-1-

TEMA XVII.- FILTRO DE KALMAN

a importancia del filtro de Kalman, aparecido a principios de la dcada de los
sesenta, es comparable a los trabajos realizados por Nyquist y Bode, en la dcada
de los veinte, y a los de Wiener en los aos treinta.
El filtro de Wiener est limitado a sistemas lineales, monovariable, y estacionarios (las
propiedades estadsticas de la seal y el ruido se mantienen constantes), mientras que el
filtro de Kalman posibilita la estimacin de sistemas multivariables y no estacionarios.
Adems, aunque el filtro de Wiener puede ser discretizado, con la introduccin de errores
que ello comporta, el filtro de Kalman fue desarrollado directamente para sistemas
muestreados, lo que permite de forma natural su implementacin en ordenador.
Posteriormente el filtro de Kalman se ampli a sistemas continuos.
17.1.- ESTIMADORES PTIMOS
En el captulo de "Estimacin determinstica de sistemas" la matriz de ganancia K de los
observadores se calculaba situando los autovalores del observador en un lugar determina-
do, que no cambiaba con el tiempo. Es decir, la matriz de ganancia K del observador era
constante. En este captulo veremos la forma de calcular la matriz K de un estimador

ptimo para un sistema con ruido y veremos que en general es variable con el tiempo, por
lo que toma la forma K(k).
Consideremos la ecuacin de estado y de salida de un sistema no estacionario, con ruido de
la forma:
x A x B u
y C x
( k +1) = (k) + ( k) + ( k)
( k) = ( k) + ( k)
( ) ( )
( )
k k
k



donde las matrices A(k), B(k) y C(k) son determinsticas y en general sern variables en los
sistemas lineales variantes con el tiempo, y (k) y (k) son los procesos estocsticos de los
ruidos del sistema y de medida respectivamente, que se consideran ruidos blancos de media
cero e independientes y que por lo tanto cumplen:
{ } { }
{ } { }
{ }
{ }
{ }
{ }
E k E k
E k k E k k
E k k k
E k j k j
E k k k
E k j k j
T T
T
T
T
T






( ) ( )
( ) ( ) ( ) ( )
( ) ( ) ( )
( ) ( )
( ) ( ) ( )
( ) ( )

0
0
Q
0
R
0

Las matrices de covarianza, diagonales y por lo tanto simtricas, de los ruidos del sistema
Q(k) (positiva semidefinida) y de medida R(k) (positiva definida) son conocidas.
El ruido del sistema puede considerarse que se genera en su interior o bien que se introduce
a la entrada del sistema, y el ruido de medida es el error que se comete al medir la salida, es
decir, ser el error que cometen los sensores al medir. La figura siguiente aclara estos dos
conceptos:

El problema consiste en estimar el valor ptimo del vector de estado x(k), basndose en las
medidas ruidosas y(0), y(1), y(2),..., y(k) que sern conocidas, adems de tener en cuenta
que el vector de estado estar contaminado con el ruido del sistema. Esta problemtica
puede abordarse de tres formas diferentes:
Prediccin: Se obtiene la estimacin $ ( ) x k +1 conociendo las medidas: y(0), y(1),
y(2),..., y(k)
-3-
Filtrado: Se obtiene la estimacin $ ( ) x k conociendo las medidas: y(0), y(1),
y(2),..., y(k)
Alisado: Se obtiene la estimacin $ ( ) x k 1 conociendo las medidas: y(0), y(1),
y(2),..., y(k)

El criterio para obtener el ptimo es minimizar el ndice de comportamiento:
{ }
P e e (n) = E (n) (n)
T

con n = k+1, n = k o n = k-1 segn sea con prediccin, filtrado o alisado. Es decir la matriz
de covarianza del error e(k) ha de ser mnima, estando el error definido como:
e x x (k) = ( k) - (k) $
Si la matriz de covarianza P(k) ha de ser mnima, cualquier forma cuadrtica del tipo:

T
P(k)
tambin es mnima, siendo un vector arbitrario de orden n x 1.
Se asume que del estado inicial x(0) se conoce su esperanza matemtica o valor medio:
{ } E x x ( ) ( ) 0 0
que ser un valor determinstico, y adems tambin se conoce la matriz de covarianza del
estado inicial (no del error):
[ ][ ]
{ }
E
T
x x x x P ( ) ( ) ( ) ( ) 0 0 0 0
0

El estado inicial y el ruido cumplen:
[ ]
{ }
[ ]
{ }
E k E k
T T
x x x x 0 ( ) ( ) ( ) ( ) ( ) ( ) 0 0 0 0
al ser independientes y ser la media de los ruidos blancos cero.

17.2.- FILTRO DE KALMAN CON PREDICCIN
Asumidas todas las condiciones anteriores, se trata aqu de determinar la estimacin
$ ( ) x k +1 , conociendo las medidas contaminadas de ruido y(0), y(1), y(2),..., y(k), para que
la matriz P(k+1) de covarianza del error, en el instante k+1, sea mnima.
La solucin encontrada por Kalman y Bucy, fue que el estimador ptimo del estado es un
observador que, como ya se indic en su momento, tiene por ecuacin:
$ ( ) ( ) $ ( ) ( ) ( ) ( ) ( ) $ ( ) ( ) $ ( ) ( ) ( ) ( ) ( ) ( ) $ ( ) x A x B u K y y A x B u K y C x k k k k k k k k k k k k k k k k + + + + + 1
El diagrama de bloques sera:

Fig. 17.1.- Filtro de Kalman con prediccin
El error en el instante k+1 ser:
[ ] { }
[ ] [ ]
[ ]
e x x
A x A x K C x C x
A x A K C x K C x
A K C e K
( ) ( ) $( )
( ) ( ) ( ) ( ) $( ) ( ) ( ) ( ) ( ) ( ) $( )
( ) ( ) ( ) ( ) ( ) ( ) $( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( ) ( )
k k k
k k k k k k k k k k k
k k k k k k k k k k k
k k k k k k k
+ + +
+ + +
+ +
+
1 1 1




que puede ponerse como:
e A e K ( )
$
( ) ( ) ( ) ( ) ( ) k k k k k k + + 1
donde la matriz
$
( ) A k es determinstica.
El objetivo aqu es minimizar la matriz de covarianza del error P(k+1)=E{e(k+1)e
T
(k+1)} y
no el ndice escalar J k k
T
+ +
1
2
1 1 e e ( ) ( ) aunque posteriormente veremos que ambos
estn relacionados mediante la elipse de incertidumbre.
La matriz de covarianza ser:
-5-
{ }
[ ][ ] { }
{ } [ ] { }
[ ]
P e e
A e K e A K
A e e A A e K
K e A
( ) ( ) ( )
$
( ) ( ) ( ) ( ) ( ) ( )
$
( ) ( ) ( ) ( )
$
( ) ( ) ( )
$
( )
$
( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
$
(
k E k k
E k k k k k k k k k k
k E k k k E k k k k k
E k k k k k
T
T T T T T
T T T T T
T T
+ + +
+ +
+ + +
+ +
1 1 1



{ } { } { }
{ } { }
{ } { }
) ( ) ( ) ( ) ( ) ( ) ( )
$
( ) ( )
$
( )
$
( ) ( ) ( ) ( )
$
( ) ( ) ( )
( ) ( ) ( )
$
( ) ( ) ( )
$
( ) ( ) ( ) ( ) ( )
+ +
+
+ + +
K K
A P A A e K A e
K e A e A K R K Q
k E k k k E k k
k k k k E k k k k E k k
k E k k k E k k k k k k k
T T T
T T T T
T T T T T




y como:
{ } [ ] { }
{ } { } { }
{ }
E k k E k k k k k k
k E k k k E k k E k k
k E k k
T T
T T T
T
e A e K
A e K
A e
( ) ( )
$
( ) ( ) ( ) ( ) ( ) ( )
$
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
$
( ) ( ) ( )

+
+

1 1 1 1 1
1 1 1 1 1
1 1

puede ponerse:
{ } { } { }
{ }
[ ]
{ }
E k k k E k k k k E k k
k k E k k k E k
T T T
T T
e A e A A e
A A A e A A A x x
( ) ( )
$
( ) ( ) ( )
$
( )
$
( ) ( ) ( )
$
( )
$
( )
$
( ) ( ) ( )
$
( )
$
( )
$
( ) ( ) $( ) ( )




1 1 1 2 2
1 2 0 0 1 2 0 0 0 L L
Escogiendo para la estimacin inicial, el valor medio, es decir:
$ ( ) ( ) x x 0 0
resulta:
{ }
[ ]
{ }
E k k k k E k
T T
e A A A x x 0 ( ) ( )
$
( )
$
( )
$
( ) ( ) ( ) ( ) 1 2 0 0 0 L
ya que en las condiciones iniciales de partida habamos supuesto:
[ ]
{ }
E k
T
x x 0 ( ) ( ) ( ) 0 0
Lo mismo ocurre para los trminos:
{ } { }
E k k E k k
T T
e e 0 ( ) ( ) ( ) ( )
por lo que puede ponerse:
P A P A K R K Q
A K C P A K C Q K R K
( )
$
( ) ( )
$
( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
k k k k k k k k
k k k k k k k k k k k
T T
T T
+ + +
+ +
1

Encontrada esta expresin pueden seguirse las tcnicas de minimizacin explicadas en el
captulo de Control ptimo.
P A P A A P C K K C P A
K C P C K Q K R K
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
k k k k k k k k k k k k
k k k k k k k k k
T T T T
T T T
+ +
+ + +
1

Para minimizar P(k+1) su derivada con respecto a K(k) se iguala a cero:
d k
d k
k k k k k k k k k
T T
P
K
A P C K C P C K R
( )
( )
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
+
+ +
1
0 2 2 2
habindose tenido en cuenta que P(k) y R(k) son simtricas.
Despejando:
[ ]
[ ]
K R C P C A P C
K A P C R C P C
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
k k k k k k k k
k k k k k k k k
T T
T T
+
+
1

Por medio del Hessiano puede comprobarse que este valor corresponde a un mnimo.
Sustituyendo este valor en P(k+1) se calcula el valor mnimo de la matriz de covarianza del
error, que ha de ser positiva semidefinida:
[ ]
[ ]
[ ]
P Q A P A A P C R C P C C P A
A P C R C P C C P A
A P C R C P C C P C R C P
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
k k k k k k k k k k k k k k k
k k k k k k k k k k
k k k k k k k k k k k k k
T T T T
T T T
T T T
+ + +
+ +
+ + +

1
1
1
1
[ ]
[ ] [ ]
C C P A
A P C R C P C R R C P C C P A
T T
T T T T
k k k k
k k k k k k k k k k k k k k k
( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )

+
+ + +
1
1 1

Continuando con las operaciones:
P Q A P A A P C R C P C C P A
A P C R C P C R C P C R C P C C P A
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) (
k k k k
T
k k k
T
k k k k
T
k k k
T
k
k k
T
k k k k
T
k k k k
T
k k k k
T
k k k
T
+ + +

1
]
1

+
+ +

1
]
1

1
]
1
+

1
]
1

1 2
1
1 1
k
k k k
T
k k k
T
k k k k
T
k k k
T
k
k k
T
k k k k
T
k k k
T
k k k k
T
k
k k
T
k k k k
T
k
)
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( ) (

+ +

1
]
1

+
+ +

1
]
1

+
+
Q A P A A P C R C P C C P A
A P C R C P C C P A Q A P A
A P C R C P C
2
1
1
) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )

1
]
1

+
1
C P A Q A P A K C P A k k
T
k k k k
T
k k k k
T
k

Es decir:
[ ]
P Q A K C P A ( ) ( ) ( ) ( ) ( ) ( ) ( ) k k k k k k
T
k + + 1
que es una ecuacin del tipo Riccati.
Tambin se podran haber seguido tcnicas de poner P(k+1) en forma cuadrtica para
obtener los mismos resultados, como se indica a continuacin:
-7-
P A K C P A C K Q K R K
A P A A P C K K C P A
K C P C K Q K R K
Q A P A K R
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) (
k k k k k k k k k k k k
k k k k k k k k k k k
k k k k k k k k k
k k k k k
T T T T
T T T T
T T T
T
+ + +
+
+ + +
+ +
1
k k k k k
k k k k k k k k
T T
T T T
) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
+

C P C K
K C P A A P C K

y definiendo:
D R C P C ( ) ( ) ( ) ( ) ( ) k k k k k
T
+
teniendo en cuenta que las matrices R(k) y P(k) son simtricas, la matriz D(k) tambin lo
es, ya que:
D R C P C R C P C
R C P C D
T T
T
T T T
T
k k k k k k k k k
k k k k k
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( )
+ +
+

y sustituyendo:
P Q A P A K D K
K C P A A P C K
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
k k k k k k k k
k k k k k k k k
T T
T T T
+ + +

1

Esta expresin puede ponerse en forma cuadrtica como:
P Q A P A
K A P C D D K A P C D
A P C D C P A
( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( ) ( )
k k k k k
k k k k k k k k k k k
k k k k k k k
T
T T
T
T T
+ + +
+

1
1 1
1

lo que se comprueba desarrollando la expresin anterior:
P Q A P A K D A P C K D C P A
A P C D C P A Q A P A K D K
K C P A A P C K A
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) (
k k k k k k k k k k k k k k k
k k k k k k k k k k k k k k
k k k k k k k k
T T T T
T T T T
T T T
+ + +
+ +
+

1
1
1
k k k k k k k
k k k k k k k k k k k k k k
k k k k k k k k
T T
T T T T
T T T
) ( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
P C D C P A
A P C D C P A Q A P A K D K
K C P A A P C K

+ +

1
1
El valor K(k) que hace mnima la forma cuadrtica
T
P(k+1) cumplir:
K A P C D 0 ( ) ( ) ( ) ( ) ( ) k k k k k
T

1

K A P C R C P C ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) k k k k k k k k
T T
+
1

Es importante notar que como:
e x x x x ( ) ( ) $ ( ) ( ) ( ) 0 0 0 0 0
la matriz de covarianza del error en el instante inicial, coincide con la matriz de covarianza
del vector de estado en el instante inicial, que habamos denominado P
0
ya que:
{ }
[ ][ ]
{ }
P e e x x x x P ( ) ( ) ( ) ( ) ( ) ( ) ( ) 0 0 0 0 0 0 0
0
E E
T T

Resumiendo, el procedimiento para implementar este filtro se indica en la figura:

Fig. 17.2.- Implementacin del filtro de Kalman con prediccin
-9-
17.3.- FILTRO DE KALMAN CON FILTRADO
Se siguen asumiendo las condiciones iniciales del planteamiento del problema, que en este
caso trata de determinar la estimacin $ ( ) x k , conociendo las medidas con ruido y(0), y(1),
y(2),..., y(k), para que la matriz P(k) de covarianza del error en el instante k, sea mnima. O
bien, determinar la estimacin $ ( ) x k +1 , conociendo las medidas y(0), y(1), y(2),..., y(k),
y(k+1) para que la matriz P(k+1) de covarianza del error en el instante k+1, sea mnima.
Partiendo de la base de que el filtro de Kalman es un observador, en este caso con filtrado,
la estimacin ptima del vector de estado, que minimiza P(k+1), est dada por las
ecuaciones:
$ ( ) $( ) ( ) ( ) ( ) $( ) x z K y C z k k k k k k + + + + + + + 1 1 1 1 1 1
$( ) ( ) $( ) ( ) ( )
$( ) ( )$( )
z A x B u
y C z
k k k k k
k k k
+ +

1

que corresponden a las ecuaciones de un observador del vector de estado con filtrado, es
decir se estima el vector de estado en el instante k+1, utilizando la medida que se ha
efectuado en el propio instante k+1. Esto se realiza en dos etapas. En la primera de ellas se
estima $ ( ) z k +1 , que es una aproximacin de x(k+1), basndose en $ ( ) x k y u(k). En la
segunda etapa se utiliza la medida y(k+1) para mejorar $ ( ) z k +1 y obtener as la estimacin
final $ ( ) x k +1 .
El diagrama de bloques correspondiente sera:

Fig. 17.3.- Filtro de Kalman con filtrado
En el instante inicial:
$ ( ) $ ( ) ( ) ( ) ( ) $ ( ) x z K y C z 0 0 0 0 0 0 +
y si escogemos:
$ ( ) ( ) z x 0 0
que es un valor determinstico, entonces:
$ ( ) ( ) ( ) ( ) ( ) ( ) x x K y C x 0 0 0 0 0 0 +
El vector de error sera:
e x x x z K y C z (k +1) = ( k +1) - ( k +1) = ( k +1) - (k +1) - ( k +1)[ ( k +1) - ( k +1)] $ $ ( ) $ k +1
y sustituyendo y(k+1) por su valor y reagrupando:
e K C I z K C x x
K C I z x K
( k +1) = ( k +1) ( k +1) - ( k +1)[ ( k +1) + ( k +1)] + ( k +1) =
= ( k +1) ( k +1) - ( k +1) ( k +1) ( k +1)
( ) $ ( )
( ) $
k k
k
+ +
+
1 1
1


(1)
Esta expresin es til para calcular el error en el instante inicial, como se indicar
posteriormente. Sustituyendo las ecuaciones correspondientes puede escribirse:
e K C I A x B u A x B u
K I K C A e I K C
K
(k +1) = ( k +1)
( k +1) ( k +1) = (k +1) (k +1)
( k +1) ( k +1)
( ) ( ) $ ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( )
k k k k k k k k k k
k k k k k
+ +
+ + +

1
1 1



Como (k) y (k) son ruidos blancos, una combinacin lineal de ellos tambin lo es y se
podra poner:
e I K C A e (k +1) = [ - ( k +1) ] ( k) + ( k) ( ) ( ) k k +1
siendo:
( ) ( ) ( ) k k k + I K C K ( k +1) ( k +1) ( k +1) 1
un ruido blanco de media nula y estadsticamente independiente de e(k), por lo que:
{ } { } E k k E e I K C A e (k +1) =[ - (k +1) ] (k) ( ) ( ) +1
El error en el instante inicial, teniendo en cuenta la ecuacin (1) sera:
e K C I z x K (0) = (0) (0) - (0) (0) (0) ( ) $ 0
y la esperanza matemtica sera:
{ } [ ] { } [ ]
E e e K C I x x 0 (0) = (0) = (0) (0) - E (0) ( ) 0
Sustituyendo en la expresin:
{ } { } E k k E e I K C A e (k +1) =[ - (k +1) ] (k) ( ) ( ) +1
se va obteniendo:
-11-
e e e 0 ( ) ( ) ( ) 1 2 L k
Se desea minimizar P(k+1) = E{e(k+1)e
T
(k+1)}, por lo que teniendo en cuenta el valor de
e(k+1) resulta:
{ }
P I K C A P A I K C (k +1) = [ - (k +1) ] (k) [ - (k +1) ] + E (k) (k)
T
( ) ( ) ( ) ( ) k k k k
T T
+ + 1 1
ya que (k) y e(k) son estadsticamente independientes y por lo tanto:
E[ ( k) ( k)] = E[ ( k) ( k)] =
T T
e e 0
y adems:
E[ ( k) ( k)] = ( k)
T
e e P
Por otra parte:
{ }
E (k) (k) [ - (k +1) ] [ - (k +1) ] (k +1) (k +1) (k +1)
T

T T
k k k + + + I K C Q I K C K R K ( ) ( ) ( ) 1 1
por lo que sustituyendo en la expresin de P(k+1):
P I K C A P A I K C
I K C Q I K C K R K
I K C A P A Q I K C K R K
(k +1) = [ - (k +1) ] (k) [ - (k +1) ] +
+[ - ( k +1) ] [ - ( k +1) ] ( k +1) ( k +1) (k +1) =
= [ - ( k +1) ] ( k) [ - (k +1) ] ( k +1) ( k +1) (k
( ) ( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( ) ( ) ( )
k k k k
k k k
k k k k k
T T
T T
T T T
+ +
+ + +
+ + + +
1 1
1 1
1 1 +1)
Llamando:
N A P A Q ( k +1) = ( k) ( ) ( ) ( ) k k k
T
+
se llega a:
P I K C N I K C K R K
N K C N I K C K R K
N K R C N C K
( k +1) = [ - ( k +1) ] ( k +1)[ - ( k +1) ] ( k +1) ( k +1) ( k +1) =
= [ ( k +1) - ( k +1) ( k +1)][ - ( k +1) ] ( k +1) ( k +1) ( k +1) =
= ( k +1) + ( k +1) ( k +1) + ( k +1) ( k +1) -
( ) ( )
( ) ( )
( ) ( )
k k
k k
k k
T T
T T
T T
+ + +
+ + +
+ +
1 1
1 1
1 1
- ( k +1) ( k +1) - ( k +1) ( k +1) N C K K C N
T T
k k ( ) ( ) + + 1 1
Encontrada la ecuacin de la matriz de covarianza se van a seguir dos tcnicas para
minimizarla, las de control ptimo y la de ponerla en forma cuadrtica.
a) Por el criterio de la derivada.
En la expresin de la matriz de covarianza del error en el instante k+1 hay que tener en
cuenta que R+CNC
T
es una matriz simtrica.
[ ]
P N K R C N C K
N C K K C N
(k +1) = (k +1) + (k +1) (k +1) + (k +1) (k +1) -
- (k +1) (k +1) - (k +1) (k +1)
( ) ( )
( ) ( )
k k
k k
T T
T T
+ +
+ +
1 1
1 1

derivando:
[ ]
d
d
k k k
T T
P
K
K R C N C N C
(k +1)
(k +1)
= 2 (k +1) (k +1) + (k +1) - 2 (k +1) ( ) ( ) ( ) + + + 1 1 1 0
y despejando el valor de K(k+1) que hace mnima la forma cuadrtica
T
P(k+1) es:
[ ]
K N C R C N C (k +1) = (k +1) (k +1) + (k +1)
T T
k k k ( ) ( ) ( ) + + +

1 1 1
1

con lo que la matriz de covarianza P(k+1) mnima resulta:
P N N C R C N C C N
N K C N I K C N
( k +1) = ( k +1) (k +1) (k +1) =
= (k +1) - (k +1) (k +1) = - (k +1) (k +1)
+ + + + + + +
+ +

T T
k k k k k k
k k
( ) ( ) ( ) ( ) ( ) ( )
( ) ( )
1 1 1 1 1 1
1 1
1

b) Poniendo K(k+1) en forma cuadrtica
Se define:
D R C N C ( k +1) = ( k +1) + ( k +1) ( ) ( ) k k
T
+ + 1 1
puede ponerse:
P N K N C D D K K C N
N K N C D D K N C D
K C N K N C
( k +1) = ( k +1) + ( k +1) - ( k +1) ( k +1) ( k +1) - ( k +1) ( k +1) =
= ( k +1) + ( k +1) - ( k +1) ( k +1) ( k +1) - ( k +1) ( k +1)
( k +1) ( k +1) + ( k +1) - ( k +1)
T T
T T
T
k k k
k k k
k
( ) ( ) ( )
( ) ( ) ( )
( )
+ + +
+ + +
+

1 1 1
1 1 1
1
1
1 1
T T
T
k k k ( ) ( ) ( ) + + +

1 1 1
1 1
D D N C D ( k +1) ( k +1) ( k +1)
Las matrices D(k+1) y N(k+1) son simtricas ya que P(k), Q(k) y R(k) lo son y por tanto:
N A P A Q A P A Q A P A Q N
T T
T
T T T T
k k k k k k k k k (k +1) = (k) (k) ( k) (k +1) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) + + +
y anlogamente D(k+1).
Sabiendo sto:
K N C D D N C D
K D N C D C N
K C N N C D C N
( k +1) - (k +1) ( k +1) ( k +1) ( k +1)
( k +1) ( k +1) - ( k +1) (k +1) ( k +1)
( k +1) ( k +1) - ( k +1) ( k +1) ( k +1)
T T
T
T
T
k k k
k k
k k k
( ) ( ) ( )
( ) ( )
( ) ( ) ( )
+ + +
+ +
+ + +

1 1 1
1 1
1 1 1
1 1
1
1

y sustituyendo:
P N K N C D D K N C D
N C D C N
( k +1) = ( k +1) + ( k +1) - ( k +1) ( k +1) ( k +1) - ( k +1) (k +1)
( k +1) ( k +1) ( k +1)
T T
T
T
k k k
k k
( ) ( ) ( )
( ) ( )
+ + +
+ +

1 1 1
1 1
1 1
1
Restaurando la expresin de D(k+1):
-13-
[ ] [
[ ]
[ ]
P N
K N C R C N C R C N
K N C R C N C
N C R C N C
(k +1) = (k +1) +
+ (k +1) - (k +1)
(k +1) - (k +1)
(k +1)
T T
T T
T
T T
k k k k k k k k
k k k k k
k k k k k
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( )
+ + + + + +

'

+ + + +
+ + + + + +

'

+ + + + + +

1 1 1 1 1 1 1 1
1 1 1 1 1
1 1 1 1 1
1
1
1
1 C N ( ) k + (k +1)
Resumiendo puede decirse que la estimacin del vector de estado en el momento actual
viene dada por las ecuaciones:
$ ( ) $( ) ( ) ( ) ( ) $( ) x z K y C z k k k k k k + + + + + + + 1 1 1 1 1 1
$ ( ) ( ) $ ( ) ( ) ( ) z A x B u k k k k k + + 1
donde:
K N C R C N C ( k +1) = (k +1)
T T
k k k k k ( ) ( ) ( ) ( ) ( ) + + + + + +

1 1 1 1 1
1

P I K C N ( k +1) = - ( k +1) ( k +1) ( ) k +1
y:
N A P A Q ( k +1) = ( k) ( ) ( ) ( ) k k k
T
+
El proceso de implementacin se remonta a iniciar en t=0 los valores del filtro:
$ ( ) ( )
$ ( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
z x
x x K y C x
K N C R C N C
P I K C N
0 0
0 0 0 0 0 0
0 0 0 0 0 0 0
0 0 0 0
1

+
+

T T

Para hallar el valor de N(0) hay que tener en cuenta que sustituyendo en N(k+1) la
expresin de P(k) resulta:
N Q A N A A N C R C N C C N A (k +1) = (k) + ( k) (k) (k) ( k) ( k) (k) (k)
T T
+

T T
k k k k k k ( ) ( ) ( ) ( ) ( ) ( )
1
que tiene la misma forma que la ecuacin que se obtena en el filtro de Kalman con
prediccin, que era:
P Q A P A A P C R C P C C P A ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) k k k k k k k k k k k k k k k
T T T T
+ + +

1
1
Por analoga:
N(0) = P
0

La implementacin se realizara de la siguiente forma:

Fig. 17. 4.- Implementacin del filtro de Kalman con filtrado
-15-
Los dos tipos de filtro de Kalman que se han presentado, pueden aplicarse tambin a
sistemas que no tengan ruidos o perturbaciones pero se carezca de sensores adecuados.
17.4.- FILTRO DE KALMAN EN RGIMEN PERMANENTE
En general las ecuaciones de un sistema con ruido eran:
x A x B u
y C x
( k +1) = (k) + ( k) + ( k)
( k) = ( k) + ( k)
( ) ( )
( )
k k
k



Las ecuaciones de Riccati que dan los valores de P(k+1) o N(k+1) en los casos de filtros
con prediccin o filtrado respectivamente, son vlidas para cualquier intervalo de tiempo
finito. Si el tiempo tiende a infinito, las matrices anteriores pueden permanecer finitas o bien
tender a infinito. En este ltimo caso la incertidumbre del error sera infinita y la estimacin
no valdra para nada.
En el caso de que todas las matrices del sistema sean constantes, es decir:
x Ax Bu
y Cx
(k +1) = (k) + (k) + (k)
(k) = (k) + (k)

w

en donde se pone de manifiesto que las matrices A, B y C son constantes y adems los
ruidos blancos de medida y del sistema sean estacionarios, es decir con matrices de
covarianza constantes:
R(k) = R
Q(k) = Q
entonces puede existir una solucin constante en rgimen permanente. La ecuacin de
Riccati es anloga a la del caso de control ptimo, por lo que las consideraciones que all se
hicieron son vlidas en este caso.
a) Rgimen permanente del filtro con prediccin
Las ecuaciones que daban la solucin del filtro con prediccin en rgimen general son:
$ ( ) ( ) $ ( ) ( ) ( ) ( ) ( ) ( ) $ ( ) x A x B u K y C x k k k k k k k k k + + + 1
K A P C R C P C ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) k k k k k k k k
T T
+
1

P Q A P A
A P C R C P C C P A
Q A K C P A
( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( )
k k k k k
k k k k k k k k k k
k k k k k k
T
T T T
T
+ +
+
+

1
1

En el caso de encontrarnos en el rgimen permanente, las ecuaciones seran:
$ ( ) $ ( ) ( ) ( ) ( ) $ ( ) x Ax Bu K y Cx k k k k k k + + + 1
K AP C R CP C ( ) ( ) ( ) k k k
T T
+
1

P Q AP A AP C R CP C CP A
Q A K C P A
( ) ( ) ( ) ( ) ( )
( ) ( )
k k k k k
k k
T T T T
T
+ + +
+

1
1

La matriz de covarianza, que indica la incertidumbre del error, podra escribirse:
P Q A K C P A K C A K C P C K
Q A K C P A K C AP C K K CP C K
Q A K C P A K C K R CP C K K CP C K
Q A K C P A K C K
( ) ( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) (
k k k k k k k
k k k k k k k k
k k k k k k k k k
k k k
T T T
T T T T T
T T T T T
T
+ + +
+ +
+ + +
+ +
1
k k
T
) ( ) RK
Se puede demostrar que cuando k tiende a infinito:
a) Si el sistema es observable entonces la matriz P(k+1) tiende a una matriz semidefinida
positiva constante P
e
.
b) Si el sistema es controlable la matriz P(k+1) converge hacia una nica matriz positiva
definida P
e
. En este caso la matriz K(k) tambin tiende a una matriz constante K
e
y sus
valores seran:
K AP C R CP C
e e
T
e
T
+
1

P Q AP A AP C R CP C CP A
e e
T
e
T
e
T
e
T
+ +
1

o bien:
P Q A K C P A K C K RK
e e e e
T
e e
T
+ +
Esta ltima ecuacin es una ecuacin de Riccati. Como Q+ K RK
e e
T
no tiene por que ser
necesariamente positiva definida, no es posible decir que la matriz A-K
e
C sea una matriz
estable, es decir que tenga sus autovalores en el interior del crculo unidad, pero si el
sistema es controlable y observable, entonces s que es una matriz estable.
Segn todo lo anterior, las ecuaciones que definen el rgimen permanente del filtro de
Kalman con prediccin son:
$ ( ) $ ( ) ( ) ( ) ( ) $ ( ) x Ax Bu K y Cx k k k k k k + + + 1
K AP C R CP C
e e
T
e
T
+
1

P Q AP A AP C R CP C CP A
e e
T
e
T
e
T
e
T
+ +
1

-17-

b) Rgimen permanente del filtro de Kalman con filtrado
Las ecuaciones de este filtro pueden ser obtenidas de la misma forma que las del apartado
anterior. Las ecuaciones en rgimen permanente, haciendo las mismas consideraciones que
en el caso del filtro con prediccin, estn dadas por:
$ ( ) $( ) ( ) $ ( ) x z K y Cz k k k k
e
+ + + + + 1 1 1 1
$ ( ) $ ( ) ( ) z Ax Bu k k k + + 1
donde:
K N C R CN C
e e
T
e
T
+
1

y:
N Q AN A AN C R CN C CN A
e e
T
e
T
e
T
e
T
+ +
1

que tiene la misma forma que la ecuacin de P
e
en el caso anterior.
Con el estimador ptimo del filtro de Kalman, la estrategia de control ptimo puede ser
dividida en dos etapas:
1.- Se estima el vector de estado basndose en secuencias de medidas de las salidas
observables. Para este fin pueden utilizarse observadores o si se desea una estimacin
ptima alguno de los filtros de Kalman.
2.- Se determina la ley ptima de control y se realimenta el vector de estado estimado en la
etapa anterior.
Es importante notar que el filtro de Kalman puede ser utilizado, incluso en el caso de que
no existan ruidos ni perturbaciones en el sistema.
17.5.- RUIDOS CON MATRICES DE COVARIANZA SINGULARES
En muchas aplicaciones, algunos sensores pueden ser de tan alta calidad que el ruido de
observacin sea extremadamente pequeo. Si junto a estos sensores existen otros de calidad
muy inferior, la matriz de covarianza del ruido de observacin puede tener la forma:
R

1
]
1
1 0
0 10
12

lo que dara problemas a la hora de computar los algoritmos numricos del filtro de
Kalman.
En estos casos es preferible tomar como cero los trminos tan pequeos y desarrollar
tcnicas con matrices de covarianza del ruido de observacin singulares.
Los mtodos desarrollados estn basados en transformar el vector de observacin de la
forma:
y
y
C
C
x
0
1
2
1
2 2
( )
( )
( )
( )
k
k
k
k

1
]
1

1
]
1
+

1
]
1


en donde se han agrupado en y
1
(k) las medidas que no tienen ruido de observacin, y en
y
2
(k) las medidas con ruido de observacin, que tendrn una matriz de covarianza R
2
(k) no
singular. La dimensin de y
2
(k) ser el rango de la matriz de covarianza inicial R(k). Esta
particin dar lugar a un filtro de orden r-l siendo l el orden del vector y
1
(k) y r el orden del
vector de salida y(k).
Un caso muy especial es aquel en el que la matriz de covarianza del ruido de observacin es
cero, es decir no hay ruido en la observacin y por tanto R(k) = 0. En este caso la ecuacin
de observacin sera:
y Cx ( k) = ( k)
y puede demostrarse que si el subestado Cx(k) de x(k) puede ser observado sin ruido,
entonces, como es obvio, la estimacin ptima del subestado es la observacin misma, es
decir:
y Cx ( k) = ( k) $
Si C es una matriz cuadrada no singular:
$ x C y ( k) ( k)
1

donde queda de manifiesto que la estimacin ptima del vector de estado se deduce de la
propia medida.
Si embargo, el caso ms importante es cuando C no es cuadrada, por lo que el nmero de
salidas observadas r es menor que el nmero de variables de estado n. La ltima ecuacin,
aplicada slamente a las r componentes observadas, nos dara la r componentes
correspondientes del vector de estado estimado. Las restantes n-r componentes se
deduciran de un filtro de orden reducido.
Las ecuaciones del sistema seran:
x Ax Bu
y Cx
(k +1) = (k) + (k) + (k)
(k) = (k)


El vector de observacin en el instante k+1 sera:
y Cx CAx CBu C (k +1) = (k +1) = (k) + (k) + (k)
-19-
y considerando el nuevo vector de salida:
z y CBu CAx C ( ) k (k +1) - (k) = (k) + (k)
podra aplicarse la teora del filtro de Kalman a las ecuaciones:
x Ax Bu
z CAx C
(k +1) = (k) + (k) + (k)
(k) = (k) + (k)



ya que el ruido de observacin C (k) es blanco. El gran inconveniente es que ahora el ruido
del sistema y el ruido de medida estn correlados.
El valor de las matrices de covarianza sera:
{ }
{ }
{ }
E k k k
E k k k
E k j k
T
T T
T T



( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( )

Q
Q C
CQ C

La teora del filtro de Kalman habra que extenderla para el caso de que los ruidos de
medida y del sistema fuesen correlados. Existen numerosas publicaciones donde se trata
esta problemtica, que no va a ser tratada en estas notas.
17.6.- PROCESOS CON RUIDOS COLOREADOS
Cualquier ruido coloreado (no blanco) puede ser modelado como la respuesta de un sistema
lineal a un ruido blanco. Por lo tanto se puede representar el ruido coloreado como un
subsistema excitado por un ruido blanco. La representacin de este subsistema podr
hacerse en variables de estado, e incluirlas en el vector de estado del sistema con la
consiguiente ampliacin del orden del sistema.
Supongamos que la ecuacin de observacin se ve afectada por un ruido de medida (k) no
blanco, representado por sus ecuaciones en variables de estado. Las ecuaciones seran:
x Ax Bu
y Cx
F
(k +1) = (k) + (k) + (k)
(k) = (k) +



( )
( ) ( ) ( )
k
k k k + + 1

donde (k) es un ruido blanco de matriz de covarianza R(k).
Combinando la ecuacin del ruido con la ecuacin del sistema se forma el metasistema:
[ ]
x A 0
0 F
x B
0
u
y C I
x
(k +1)
=
(k)
+ +
(k)
(k) =
(k)




( ) ( )
( )
( )
( )
k k
k
k
k
+

1
]
1

1
]
1

1
]
1

1
]
1

1
]
1

1
]
1
1

o bien:
x A x B u
y C x
1 1 1 1 1
1 1
(k +1) = (k) + (k) + (k)
(k) = (k)


ecuaciones a las que se puede aplicar la solucin del filtro de Kalman, ya que el ruido
1
(k)
es blanco.
Si el ruido coloreado fuese el ruido del sistema, las ecuaciones seran:
x Ax Bu
F
y Cx
(k +1) = (k) + (k) +
(k) = (k) + (k)



( )
( ) ( ) ( )
k
k k k + + 1
y combinando la ecuacin del ruido con la ecuacin del sistema se forma el metasistema:
[ ]
x A I
0 F
x B
0
u
0
y C 0
x
(k +1)
=
(k)
+ +
(k)
(k) =
(k)



( ) ( )
( )
( )
( )
k k
k
k
k
+

1
]
1

1
]
1

1
]
1

1
]
1

1
]
1

1
]
1
+
1

o bien:
x A x B u
y C x
1 1 1 1 1
1 1
(k +1) = (k) + (k) + (k)
(k) = (k) + (k)



Como los ruidos
1
(k) y (k) son blancos ya puede ser aplicada la solucin del filtro de
Kalman.
17.7.- ELIPSE DE DISTRIBUCIN DEL ERROR. ASPECTOS PRCTICOS DEL
FILTRO DE KALMAN.
La divergencia del filtro de Kalman se detecta por el crecimiento ilimitado de la matriz
P(k), que expresa el valor de la incertidumbre del error. Un error con incertidumbre muy
elevada puede ser muy alto, y la diferencia entre el valor real y el estimado sera
inaceptable.
La matriz de covarianza del error de estimacin est definida por:
[ ][ ]
{ }
P x x x x ( ) ( ) $( ) ( ) $( ) k E k k k k
T

-21-
El lugar geomtrico de los puntos, en los que la incertidumbre del error coincide con el
error cuadrtico (el doble del ndice de comportamiento J) sera:
P x x x x ( ) ( ) $ ( ) ( ) $ ( ) k k k k k
T

Transformando esta expresin adecuadamente, resulta:
[ ]
{ }
[ ]
[ ]
{ }
[ ]
P x x x x
x x P x x
( ) ( ) $ ( ) ( ) $( )
( ) $( ) ( ) ( ) $( )
k k k k k
k k k k k
T
T

1
1
1

o bien:
x x P x x ( ) $ ( ) ( ) ( ) $ ( ) k k k k k
T

1
1
que es la expresin general de una superficie cudrica. El estudio de los coeficientes de
P
1
( ) k conduce, en este caso, a un elipsoide real con centro en $ ( ) x k .
En el caso de un vector de estado de tres dimensiones, el elipsoide sera:
[ ]
x k x k x k x k x k x k
k k k
k k k
k k k
x k x k
x k x k
x k x k
1 1 2 2 3 3
1
2
12 13
12 2
2
23
13 23 3
2
1
1 1
2 2
3 3
1 ( ) $ ( ) ( ) $ ( ) ( ) $ ( )
( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( )
( ) $ ( )
( ) $ ( )
( ) $ ( )

1
]
1
1
1
1

1
]
1
1
1

y su representacin se indica en la figura 15.5:

x
1
x
1
^
x
^
2
x
2
x
3
x
^
3

Fig.17.5 Elipsoide de incertidumbre

El corte del elipsoide con el plano x k x k
3 3
( ) $ ( ) es una elipse cuya proyeccin sobre el
plano x
1
- x
2
tiene por ecuacin:
[ ]
x k x k x k x k
k k
k k
x k x k
x k x k
1 1 2 2
1
2
12
12 2
2
1
1 1
2 2
1 ( ) $ ( ) ( ) $ ( )
( ) ( )
( ) ( )
( ) $ ( )
( ) $ ( )

1
]
1
1

1
]
1

como puede comprobarse fcilmente haciendo x k x k
3 3
0 ( ) $ ( ) en la expresin del
elipsoide.
Esta ltima elipse, centrada en $ ( ), $ ( ) x k x k
1 2
representa la elipse de incertidumbre de la
estimacin. Se ha demostrado que la probabilidad de que el vector de estado real se
encuentre en el interior de esta elipse es aproximadamente del 50%.
El hecho de que
12
0 indica que existe una dependencia entre las coordenadas x
1
y x
2
,
por lo que cualquier mejora en la estimacin de una de ellas, mejorar tambin la estimacin
de la otra.
Para representar la forma reducida (centrada en el origen y con los ejes coincidentes con los
ejes de coordenadas) de la elipse que genera la matriz P(k) se partira de la ecuacin general
de la cnica:
[ ]
x x t
p k p k
p k p k
x
x
t
1 2
11 12
21 22
1
1
2
0
0
0 0 1
0
( ) ( )
( ) ( )

1
]
1

1
]
1
1
1

1
]
1
1
1

o bien:
[ ]
x x t
x
x
t
1 2
1
2
0 D

1
]
1
1
1

Como el determinante de la matriz D es distinto de cero, la cnica no es degenerada.
Adems el adjunto D
33
de la matriz D es positivo por lo que la curva es una elipse, y como
el producto del elemento d
11
por el valor del determinante de la matriz D es negativo la
elipse es real.
La ecuacin reducida de la cnica es:

1 1
2
2 2
2 33
x + x +
D
= 0
D

siendo
1
y
2
las raices de la ecuacin caracterstica:
I P - = 0
Operando para poner la ecuacin de la forma:
x
a
+
x
b
= 1
1
2
2
2
2
2

-23-
el valor de los semiejes resulta:
a = -
D
b = -
D
33
1
33
2

D
D

Cuanto menores sean los ejes de la elipse, mayor ser la seguridad en la estimacin. Cuando
el filtro diverge el tamao de la elipse de incertidumbre crece con el tiempo.
Tres posibles fuentes de divergencia del filtro de Kalman seran:
a) Que el sistema no sea observable
b) Errores de modelado
c) Errores numricos debidos al formato del procesador digital
Si no se cumple la condicin de observabilidad es que un subconjunto de estados del
sistema no es recuperable u observable por el filtro de Kalman, lo que redunda en un error
creciente en la estimacin de dicho subconjunto de variables de estado; es decir los
correspondientes elementos de la matriz de covarianza P(k) crecen indefinidamente,
llegando a desestabilizar el filtro. La nica forma de evitar esta divergencia es ampliando el
nmero de sensores, hasta conseguir que la nueva matriz de medida u observacin C haga
al sistema observable.
Cuando no se modela correctamente la dinmica del sistema y el ruido, la matriz de
covarianza Q(k) de las perturbaciones del sistema, o la matriz de covarianza R(k) del ruido
de medida, aparecern inevitablemente errores en la estimacin del filtro. Sin duda, los
errores ms graves son debidos a la dinmica del sistema, ya sea porque el conjunto de
ecuaciones no refleja el comportamiento real del sistema o porque los coeficientes del
modelo, es decir la matriz A, no sean los correctos. Podra realizarse un estudio del filtro de
Kalman en el dominio de la frecuencia, y se vera que la respuesta en frecuencia del filtro de
Kalman depende intimamente del modelo de la planta y del modelo del ruido y lo hace de
una forma compleja. A pesar de ello, fcilmente se observara que el filtro de Kalman tiene
ceros de transmisin, en los polos del modelo de ruido. Es decir, elimina el ruido de forma
ptima.
Los errores numricos provienen de la implementacin del filtro de Kalman en un
procesador digital. Son especialmente peligrosos en una aplicacin on-line, dado el carcter
recursivo del algoritmo y al formato de los datos que no pueden ser de alta precisin para
economizar tiempo de cmputo. La principal fuente de errores proviene de la matriz de
covarianza P(k), cuando por motivos del formato y de la aritmtica del computador pierde
la naturaleza de matriz definida positiva. Para evitar los posibles errores numricos interesa:
- Emplear el formato de datos ms potente. No utilizar nunca formatos de coma fija.
- Tener cuidado con la propagacin de la matriz P(k), que puede llegar a rozar la condicin
de semidifinida positiva al hacerse algunos elementos de la diagonal principal muy prximos
a cero. En estos casos conviene sumar unos trminos ficticios a la diagonal pricipal, o al
menos a los trminos que tienden a cero.
- Mantener siempre la propiedad de simetra de la matriz P(k). Lo ms aconsejable es
calcular nicamente los trminos de la parte triangular superior y rellenar el tringulo
simtrico sin calcularlo.
17.8.- CONTROL ESTOCSTICO: TEOREMA DE SEPARACIN
El teorema de separacin permite unir la teora de control determinstico con la
problemtica de la estimacin de sistemas estocsticos.
Las ecuaciones dinmicas y de medida de un sistema son:
x A x B u
y C x
(k +1) = (k) + (k) + (k)
(k) = (k)
( ) ( )
( ) ( )
k k
k k

+

El ndice de comportamiento cuadrtico, para control ptimo, se define como:
J E k k k k
T
k
N
T
k
N
+

1
]
1
1


x Mx u Hu ( ) ( ) ( ) ( )
0 0

en donde se ha aplicado el operador de esperanza matemtica al ser variables estocsticas.
En control ptimo determinstico se obtena una ley de control que dependa del vector de
estado autntico:
u G x ( ) ( ) ( ) k k k
El teorema de separacin demuestra que el control ptimo para sistemas estocsticos es:
u G x ( ) ( ) $ ( ) k k k
siendo G(k) la misma matriz que la calculada en el caso de sistemas determinsticos y $ ( ) x k
el vector de estado estimado.
El diagrama de bloques sera:
-25-

Fig. 17.6.- Control ptimo y estimacin estocstica
La importancia del teorema de separacin radica en que descompone el problema en dos
partes independientes: el clculo de las matrices de control como si fuera un sistema
determinstico y la estimacin del vector de estado que es el que finalmente se realimenta.
Es importante notar que existe una dualidad entre el control ptimo y la estimacin ptima
del vector de estado. Se puede demostrar que el problema de estimacin del estado es
equivalente a un problema de control ptimo LQ. La equivalencia se indica en la tabla
siguiente:

Control ptimo Estimacin de estado
G
B
M
A
N-k
K
T

C
T

P
A
T

k