Documentos de Académico
Documentos de Profesional
Documentos de Cultura
h =
V
D
,
V
D
=
z
+
e
(R
e
+
h)
2
,
donde
z
es la componente z de (
n
n/e
+ 2
n
e/i
)
v
n
+ a
n
NG
.
3 / 26
Sistemas de navegacion integrados
Filtrado optimo de sistemas lineales: el ltro de Kalman.
Fusi on de sensores. Ejemplo: el canal vertical.
INS-GPS
Estimador baro-inercial de la altitud I
Se modica el canal vertical del INS de la siguiente forma,
usando h
B
:
h =
V
D
C
1
(
h h
B
),
V
D
=
z
+
e
(R
e
+
h)
2
+ C
2
(
h h
B
) + C
3
t
0
(
h() h
B
())d,
donde C
1
, C
2
y C
3
son ganancias a determinar.
Calculando como en el tema 4 el error de altitud y
despreciando el error en el termino
z
, obtenemos:
h = V
D
+ C
1
(
h h
B
),
V
D
2g
0
R
e
h C
2
(
h h
B
) C
3
t
0
(
h() h
B
())d,
y observese que
h h
B
=
h h + h h
B
= (h h
B
),
donde h
B
es el error de estimacion barometrico, que
suponemos aproximadamente constante.
4 / 26
Sistemas de navegacion integrados
Filtrado optimo de sistemas lineales: el ltro de Kalman.
Fusi on de sensores. Ejemplo: el canal vertical.
INS-GPS
Estimador baro-inercial de la altitud II
Por tanto:
h = V
D
C
1
(h h
B
),
V
D
2g
0
R
e
h + C
2
(h h
B
) + C
3
t
0
(h h
B
)d,
y tomando derivada en la primera ecuacion y sustituyendo la
segunda, obtenemos:
h =
2g
0
R
e
h C
2
(h h
B
) C
3
t
0
(h h
B
)d C
1
h.
Tomando otra derivada y reescribiendo la ecuacion:
...
h
+ C
1
h + (C
2
2g
0
R
e
)
h + C
3
h = C
3
h
B
.
Los autovalores de esta ecuacion vienen dados por las races
del polinomio s
3
+ C
1
s
2
+ (C
2
2g
0
R
e
)s + C
3
.
5 / 26
Sistemas de navegacion integrados
Filtrado optimo de sistemas lineales: el ltro de Kalman.
Fusi on de sensores. Ejemplo: el canal vertical.
INS-GPS
Estimador baro-inercial de la altitud III
Tpicamente se eligen lo valores de C
1
, C
2
y C
3
para que los
autovalores tengan parte real negativa (es decir, la ecuacion
de h sea estable). Una eleccion clasica es jar un autovalor al
valor y los otros dos a los valores + j y j .
El polinomio caracterstico sera entonces:
(s + )(s + j )(s + + j )
= (s + )(s
2
+ 2s + 2
2
)
= s
3
+ 3s
2
+ 4
2
s + 2
3
Sustituyendo en el polinomio en funcion de los coecientes
estos valores, se llega a: C
1
= 3, C
2
= 4
2
+
2g
R
e
, C
3
= 2
3
.
Un valor tpico elegido de es = 0,01.
6 / 26
Sistemas de navegacion integrados
Filtrado optimo de sistemas lineales: el ltro de Kalman.
Fusi on de sensores. Ejemplo: el canal vertical.
INS-GPS
El caso INS-GPS
El sistema de navegacion INS y el GPS son particularmente
complementarios.
El INS:
Da una estimacion continua en el tiempo.
Su error crece con el tiempo.
Posee un elevado ancho de banda (KHz).
El GPS:
Proporciona una medida de alta precision pero discreta en el
tiempo.
El error esta acotado.
Posee un bajo ancho de banda (Hz).
Una primera solucion sera resetear el INS cada vez que se
obtenga una medida GPS. Pero la medida GPS tampoco es
exacta.
Por tanto hay que intentar, de alg un modo, combinar el INS y
el GPS para minimizar el error nal.
7 / 26
Sistemas de navegacion integrados
Filtrado optimo de sistemas lineales: el ltro de Kalman.
Fusi on de sensores. Ejemplo: el canal vertical.
INS-GPS
Tight Integration y Loose Integration
Existen dos formas de llevar a cabo la integracion:
Loose Integration:
y varianza Q
k
(el ruido del proceso), y B
k
es una matriz (que puede cambiar
en cada instante de tiempo t
k
) de dimension n
x
n
.
MEDIDA: En cada instante tambien consideramos que se
realiza una medida, representada por z, y denida de la
siguiente forma: z(t
k+1
) = H
k+1
x(t
k+1
) + (t
k+1
), donde z
es la medida, de dimension n
z
, H
k
es una matriz (que puede
cambiar en cada instante de tiempo t
k
) de dimension n
z
n
x
,
y (t
k
) es ruido blanco gaussiano de dimension n
y varianza
R
k
(el ruido de medida).
Ademas suponemos que (t
k
) y (t
k
) son independientes, y
que sabemos que la condicion inicial de x es
x(t
0
) N
n
x
( x
0
, P
0
).
10 / 26
Sistemas de navegacion integrados
Filtrado optimo de sistemas lineales: el ltro de Kalman.
Deduccion del ltro de Kalman. Ecuaciones.
Ejemplo de un ltro de Kalman
Ecuaciones del proceso y la medida
Resumiendo las ecuaciones:
x(t
k+1
) = A
k
x(t
k
) + B
k
(t
k
),
z(t
k+1
) = H
k+1
x(t
k+1
) + (t
k+1
),
E[(t
k
)] = E[(t
k
)] = 0,
E[(t
k
)
T
(t
j
)] =
kj
Q
k
,
E[(t
k
)
T
(t
j
)] =
kj
R
k
,
E[(t
k
)
T
(t
j
)] = 0,
x(t
0
) N
n
x
( x
0
, P
0
).
Denimos la estimacion en t
k
de x(t
k
) como x(t
k
).
Denimos la covarianza del error de estimacion como
P(t
k
) = E[(x(t
k
) x(t
k
))(x(t
k
) x(t
k
))
T
].
El objetivo del ltro de Kalman es, empleando el
conocimiento de las ecuaciones arriba formuladas, y a partir
de las medidas z(t
k
), obtener la mejor estimacion posible, es
decir, el valor de x(t
k
) que minimiza P(t
k
).
11 / 26
Sistemas de navegacion integrados
Filtrado optimo de sistemas lineales: el ltro de Kalman.
Deduccion del ltro de Kalman. Ecuaciones.
Ejemplo de un ltro de Kalman
El ltro de Kalman I
Si solo tuvieramos el proceso, podemos calcular su media y
tomamos x como dicha media; por tanto,
x(t
k
) N
n
x
( x(t
k
), P
k
), donde:
x(t
k+1
) = A
k
x(t
k
),
P
k+1
= A
k
P
k
A
T
k
+ B
k
Q
k
B
T
k
.
La idea de Kalman es decir: la estimacion arriba escrita es
valida antes de tomar la medida z(t
k+1
). Denotamos dicha
estimacion a priori como x
(t
k+1
) y su covarianza como
P
k+1
.
Ahora, si la estimacion fuera perfecta y la medida no tuviera
error, se tendra que z(t
k+1
) = H
k+1
x
(t
k+1
). Como no es
as, se actualiza la estimacion (a posteriori) de forma
proporcional a la discrepancia:
x
+
(t
k+1
) = x
(t
k+1
) + K
k+1
(z(t
k+1
) H
k+1
x
(t
k+1
)).
12 / 26
Sistemas de navegacion integrados
Filtrado optimo de sistemas lineales: el ltro de Kalman.
Deduccion del ltro de Kalman. Ecuaciones.
Ejemplo de un ltro de Kalman
El ltro de Kalman II
En la ecuacion
x
+
(t
k+1
) = x
(t
k+1
) + K
k+1
(z(t
k+1
) H
k+1
x
(t
k+1
)) lo
unico que no conocemos es K
k+1
, que es la ganancia de
Kalman.
Esta se determina para garantizar que la covarianza
de x
+
(t
k+1
), P
+
k+1
, sea la menor posible.
Calculemos P
+
k+1
:
P
+
k+1
= E[(x(t
k+1
) x
+
(t
k+1
))(x(t
k+1
) x
+
(t
k+1
))
T
], y
sustituyendo la ecuacion de x
+
(t
k+1
):
P
+
k+1
= E
"
x(t
k+1
) x
+
(t
k+1
)
x(t
k+1
) x
+
(t
k+1
)
T
#
= E
x(t
k+1
) x
(t
k+1
) K
k+1
(z(t
k+1
) H
k+1
x
(t
k+1
)
x(t
k+1
) x
(t
k+1
) K
k+1
(z(t
k+1
) H
k+1
x
(t
k+1
))
T
#
Sustituyendo ahora z(t
k+1
) = H
k+1
x(t
k+1
) + (t
k+1
):
P
+
k+1
= E
h
x(t
k+1
) x
(t
k+1
) K
k+1
(H
k+1
x(t
k+1
) + (t
k+1
) H
k+1
x
(t
k+1
)
x(t
k+1
) x
(t
k+1
) K
k+1
(H
k+1
x(t
k+1
) + (t
k+1
) H
k+1
x
(t
k+1
))
13 / 26
Sistemas de navegacion integrados
Filtrado optimo de sistemas lineales: el ltro de Kalman.
Deduccion del ltro de Kalman. Ecuaciones.
Ejemplo de un ltro de Kalman
El ltro de Kalman III
Simplicando, obtenemos:
P
+
k+1
= E
h
(I K
k+1
H
k+1
)(x(t
k+1
) x
) K
k+1
(t
k+1
)
(I K
k+1
H
k+1
)(x(t
k+1
) x
) K
k+1
(t
k+1
)
= (I K
k+1
H
k+1
)P
k+1
(I K
k+1
H
k+1
)
T
+ K
k+1
R
k+1
K
T
k+1
Es necesario encontrar el valor de K
k+1
que minimiza la
anterior expresion. Usando calculo matricial, se encuentra que
K
k+1
= P
k+1
H
T
k+1
H
k+1
P
k+1
H
T
k+1
+ R
k+1
1
Sustituyendo esta expresion se llega a que:
P
+
k+1
= (I K
k+1
H
k+1
)P
k+1
.
Esta es la covarianza mnima.
14 / 26
Sistemas de navegacion integrados
Filtrado optimo de sistemas lineales: el ltro de Kalman.
Deduccion del ltro de Kalman. Ecuaciones.
Ejemplo de un ltro de Kalman
Algoritmo del ltro de Kalman
El algoritmo queda como sigue:
1 En el instante de tiempo t
k+1
, suponemos que tenemos la
anterior estimacion que incluyo tambien la ultima medida:
x
+
(t
k
) y su covarianza P
+
t
k
. Para k = 0 tomamos
x
+
(t
0
) = x
0
y P
+
0
= P
0
.
2 Fase de propagacion; usamos la ecuacion del sistema dinamico
para calcular la estimacion a priori:
x
(t
k+1
) = A
k
x
+
(t
k
),
P
k+1
= A
k
P
+
k
A
T
k
+ B
k
Q
k
B
T
k
.
3 Preparandonos para la medida, calculamos la ganacia de
Kalman: K
k+1
= P
k+1
H
T
k+1
H
k+1
P
k+1
H
T
k+1
+ R
k+1
1
.
4 Tomamos la medida y calculamos la estimacion a posteriori:
x
+
(t
k+1
) = x
(t
k+1
) + K
k+1
(z(t
k+1
) H
k+1
x
(t
k+1
)),
P
+
k+1
= (I K
k+1
H
k+1
)P
k+1
.
5 Iteramos para los siguientes valores de k.
15 / 26
Sistemas de navegacion integrados
Filtrado optimo de sistemas lineales: el ltro de Kalman.
Deduccion del ltro de Kalman. Ecuaciones.
Ejemplo de un ltro de Kalman
Sobre las medidas
Observacion: es posible que no se realice una medida cada t
k
,
sino que en ciertos instantes se hagan medidas, y en otros no
se haga ninguna medida.
Por ejemplo podemos tener un sensor con bajo ancho de
banda (como el GPS) mientras que nuestro tiempo de
muestreo t representa una elevada frecuencia.
Una forma de solucionarlo es tomar H
k
= 0, luego K
k
= 0 en
los instantes t
k
en los que no se realizan medidas. Por tanto
no es necesario realizar ninguna actualizacion y
x
+
(t
k
) = x
(t
k
), P
+
(t
k
) = P
(t
k
).
16 / 26
Sistemas de navegacion integrados
Filtrado optimo de sistemas lineales: el ltro de Kalman.
Deduccion del ltro de Kalman. Ecuaciones.
Ejemplo de un ltro de Kalman
El caso INS-GPS
En el caso INS-GPS no podemos aplicar el Filtro de Kalman
directamente porque los sistemas y medidas son no lineales.
Lo que se hace es aplicar la solucion al error de navegacion.
Recordemos que derivamos para el INS una ecuacion de la
forma: x(t
k+1
) = A
k
x(t
k
) +B
k
(t
k
), donde el vector x(t
k
)
contiene los errores de posicion, velocidad y actitud en t
k
y
(t
k
) son las fuentes de error.
Por otro lado en el tema del GPS obtuvimos ecuaciones de la
forma: (t
k+1
) = H
k+1
x(t
k+1
) +(t
k+1
), donde x(t
k+1
)
eran errores de posicion (y velocidad, si tambien estimamos
velocidad) respecto a una estimacion inicial y (t
k+1
) las
diferencias entre los observables medidos y los estimados.
Por tanto usando la medida del INS como estimacion para el
GPS, ya tenemos los errores linealizados escritos de una forma
adecuada para implementar el ltro de Kalman!
El error estimado se suma a la posicion estimada por el INS,
para conseguir la mejor estimacion nal posible.
17 / 26
Sistemas de navegacion integrados
Filtrado optimo de sistemas lineales: el ltro de Kalman.
Deduccion del ltro de Kalman. Ecuaciones.
Ejemplo de un ltro de Kalman
El caso INS-GPS
Esquema de la integracion INS-GPS (loose):
18 / 26
Sistemas de navegacion integrados
Filtrado optimo de sistemas lineales: el ltro de Kalman.
Deduccion del ltro de Kalman. Ecuaciones.
Ejemplo de un ltro de Kalman
Ejemplo 1-D del ltro de Kalman I
Para entender mejor el ltro de Kalman consideremos un
sistema sencillo. Imaginemos un vehculo que solo se puede
mover en una direccion, con un acelerometro de un ancho de
banda de 100Hz que mide la aceleracion en dicha direccion, y
con un sensor con un ancho de banda de 1Hz que estima la
posicion en dicha direccion.
El modelo del sistema sera: x = a. Llamando v a la velocidad:
d
dt
x
v
0 1
0 0
x
v
0
a
x
v
0 1
0 0
x
v
0
1
a
Pasando a tiempo discreto y teniendo en cuenta que
d
dt
x(t)
x(t
k+1
)x(t
k
)
t
:
x(t
k+1
)
v(t
k+1
)
1 t
0 1
x(t
k
)
v(t
k
)
0
t
a(t
k
)
19 / 26
Sistemas de navegacion integrados
Filtrado optimo de sistemas lineales: el ltro de Kalman.
Deduccion del ltro de Kalman. Ecuaciones.
Ejemplo de un ltro de Kalman
Ejemplo 1-D del ltro de Kalman II
Por otro lado el modelo de medida sera: z = x + , luego el
modelo de error sera: z = x + .
Escribiendolo todo:
x(t
k+1
)
v(t
k+1
)
1 t
0 1
x(t
k
)
v(t
k
)
0
t
a(t
k+1
)
z(t
k+1
) = x(t
k+1
) + (t
k+1
)
Ademas las medidas solo se hacen con una frecuencia de 1Hz
(cada segundo), mientras que la frecuencia del acelerometro
es 100 Hz con lo que deberamos tomar t = 0,01.
Supongamos ademas que la precision de los instrumentos es:
2
a
= 0,1,
2
1 0,01
0 1
, B
k
=
0
0,01
, Q
k
= 0,1, R
k
= 0,01, H
k
=
1 0
, t
k
= n
0, t
k
= n.
donde n es cualquier entero (para modelar que se toman
medidas cada segundo, pero no en fracciones de segundo).
20 / 26
Sistemas de navegacion integrados
Filtrado optimo de sistemas lineales: el ltro de Kalman.
Deduccion del ltro de Kalman. Ecuaciones.
Ejemplo de un ltro de Kalman
Ejemplo 1-D del ltro de Kalman III
Por tanto las ecuaciones del ltro de Kalman diran, para cada
instante de tiempo t
k+1
:
(t
k+1
)
v
(t
k+1
)
1 0,01
0 1
x
+
(t
k
)
v
+
(t
k
)
k+1
=
1 0,01
0 1
P
+
k
1 0
0,01 1
+ 0,1
0
0,01
0 0,01
Si t
k+1
= n, es decir, tiene un valor entero, signica que ha
habido medida. Entonces, calcular la ganancia de Kalman:
K
k+1
= P
k+1
1
0
0 1
k+1
0
1
+ 0,01
1
.
Tomamos la medida y calculamos la estimacion a posteriori:
x
+
(t
k+1
)
v
+
(t
k+1
)
(t
k+1
)
v
(t
k+1
)
+ K
k+1
(z(t
k+1
)
1 0
(t
k+1
)
v
(t
k+1
)
,
P
+
k+1
= (I K
k+1
1 0
)P
k+1
.
donde z(t
k+1
) = z(t
k+1
) H
k+1
( x(t
k+1
) + x
(t
k+1
)).
Si no hubo medida, entonces simplemente:
x
+
(t
k+1
)
v
+
(t
k+1
)
(t
k+1
)
v
(t
k+1
)
, P
+
k+1
= P
k+1
.
Actualizamos x(t
k+1
) = x(t
k+1
) + x
+
(t
k+1
). Iteramos para
los siguientes valores de k.
21 / 26
Sistemas de navegacion integrados
Filtrado optimo de sistemas lineales: el ltro de Kalman.
Deduccion del ltro de Kalman. Ecuaciones.
Ejemplo de un ltro de Kalman
Ejemplo 1-D del ltro de Kalman: simulacion I
Simulacion de la posicion (exacta) y medidas:
0 20 40 60 80 100 120
0
50
100
150
200
250
300
350
t
posicion
medidas
22 / 26
Sistemas de navegacion integrados
Filtrado optimo de sistemas lineales: el ltro de Kalman.
Deduccion del ltro de Kalman. Ecuaciones.
Ejemplo de un ltro de Kalman
Ejemplo 1-D del ltro de Kalman: simulacion II
Usando las medidas para estimar la posicion, el resultado es
bueno porque el sensor es preciso y el movimiento en x es
lento.
Si intentamos estimar la velocidad con la formula
v(t
k
) =
x(t
k
)x(t
k1
)
t
se obtiene una estimacion muy mala:
0 20 40 60 80 100 120
!50
0
50
100
150
200
250
300
350
t
0 20 40 60 80 100 120
!2
!1
0
1
2
3
4
5
6
7
8
t
posicion
medidas
velocidad
v estimada de medidas
23 / 26
Sistemas de navegacion integrados
Filtrado optimo de sistemas lineales: el ltro de Kalman.
Deduccion del ltro de Kalman. Ecuaciones.
Ejemplo de un ltro de Kalman
Ejemplo 1-D del ltro de Kalman: simulacion III
Comportamiento de la estimacion y del error sin ltro de
Kalman:
0 20 40 60 80 100 120
0
100
200
300
400
t
0 20 40 60 80 100 120
2
0
2
4
6
8
t
posicion
estimacion de posicion
velocidad
estimacion de velocidad
24 / 26
Sistemas de navegacion integrados
Filtrado optimo de sistemas lineales: el ltro de Kalman.
Deduccion del ltro de Kalman. Ecuaciones.
Ejemplo de un ltro de Kalman
Ejemplo 1-D del ltro de Kalman: simulacion IV
Comportamiento de la estimacion y del error con ltro de
Kalman:
0 20 40 60 80 100 120
0
100
200
300
400
t
0 20 40 60 80 100 120
2
0
2
4
6
t
posicion
estimacion de posicion (KF)
velocidad
estimacion de velocidad (KF)
25 / 26
Sistemas de navegacion integrados
Filtrado optimo de sistemas lineales: el ltro de Kalman.
Deduccion del ltro de Kalman. Ecuaciones.
Ejemplo de un ltro de Kalman
Ejemplo 1-D del ltro de Kalman: simulacion V
Comparacion de errores con y sin ltro de Kalman:
0 20 40 60 80 100 120
0
10
20
30
40
t
0 20 40 60 80 100 120
0
0.5
1
1.5
t
error de posicion (sin KF)
error de posicion (con KF)
error de velocidad (sin KF)
error de velocidad (con KF)
26 / 26