FILTRO DE KALMAN

Resumen
Este artculo contiene una descripcin acerca del algoritmo
desarrollado por Rodolf Kalman. Primero se darn unos
conocimientos bsicos y necesarios para la compresin del
filtro de Kalman, posteriormente se realizar un ejemplo para
una mejor comprension.
Palabras clave: filtros de kalman, algoritmo.

I.

Introduccin

El filtro de Kalman es un algoritmo que se basa en el modelo

de espacio de estados de un sistema para estimar el estado
futuro y la salida futura realizando un filtrado optimo a la
seal de salida, y dependiendo del retraso de las muestras que
se le ingresan puede cumplir la funcin de estimador de
parmetros o nicamente de filtro. Pero en ambos casos
elimina ruido, estas ecuaciones son ampliamente utilizadas ya
que incluyen probabilidades estadsticas puesto que toma en
cuenta la aleatoriedad tanto de la seal como del ruido. A
diferencia de otros tipos de filtros este no requiere de una
frecuencia de corte especfica debido a que se basa en la
caracterstica del ruido permitiendo de esta manera filtrar en
todo el espectro de frecuencias. Adems sus ecuaciones solo
dependen de una muestra anterior y la muestra presente lo que
permite un ahorro considerable de memoria a la hora de ser
implementado en un sistema digital y su fcil programacin lo
hacen muy atractivo ya que se basa en un mtodo recursivo
(Castaeda, 20013).
Entre varias de sus aplicaciones se encuentran la estimacin
demogrfica, procesamiento de seales biolgicas, sistemas de
navegacin, predecir el comportamiento de variables
econmicas, procesamiento de imgenes, entre otras. Debido a
su gran campo de accin se hace muy importante conocer su
funcionamiento para as tener las herramientas bsicas que
permitan la solucin de diversos problemas prcticos de forma
sencilla y ptima.

el estado de un proceso, de un modo que minimiza la varianza

estimada del error utilizando mnimos cuadrados. El filtro es
muy poderoso en varios aspectos: da soporte de estimaciones
pasadas, presentes y de futuros estados y puede hacer esto aun
cuando la naturaleza del sistema modelado sea desconocida.
El filtro Kalman es el mejor estimador posible para una amplia
clase de problemas y un muy efectivo estimador para una
clase aun mayor.
El filtro de Kalman proporciona un buen marco para la
estimacin incremental de una cantidad en una situacin en la
cual las mediciones relacionadas con la misma estn
disponibles a lo largo del tiempo. Concretamente, se trata de
una tcnica de estimacin Bayesiana empleada para seguir
sistemas estocsticos dinmicos observados mediante sensores
ruidosos. El filtro es un procedimiento matemtico que opera
por medio de un mecanismo de prediccin y correccin. En
esencia este algoritmo pronostica el nuevo estado a partir de
su estimacin previa aadiendo un trmino de correccin
proporcional al error de prediccin, de tal forma que este
ltimo es minimizado estadsticamente (Prado, 2005).
El objetivo del filtro es la obtencin de un estimador ptimo
de las variables de estado de un sistema dinmico, basado en
observaciones ruidosas y en un modelo de incertidumbre de la
dinmica del sistema(Rodrguez, 2003).
El mtodo estima el estado x perteneciente a Rn de un proceso
controlado en tiempo discreto que es gobernado por la
ecuacin diferencial del tipo:

(1)
con una medida z correspondiente a la observacin y
perteneciente a Rm que es:

(2)
II.

Estimaciones estocsticas

Mientras hay muchas aplicaciones especficas para computar

(aproximar o estimar) un estado desconocido desde una serie
de mediciones del proceso, muchos de estos mtodos no
toman en consideracin la naturaleza tpica del ruido de las
medidas, el cual es tpicamente estadstico por naturaleza (o
puede ser modelado efectivamente como uno) lo que lleva a
mtodos estocsticos para la resolucin de problemas
(Castaeda, 20013).

III.

El filtro de Kalman

El filtro Kalman es un conjunto de ecuaciones matemticas

que proveen una eficiente manera computacional para estimar

Las variables aleatorias wk y vk representan el ruido del

proceso y de la medida respectivamente y se asume que son
independientes y blancos(Rodrguez, 2003)..
La matriz A relaciona el estado en tiempo k-1 con el estado en
tiempo k.
La matriz B relaciona la entrada control u perteneciente a Rn
con el estado x.
Y la matriz H relaciona el estado con la medida zk.

El filtro de Kalman proporciona una ecuacin que computa un

estimador del estado a posteriori como combinacin lineal
del estimador a priori
y la diferencia ponderada entre la
observacin actual
y una prediccin de medida
(Rodrguez, 2003).

(7)

(8)

(3)
La diferencia
se llama comnmente innovacin
de la medida o simplemente residuo y refleja la discrepancia
entre la prediccin de la medida
y la observacin actual
. La matriz K llamada ganancia de Kalman o factor de
mezcla establece la cantidad de influencia del error entre
nuestra estimacin y la medida:

(9)
La descripcin del filtro de Kalman con sus ecuaciones puede
verse en el siguiente diagrama.

(4)
Siendo
el estimador de la covarianza del error a priori y R
la covarianza del error medido. Vemos que si R se aproxima a
0, la ganancia ponderar el residuo con mayor peso. Por el
contrario, cuando
se aproxime a 0, la ganancia ponderar
menos el residuo(Rodrguez, 2003).
Otra forma ms intuitiva de ver la ponderacin de K, es que
cuando la covarianza del error de medida R se aproxime a 0,
tendremos ms confianza en la observacin actual
,
mientras que la medida predicha
perder confianza en la
misma medida. Por otra parte, cuando el estimador de la
covarianza del error a priori
se aproxime a 0 se perder
confianza en la medida y la de la medida predicha
se incrementar.
El filtro de Kalman estima variables de estado de un proceso
con realimentacin.Calcula el estado del proceso en algn
instante y entonces obtiene informacin (se realimenta) de la
medida. Por tanto, las ecuaciones del filtro se pueden
clasificar en dos tipos: actualizacin del tiempo y
actualizacin de las medidas. Las primeras son responsables
de proyectar hacia el futuro los estimadores del estado actual y
de la covarianza del error, para obtener los estimadores a
priori del siguiente estado. Las ecuaciones de actualizacin de
las medidas son responsables de la realimentacin,
incorporando una nueva medida a los estimadores a priori para
obtener unos estimadores a posteriori mejorados. Las
ecuaciones de actualizacin del tiempo pueden ser
interpretadas como ecuaciones de prediccin, mientras que las
de actualizacin de la medida pueden pensarse como
ecuaciones de correccin. Las ecuaciones especficas para las
actualizaciones del tiempo y la medida son respectivamente
(Rodrguez, 2003).:

(5)

(6)

Figura 1. Diagrama completo de la operacion del Filtro de

Kalman (Welch y Bishop, 2001, p.24).

IV. Ejemplo
En este estudio, con el fin de mostrar la aplicabilidad del
filtrado de Kalman para la estimacin hidrolgica, se presenta
un ejemplo en el cual se estiman los gastos de una cuenca
ficticia conociendo la siguiente informacion.

Tabla 1. Datos presentados en las estaciones en un tiempo previo a

la estimacion.

Est. 1

Est. 2

Est. 3

Ph(mm)

Ph(mm)

Q(m3/s)

1.2

15.682

46.3

2.5

13.591

28.5

51.8

32.885

9.1

16.3

40.178

62

36.2

39.221

7.4

23.1

51.814

1.5

1.5

44.199

0.4

0.2

40.153

0.8

2.2

29.514

2.5

1.2

27.729

36.615

18.5

9.3

26.167

26.357

23.91

la incertidumbre de los valores supuestos para el estado inicial

y el cual supondremos con un valos de 1000. I es la matriz
identidad de dimensiones (n+nQ).
Una vez definidas las condiciones iniciales, el filtro se
conduce a las ecuaciones de prediccion. Para el caso
especifico del presente trabajo estas ecuaciones estaran
conformadas por:
Ecuaciones de pronstico del estado.
Proyeccin del estado hacia adelante (pronstico):

Tabla 2. Datos a estimar correspondientes a la estacin

hidrologica 3.

Est. 3

(12)
A(n+nQ,n+nQ)= Matriz identidad, sus dimensiones dependen
de la informacion considerada en un lapso anterior, en este
caso de los registros previos de lluvia a considerar n y de los
caudales en un paso anterior medidos en tiempo real nQ.

Q(m3/s)
20.445
27.378

= Estado estimado a priori. Esta variable se ira

modificando con cada ciclo de pronostico y actualizacion. Su
valor inicial se supone, en nuestro caso ya fue supuesta como
un vector de ceros.

20.889
16.528
13.821

B(n+nQ,n+nQ)= Esta matriz relaciona el control opcional de

entrada con el estado. Para el presente trabajo estara definida
como una matriz identidad con las mismas dimensiones que la
matriz A.

12.552
17.808
27.163
15.505

= Esta matriz representa el control opcional de entradas.

Debido a que el sistema no contiene variables que podamos
controlar y que influyan en la respuesta del sistema, sera
considerado como un vector de ceros de dimensiones
(n+nQ,1).

23.394
26.991
21.221
16.863

Proyeccin de la matriz de covarianza del error haca

adelante

25.423

Como se menciono previamente, el filtro de Kalman parte de

una estimacion a priori del estado inicial
, con base en
toda la informacion disponible hasta ese momento, asi como
de un valor inicial de la matriz de covarianza del error
.
Para el presente trabajo, el valor esperado del estado inicial
sera considerado arbitrariamente como un vector de ceros
debido a que no se conoce con exactitud el valor que tomara el
estado inicialmente, suponiendo entonces que parte de cero.
Sus dimensiones seran de (n+nQ) segun los
caudales nQ y precipitaciones n anteriores consideradas
como influyentes en el calculo de funcion de respuesta:
(10)

(13)
Q(n+nQ,n+nQ)= Matriz de covarianza de la perturbacion del
proceso. Para el presente trabajo es considerada como una
matriz de ceros, de dimensiones (n+nQ,n+nQ). La matriz es
nula debido a que no se considera un error en el proceso, es
decir, se acepta que la funcion de respuesta calculada no
presenta error.
Con las ecuaciones anteriores es posible obtener el primer
pronostico de la funcion de respuesta del sistema, asi como de
la matriz de covarianza.
Una vez obtenida la funcion de respuesta, el pronstico de
los caudales es realizado a traves de la ecuacion es:

mientras que la matriz de covarianza del error del estado

inicial sera:

(14)
Donde
(11)

Donde N es un escalar lo suficientemente grande que refleja

es la funcion de respuesta pronosticada.

En la ecuacion 14. H(1,n+nQ)= Vector que contiene los

valores de caudal nQ y precipitacion n considerados como
mediciones previas al momento K analizado.
Una vez realizado el pronostico, el metodo de aplicacion del
filtro prosigue con la correccion o bien la actualizacion del
pronostico realizado, con base en la incorporacion de las
mediciones realizadas en el instante analizado. Este paso es el
responsable de la retroalimentacion, debido a que incorpora
nueva informacion dentro de la estimacion anterior, con lo que
es posible obtener una estimacion mejorada del estado, en este
caso de la funcion de respuesta en la cuenca, a posteriori.

Pk= Matriz de covarianza corregida, estimada con base en las

nuevas mediciones del sistema.
= Matriz de covarianza estimada a priori en la primera
etapa de prediccion del FKD.
Una vez llevada a cabo la actualizacion del pronostico de la
funcion de respuesta en la cuenca, se actualiza el pronostico de
los caudales de entrada a esta de la siguiente manera:

(18)

Las ecuaciones en este paso estaran conformadas de la

siguiente manera:

Donde
es la funcion de respuesta corregida o bien
actualizada.

Actualizacin o correccin del pronstico.

Clculo de la ganancia de Kalman

Es importante recordar que una vez realizadas dichas

actualizaciones, las variables de estado
y la matriz de
covarianza actualizadas , seran consideradas como iniciales
en el siguiente pronostico, aplicando nuevamente el algoritmo.

(15)
Donde:
= Matriz de covarianza del error estimada con anterioridad
en las ecuaciones de prediccion.
H(1,n+nQ)= Vector que contiene los valores de caudal nQ y
precipitacion n medidos en el lapso anterior al analizado.
R= Matriz de covarianza de la perturbacion de la medicion.
Para el caso del presente trabajo, estara representada por
, donde
es una constante de proporcionalidad
que representa un error constante igual a una fraccion del
caudal medido en el tiempo anterior k-1.
Actualizacin del pronstico con base en las mediciones
actuales zk

(16)

Donde:
= Pronostico de la funcion de respuesta, corregida
considerando las nuevas mediciones en el sistema.
K= Ganancia de Kalman que permite realizar la correccion en
el nuevo pronostico (fue definida en el paso anterior).
Zk= Caudal real, medido en el momento k analizado. tomado
directamente del registro de la estacion hidrometrica.
= Primera estimacion del estado (funcion de respuesta de la
cuenca), obtenido en la primera etapa de la aplicacin del
FKD.
El vector H ya fue definido con anterioridad.
Actualizacin de la matriz de covarianza.
(17)

Las matrices de la covarianza del error en el proceso (Q), y de

la medida R, utilizados en las ecuaciones de prediccion y
actualizacion del sistema se propusieron constantes.

Resultados.
Se presenta a continuacion los valores obtenidos mediante el
proceso asi como sus estadisticos .
Tabla 3. Resumen de los caudales pronosticados, actualizados y
observados

Zest1

Zest2

Valor real

20.445

20.445

20.445

23.912

27.378

23.912

22.904

20.889

22.904

21.31

16.528

21.31

19.8012

13.821

19.8012

18.602

12.552

18.602

18.489

17.808

18.489

19.573

27.163

19.573

19.121

15.505

19.121

19.548

23.394

19.548

20.225

26.991

20.225

20.308

21.221

20.308

20.043

16.863

20.043

20.427

25.423

Tabla 4. Estadisticos de los caudales pronosticados, actualizados y

observados.

Zest1

Zest2

Valor real

Media

18.8772286

20.3363

20.4272143

Des. Est.

5.64041818

1.51489286

5.08412238

Conclusiones
Se puede observar en los resultados obtenidos que las medias
son parecidas pero las desviaciones estandar varian lo que
podia ser probocado por ralacin que existe entre las
estaciones climatologicas con las hidrometricas.
Con el filtro de Kalman se puede conocer los estimados con la
actualizacin de cada muestra a travs del tiempo, lo que
permite saber el comportamiento especifico del sistema en
cada muestra, es decir, notando cambios muestra tras

muestra.
El algoritmo ademas es una excelente herramienta matemtica
ya que consta de una etapa de prediccin seguida de una etapa
de correccin aplicada al proceso, lo que permite no solo
estimar sino filtrar de manera ptima nuestros datos.

Referencias

Castaeda, J.A., Nieto, M.A., Ortiz, V.A. (2013).

Anlisis y aplicacin del filtro de Kalman a

una seal con ruido aleatorio. Ingenoeria
electrnica, Universidad Tecnolgica de
Pereira, Pereira, Colombias.

Prado, G. (2005). Tcnicas Recursivas Para

Estimacin Dinmica Una Introduccin
Matemtica al Filtro Kalman. Fundacin
Universitaria Konrad Lorenz Facultad de
Matemticas Bogot.

Rodrguez, P.(2003). Aplicacin del filtro de

kalman al seguimiento de objetos en
secuencias de imgenes.Ingeniera tcnica en
informtica de sistemas, Universidad Rey Juan
Carlos, Madrid, Espaa.

Welch G. y Bishop G. (2001). An Introduction

to the Kalman Filter. University of North
Carolina at Chapel Hill. Department of
Computer Science. Editorial SIGGRAPH,
curso 8.