produce una estimacin ptima estadsticamente Toma en cuenta todos las mediciones mas la informacin a priori que se tenga del sistema y de los dispositivos de medicin

Enfoque Bayesiano
El filtro debe propagar la densidad de probabilidad condicional de las cantidades deseadas condicionado al conocimiento de los datos que provienen de los dispositivos de medicin. Considere la densidad de probabilidad condicional del valor de una variable x en un instante i (x(i)), condicionada al conocimiento de que una variable medida en el instante 1 (z(1)) tom el valor z1 y al medirla en el instante 2 (z(2)) tom el valor z2, etc.
Por ejemplo x(i) pudiera ser la posicin de un vehculo en una sola dimensin en el instante i y z(j) pudiera ser la posicin del vehculo en dos dimensiones reportada por dos radares separados en el instante j

 La densidad condicional contiene toda la informacin disponible acerca de x(i). Indica la probabilidad de x(i) de asumir cualquier valor especfico , para el valor dado de todas las mediciones tomadas hasta el instante i . Es condicional porque el valor reportado depende de todas las mediciones tomadas Si fuera un pico tendramos certeza del valor de x(i)

La densidad condicional

Restricciones
Un filtro de Kalman realiza la propagacin de la densidad de probabilidad para problemas en las que el sistema puede ser descrito mediante un modelo lineal y los ruidos en las mediciones son gaussianos Bajo estas restricciones, el filtro de Kalman es ptimo Al hacer la propagacin podemos utilizar la media, la mediana o la moda En la distribucin gaussiana estas 3 medidas coinciden Si se elimina la presuncin de gaussianidad, el filtro de Kalman es un filtro con el menor error de la clase de filtros no-sesgados Para muchas aplicaciones las restricciones se cumplen

 Un modelo lineal. Se puede ajustar a lineal cuando hay nolinealidades. Los sistemas lineales son muy deseables pues hay muchas herramientas y teora mas completa y prctica Ruido blanco significa que no tiene correlacin con el tiempo (en nada ayuda conocer el tiempo en la prediccin del valor del ruido) Al considerar que el ruido es blanco se vuelve tratable el problema, de todos modos al sistema le da lo mismo el ruido blanco que el ruido de ancho de banda amplia para el ancho de banda al que responde el sistema

Presunciones bsicas

Presunciones bsicas
Una distribucin gaussiana queda determinada solo con los primeros dos momentos de la distribucin los cuales son fciles de averiguar normalmente Las tres presunciones juntas convierten el problema en tratable

Ejemplo
Suponga que no tiene idea de su posicin en el mar Localiza una estrella en el cielo para tratar de ubicarse Suponga por simplicidad que el sistema es de una sola dimensin En el instante t1, determinas que tu posicin es z1 Debido a las imprecisiones inherentes la posicin es incierta Supongamos que decides que tu precisin es tal que la desviacin estndar es z1 Entonces podemos establecer que la probabilidad condicional de , x(t1 ) condicionada al valor observado de la medicin es z1

 Hasta este momento la mejor estimacin de la posicin es x(t1 ) z1 2 y la varianza es x (t1 ) z2 1 Enseguida, un marino con mas experiencia toma otra medicin en el instante t2 muy poco despus de t1 de manera que la posicin real no ha cambiado y obtiene z2 con varianza z menor puesto que es mas experimentado
2

Ejemplo (cont)

Actualizando la distribucin

Y la mejor estimacin es:

x(t2 )
Observe que

z z

Estructura predictor-corrector del filtro de Kalman

Puede reescribirse como:

donde:

La mejor estimacin en el instante t2 es igual a la mejor prediccin antes de que llegara z2 mas un trmino de correccin formado por un factor de peso optimizado que pondera la diferencia entre z2 y la mejor prediccin que haba antes de la llegada de z2

Estructura predictor-corrector del filtro de Kalman

Basada en toda la informacin previa hacemos una prediccin del valor que las variables deseadas tendrn la prxima vez que se haga la medicin Cuando la siguiente medicin se hace, la diferencia entre esta y la prediccin se usa para corregir la prediccin de las variables deseadas La varianza tambin puede reescribirse como:

x(t2 ) y x2 (t2 ) encierran toda la Observe que

f x (t2 )| z (t1 ), z (t2 ) ( x | z1 , z2 ) informacin de Propagando estas dos variables, la densidad condicional de tu posicin en el instante t2 dados z1 y z2 queda completamente especificada

Incorporando dinmica
Suponga que viaja por algn tiempo antes de tomar otra medicin Asuma que el modelo del movimiento tiene la forma dx/dt=u+w donde u es la velocidad y w es ruido que representa incertidumbre sobre la velocidad real debida a disturbios y condiciones no controlables Asuma que w se modela mediante una gaussiana 2 con media cero y varianza w

Propagacin de la densidad condicional

A medida que el tiempo avanza, la densidad condicional viaja a lo largo del eje x a la velocidad u mientras que se ensancha alrededor de su media debido a la constante adicin de incertidumbre

Primero la prediccin
t3 , justo antes de que se tome la medicin en t3 En el instante la densidad f x (t3 )| z (t1 ), z (t2 ) ( x | z1 , z2 )

es una gaussiana con media y varianza dadas por:

x(t3 ) es la prediccin ptima del valor que tendr x en t3

2 x (t3 )

es la incertidumbre de la prediccin

Y luego la correccin
Ahora se toma una medicin y es z3 y su varianza se asume es z23 Como antes, tenemos dos gaussianas que contienen informacin acerca de la posicin, una con la informacin antes de la medicin y la otra es la que con la informacin que trae consigo la medicin
2 Combinamos la densidad con media x(t3 ) y varianza x (t3 ) con la densidad con media z3 y varianza z23

donde

Sin confianza en la medicin

Si es grande, entonces entonces

ser pequeo
ser cero y entonces x(t3 ) x(t3 )

Si

Y la medicin nueva infinitamente ruidosa es completamente ignorada

Sin confianza en la dinmica del sistema

2 w es grande, entonces tambin lo ser Si

Esto significa que no tienes mucha confianza en el modelo lineal y se le dar importancia a la medicin, en un caso extremo si

Entonces en el caso extremo de no tener ninguna confianza en el modelo, la solucin ptima es ignorar la prediccin y tomar la medicin como la estimacin ptima

Certeza en la prediccin
2 Si x (t3 ) 0 entonces

K (t3 ) 0

Significa que se tiene absoluta seguridad en la prediccin y se descartar la prxima medicin