Está en la página 1de 41

Filtro de Kalman

´
Observador de Estado Optimo
Carolina Higuera, Jesus Viveros, Fredy Dulce, Nohora Espa˜
na
Universidad de los Andes

Noviembre 5, 2015

Carolina Higuera, Jesus Viveros, Fredy Dulce, Nohora Espa˜
nFiltro
a (UNIANDES)
de Kalman

Noviembre 5, 2015

1 / 41

Overview
1 Filtro de Kalman

Generalidades
Aplicaciones
2 Filtro de Kalman Discreto

Actualizaci´on de tiempo
Actualizaci´on de la medici´
on
Filtro de Kalman en estado estable
3 Filtro de Kalman Continuo (Filtro Kalman-Bucy)

Pasos para hallar la ganancia K ´
optima
Dualidad con LQR
4 Estimadores de estado para sistemas no lineales

Extended Kalman Filter
Unscented Kalman Filter
5 Conclusiones
Carolina Higuera, Jesus Viveros, Fredy Dulce, Nohora Espa˜
nFiltro
a (UNIANDES)
de Kalman

Noviembre 5, 2015

2 / 41

Filtro de Kalman

Generalidades

Generalidades

Rudolph E. Kalman en 1960
Ruido en la ecuaci´on de estados y la salida
Minimiza un criterio determinado incorporando toda la informaci´on
que se le suministra para determinar el filtrado
No requiere mantener los datos previos
Dos etapas
Actualizaci´
on de tiempo (predicci´
on)
Actualizaci´
on de la medici´
on (correcci´
on)

Carolina Higuera, Jesus Viveros, Fredy Dulce, Nohora Espa˜
nFiltro
a (UNIANDES)
de Kalman

Noviembre 5, 2015

3 / 41

Filtro de Kalman

Aplicaciones

Aplicaciones

Navegaci´on
Control
Meteorolog´ıa
Hidrolog´ıa
Finanzas, etc.

Carolina Higuera, Jesus Viveros, Fredy Dulce, Nohora Espa˜
nFiltro
a (UNIANDES)
de Kalman

Noviembre 5, 2015

4 / 41

... .Filtro de Kalman Discreto Se considera el sistema x(k + 1) = Ax(k) + Bu(k) + w (k) y (k) = Cx(k) + v (k) Donde w (k) y v (k) son variables aleatorias que act´ uan como ruido aditivo asociadas a la medida y al sistema. y (k)] Carolina Higuera. Fredy Dulce.. Nohora Espa˜ nFiltro a (UNIANDES) de Kalman Noviembre 5. Jesus Viveros... y (k − 1)] xˆ(k) = E [x(k)|y (1). 0 Se define la predicci´on y actualizaci´ on de estados estimados x (k) y xˆ(k). 0 x (k) = E [x(k)|y (1).. 2015 5 / 41 .

y su expresi´on es: P(k + 1) = E [e(k + 1)e T (k + 1)] Carolina Higuera. Fredy Dulce. Nohora Espa˜ nFiltro a (UNIANDES) de Kalman Noviembre 5. 2015 6 / 41 . Jesus Viveros.Filtro de Kalman Discreto Figura: Estimaci´ on del estado y la covarianza en el tiempo Se define el error como la diferencia entre el valor del estado y la estimaci´on e(k) = x(k) − xˆ(k) Notamos la ecuaci´on de covarianza como P(k + 1).

Fredy Dulce. Nohora Espa˜ nFiltro a (UNIANDES) de Kalman Noviembre 5.Filtro de Kalman Discreto Actualizaci´ on de tiempo Actualizaci´on de tiempo Predicci´on del estado 0 x (k + 1) = Aˆ x (k) + Bu(k) (1) Predicci´on de la matriz de covarianza 0 P (k + 1) = AP(k)AT + Q (2) Q = E [w (k)w (k)T ] matriz de covarianza de los ruidos del proceso (sim´etrica) Carolina Higuera. 2015 7 / 41 . Jesus Viveros.

2015 (5) 8 / 41 . Jesus Viveros.Filtro de Kalman Discreto Actualizaci´ on de la medici´ on Actualizaci´on de la medici´on C´alculo del vector de ganancias 0 0 K (k + 1) = CP (k + 1)[CP (k + 1)C T + R(k + 1)]−1 (3) R = E [v (k)v (k)T ] matriz de covarianza de los ruidos de la medici´ on (sim´etrica) Actualizaci´on del estado 0 0 xˆ(k + 1) = x (k + 1) + K (k + 1)[y (k + 1) − Cx (k + 1)] (4) Actualizaci´on de la matriz de covarianza 0 P(k + 1) = [I − K (k + 1)C ]P (k + 1) Carolina Higuera. Fredy Dulce. Nohora Espa˜ nFiltro a (UNIANDES) de Kalman Noviembre 5.

Fredy Dulce. 0) v (k) ∼ (0. 0) v (k) ∼ (0. 1) Carolina Higuera. Nohora Espa˜ nFiltro a (UNIANDES) de Kalman Noviembre 5.Filtro de Kalman Discreto Actualizaci´ on de la medici´ on Ejemplo Modelo Real Modelo Asumido x(k + 1) = x(k) + w (k) y (k) = x(k) + v (k) w (k) ∼ (0. 1) x1 (k + 1) = x1 (k) + x2 (k) + w1 (k) x2 (k + 1) = x2 (k) + w2 (k) y (k) = x1 (k) + v (k) w1 (k) ∼ (0. Jesus Viveros. 2015 9 / 41 . 0) w2 (k) ∼ (0.

Nohora Espa˜ nFiltro a (UNIANDES) de Kalman Noviembre 5. Jesus Viveros. Fredy Dulce. 2015 10 / 41 .Filtro de Kalman Discreto Actualizaci´ on de la medici´ on Predicci´ on 0 x (k + 1) = xˆ(k) 0 P (k + 1) = P(k) Actualizaci´ on 0 P (k + 1) K (k + 1) = 0 P (k + 1) + 1 0 0 xˆ(k + 1) = x (k + 1) + K (k + 1)[y (k + 1) − x (k + 1)] 0 P(k + 1) = (1 − K (k + 1))P (k + 1) Carolina Higuera.

Filtro de Kalman Discreto Actualizaci´ on de la medici´ on Simulaci´on Q=0 600 true state estimated state 500 400 300 200 100 0 0 5 10 15 20 25 30 35 40 45 50 time Carolina Higuera. 2015 11 / 41 . Nohora Espa˜ nFiltro a (UNIANDES) de Kalman Noviembre 5. Jesus Viveros. Fredy Dulce.

Fredy Dulce.1) xhat (Q = 0. Jesus Viveros. Nohora Espa˜ nFiltro a (UNIANDES) de Kalman Noviembre 5.01) xhat (Q = 0) 500 400 300 200 100 0 0 5 10 15 20 25 30 35 40 45 50 time Carolina Higuera.Filtro de Kalman Discreto Actualizaci´ on de la medici´ on Simulaci´on Adición de Ruido Ficticio en el Proceso 600 true state xhat (Q = 1) xhat (Q = 0. 2015 12 / 41 .

Si el sistema. pero se acerca al ´ optimo cuando k → ∞ Se puede determinar K∞ mediante simulaci´ on num´erica Carolina Higuera. las covarianzas del proceso y la medici´on del ruido son invariantes en el tiempo se puede hacer uso del filtro de Kalman de estado estacionario.Filtro de Kalman Discreto Filtro de Kalman en estado estable Filtro de Kalman en estado estable Implementaciones en sistemas embebidos. No se calcula la ganancia de Kalman en tiempo real (K∞ ) No es ´optimo. 2015 13 / 41 . Nohora Espa˜ nFiltro a (UNIANDES) de Kalman Noviembre 5. Jesus Viveros. Fredy Dulce.

Este valor de estado estable se denota como P∞ Ecuaci´on algebr´aica de Riccati discreta (EARD): P∞ = AP∞ AT − A(P∞ C T + M)(CP∞ C T + CM + M T C T + R)−1 (CP∞ + M T )AT + Q Ganancia de Kalman de estado estable: K∞ = (K∞ C T + M)(CP∞ C T + CM + M T C T + R)−1 Para algunos sistemas la EARD no converge a un valor de estado estacionario. Puede converger a diferentes valores dependiendo de la condici´on inicial P0 .Filtro de Kalman Discreto Filtro de Kalman en estado estable 0 0 0 Si P (k) converge a un valor en estado estable entonces P (k) = P (k + 1) para valores grandes de k. A´ un cuando converge puede resultar en un filtro de Kalman inestable. 2015 14 / 41 . Fredy Dulce. Carolina Higuera. Nohora Espa˜ nFiltro a (UNIANDES) de Kalman Noviembre 5. Jesus Viveros.

Jesus Viveros. Fredy Dulce.Filtro de Kalman Discreto Filtro de Kalman en estado estable Asumimos que Q ≥ 0 y R > 0 y definimos G como cualquier matriz tal que GG T = Q − MR −1 M T . 2015 15 / 41 . Carolina Higuera. Nohora Espa˜ nFiltro a (UNIANDES) de Kalman Noviembre 5. El filtro de Kalman de estado estable est´a dado por: xˆ(k + 1) = (I − K∞ C )Aˆ x (k) + K∞ y (k + 1) P∞ se define como una soluci´ on estabilizable de la EARD si la magnitud de todos los eigenvalores de (I − K∞ C )A es menor a 1.

C ) es detectable y (A − MR −1 C . Adem´as el filtro de Kalman de estado estable correspondiente es estable. G ) es controlable en el c´ırculo unitario. Teorema 2 al menos una soluci´ on semidefinida positiva P∞ si y solo si: (A. Jesus Viveros. estable. 2015 16 / 41 . C ) es detectable y (A − MR −1 C . estable. Nohora Espa˜ nFiltro a (UNIANDES) de Kalman Noviembre 5. C ) es detectable y (A − MR −1 C . G ) es estabilizable. Carolina Higuera. exactamente una de las soluciones positiva definida de la EARD resulta en un filtro de Kalman de estado estable. Fredy Dulce. exactamente una de las soluciones positiva semidefinida de la EARD resulta en un filtro de Kalman de estado estable.Filtro de Kalman Discreto Filtro de Kalman en estado estable Teoremas La ecuaci´on algebr´aica de Riccati discreta tiene: Teorema 1: una u ´nica soluci´ on semidefinida positiva P∞ si y solo si:(A. Adem´as. Adem´as. Teorema 3 al menos una soluci´ on definida positiva P∞ si y solo si: (A. G ) es controlable en y dentro del c´ırculo unitario.

Carlton. A. Modelo de la din´amica del sistema: x(t) ˙ = Ax(t) + Bu(t) + w (t) y (t) = Cx(t) + v (t) w ∼ (0. Nohora Espa˜ nFiltro a (UNIANDES) de Kalman Noviembre 5. G. Carolina Higuera. v : ruido blanco en las mediciones de los estados. 2015 17 / 41 . Qc ) v ∼ (0.Filtro de Kalman Continuo (Filtro Kalman-Bucy) Filtro de Kalman Continuo Desarrollado por James Follin. James Hanson y Richard Bucy a finales de los a˜ nos 50 para los laboratorios de f´ısica aplicada Johns Hopkins. Rc ) Donde: w : ruido blanco en el modelo del sistema. Fredy Dulce. Tambi´en conocido como filtro de Kalman-Bucy. Jesus Viveros.

Filtro de Kalman Continuo (Filtro Kalman-Bucy) Error de estimaci´on Error de estimaci´on: e˙ = x˙ − xˆ˙ Donde: x˙ = Ax + Bu + w xˆ˙ = Aˆ x + Bu + K (y − C xˆ) Reemplazando se obtiene la ecuaci´ on diferencial del error de estimaci´ on: e˙ = (A − KC )e + (w − Kv ) Carolina Higuera. Fredy Dulce. Nohora Espa˜ nFiltro a (UNIANDES) de Kalman Noviembre 5. Jesus Viveros. 2015 18 / 41 .

2015 19 / 41 . Nohora Espa˜ nFiltro a (UNIANDES) de Kalman Noviembre 5. Fredy Dulce. Jesus Viveros.Filtro de Kalman Continuo (Filtro Kalman-Bucy) Pasos para hallar la ganancia K ´ optima Pasos para hallar la ganancia K ´optima Paso 1: Encontrar ecuaci´ on diferencial de la covarianza del error de estimaci´ on Covarianza del error: P = E (ee T ). Carolina Higuera. matriz sim´etrica y positiva definida. por lo cual: E [e(w T − v T K T )] = E [(w − Kv )e T ]. Derivar P con respecto a e(t): P˙ = E [ee ˙ T + e e˙ T ] = E [(A − KC )ee T + (w − Kv )e T + ee T (AT − C T K T ) + e(w T − v T K T ) Solucionar el t´ermino E [e(w T − v T K T )]: 1 1 E [e(w T − v T K T )] = Qc + KRc K T 2 2 Este t´ermino es sim´etrico .

Nohora Espa˜ nFiltro a (UNIANDES) de Kalman Noviembre 5. Es independiente de e(0) y depende de la matriz de ganancia del estimador K .Filtro de Kalman Continuo (Filtro Kalman-Bucy) Pasos para hallar la ganancia K ´ optima Pasos para hallar la ganancia K ´optima Reemplazando E [e(w T − v T K T )] en la ecuaci´ on de P˙ se obtiene: P˙ = (A − KC )P + P(AT − C T K T ) + Qc + KRc K T Esta ecuaci´on gobierna la propagaci´ on de la covarianza del error de estimaci´on. 2015 20 / 41 . Carolina Higuera. Fredy Dulce. Jesus Viveros.

positiva definida y no especificada. Carolina Higuera. Nohora Espa˜ nFiltro a (UNIANDES) de Kalman Noviembre 5.Filtro de Kalman Continuo (Filtro Kalman-Bucy) Pasos para hallar la ganancia K ´ optima Pasos para hallar la ganancia K ´optima Paso 2: K como funci´ on de la covarianza del error de estimaci´ on Minimiza la funci´on de costo escalar J = E [e T We] = traza(PW ) Donde W es una matriz de ponderaci´ on sim´etrica. Jesus Viveros. Fredy Dulce. Λ : matriz (n x n) de multiplicadores de Lagrange (Λ = ΛT ). 2015 21 / 41 . Se introduce una funci´on de costo auxiliar J 0 = traza(PW + ΛF ) Donde: F : matriz (n x n) de ceros.

2015 22 / 41 . J 0 = traza[PW + Λ(−P˙ + AP − KCP + PAT − PC T K T + Qc + KRc K T )] Si se escoge el valor correcto para K de tal manera que J 0 sea ´optimo. Fredy Dulce. solucionar J 0 es solucionar J. ˙ Multiplicadores de Lagrange permiten incluir la restricci´on de P. Jesus Viveros. 0 entonces debe cumplirse ∂J ∂K = 0. ∂J 0 = 2Λ(−PC T + KRc ) = 0 ∂K K = PC T Rc −1 Matriz de ganancia del observador es funci´ on de la covarianza del error de estimaci´on de los estados. Nohora Espa˜ nFiltro a (UNIANDES) de Kalman Noviembre 5.Filtro de Kalman Continuo (Filtro Kalman-Bucy) Pasos para hallar la ganancia K ´ optima Como F = 0. Carolina Higuera.

P puede hallarse integrando hacia adelante. Jesus Viveros.Filtro de Kalman Continuo (Filtro Kalman-Bucy) Pasos para hallar la ganancia K ´ optima ˙ Reemplazando K en la ecuaci´ on de P: P˙ = AP + PAT + Qc − PC T Rc −1 CP Se observa que la ecuaci´on de P˙ tiene la forma de la ecuaci´on matricial diferencial de Riccati. Como se conoce P(0) = E [(x(0) − xˆ(0))(x(0) − xˆ(0))T ]. Carolina Higuera. 2015 23 / 41 . Fredy Dulce. Nohora Espa˜ nFiltro a (UNIANDES) de Kalman Noviembre 5.

Filtro de Kalman Continuo (Filtro Kalman-Bucy) Pasos para hallar la ganancia K ´ optima Ejemplo Estimar el nivel del tanque Modelo del sistema: x˙1 (t) = 1 Atank x˙2 (t) = 0 [Kp u(t) − x2(t)] + w y (t) = x1 (t) + v Carolina Higuera. 2015 24 / 41 . Nohora Espa˜ nFiltro a (UNIANDES) de Kalman Noviembre 5. Fredy Dulce. Jesus Viveros.

009). x2 : Flujo de salida (m3 /s) (Se asume casi constante). v : Ruido en la medici´on de nivel (Rc = 0.1m2 ). Fredy Dulce. 2015 25 / 41 .001(m3 /s)/V ).Filtro de Kalman Continuo (Filtro Kalman-Bucy) Pasos para hallar la ganancia K ´ optima Ejemplo Donde: x1 : Nivel del tanque (m). Carolina Higuera. Jesus Viveros. Nohora Espa˜ nFiltro a (UNIANDES) de Kalman Noviembre 5.001). ´ Atank : Area del tanque (Atank = 0. Kp : Flujo de salida/Voltio de la motobomba (Kp = 0. w : Ruido en el modelo (Qc = 0.

0021 −0. Nohora Espa˜ nFiltro a (UNIANDES) de Kalman Noviembre 5.0002 2. Jesus Viveros.5 2 P= 1. 2015 26 / 41 . Fredy Dulce.0021 0  0 Nivel modelo sin ruido Nivel modelo con ruido Estimación de nivel con filtro de Kalman -0.0e −3 Nivel (m) Covarianza del error de estimaci´on: 1.K.5  0.0677 K= −0.5 1 0.R) Nivel del tanque y estimación dada por filtro de Kalman continuo 3 Ganancia  del estimador:  0.P]=kalman(sys.6089 −0.Filtro de Kalman Continuo (Filtro Kalman-Bucy) Pasos para hallar la ganancia K ´ optima Ejemplo [kest.5 0 5 10 15 20 2 u(t) Carolina Higuera.Q.

B. C . Rc > 0 (x T Qx + u T Ru)dt Q ≥ 0. Rc constantes con Qc ≥ 0. 2015 27 / 41 . Jesus Viveros. Nohora Espa˜ nFiltro a (UNIANDES) de Kalman PAT K = PC T Rc −1 + AP + Qc − PC T Rc −1 CP = 0 Noviembre 5. Rc > 0. Cuadro: Comparaci´ on problema de control ´ optimo y estimaci´on ´optima LQR x˙ = Ax + Bu y = Cx u = −Fx Modelo del sistema Funci´ on de costo J= Soluci´ on KA + 1 2 Filtro de Kalman continuo x˙ = Ax + Bu + w y = Cx + v xˆ˙ = Aˆ x + Bu + K (y − C xˆ) R∞ J = E [(x − xˆ)T (x − xˆ)] Qc ≥ 0. R > 0 0 F = R −1 B T K + Q − KBR −1 B T K = 0 AT K Carolina Higuera.Filtro de Kalman Continuo (Filtro Kalman-Bucy) Dualidad con LQR Dualidad con LQR Para sistemas LTI se tiene A. Fredy Dulce. Qc . por lo cual P puede hallarse solucionando la ecuaci´ on algebraica de Riccati (ARE).

Jesus Viveros. y la estimaci´on de este u ´ltimo se basa en la estimaci´ on de estados realizada. 2015 28 / 41 . Carolina Higuera. Fredy Dulce. Es posible implementar EKF: Sistema de tiempo continuo con mediciones continuas.Estimadores de estado para sistemas no lineales Extended Kalman Filter Extended Kalman Filter Propuesto por Stanley Schmidt. Sistema de tiempo continuo con mediciones discretas. Sistema de tiempo discreto con mediciones discretas. En el EKF el sistema se linealiza alrededor de la estimaci´on de estados proporcionada por el filtro de Kalman lineal. Nohora Espa˜ nFiltro a (UNIANDES) de Kalman Noviembre 5.

t) Paso 1: C´ alculo de Matrices de linealizaci´ on . w .Estimadores de estado para sistemas no lineales Extended Kalman Filter Extended Kalman Filter en tiempo Continuo x˙ = f (x. t) y = h(x. v . u.

∂f .

.

A= ∂x .

xˆ .

∂f .

.

L= ∂w .

xˆ .

∂h .

.

C= ∂x .

xˆ .

∂h .

.

M= ∂v .

Fredy Dulce. Jesus Viveros. Nohora Espa˜ nFiltro a (UNIANDES) de Kalman Noviembre 5.xˆ Carolina Higuera. 2015 29 / 41 .

2015 30 / 41 . Jesus Viveros. t)] P˙ = AP + PAT + Q˜ − PC T Rˆ −1 CP Carolina Higuera. w0 . Nohora Espa˜ nFiltro a (UNIANDES) de Kalman Noviembre 5. Fredy Dulce.Estimadores de estado para sistemas no lineales Extended Kalman Filter Extended Kalman Filter Paso 2: C´ alculo de Matrices Q˜ = LQLT R˜ = MRM T Paso 3: Ecuaciones de filtro de Kalman xˆ(0) = E [x(0)] P(0) = E [(x(0) − xˆ(0))(x(0) − xˆ(0))T ] K = PC T R˜ −1 xˆ˙ = f (ˆ x . t) + K [y − h(ˆ x . v0 . u.

5 0 -0.5 0.5 1 1. Nohora Espa˜ nFiltro a (UNIANDES) de Kalman Noviembre 5. Jesus Viveros.5 1 1. 2015 31 / 41 . Fredy Dulce.5 1 0 -1 1.5 10 Position (Rad) Speed (Rad/Sec) 0 1 0 -10 True Estimated 5 0 0 0.5 0 10 0.5 1 1.5 Time (Seconds) Figura: Estimaci´ on de estados de motor s´ıncrono Carolina Higuera.5 0 Time (Seconds) 0.Estimadores de estado para sistemas no lineales Extended Kalman Filter 1 Current B (Amps) Current A (Amps) Ejemplo EKF 0.

2015 32 / 41 . Nohora Espa˜ nFiltro a (UNIANDES) de Kalman Noviembre 5. Jesus Viveros.5 Seconds Figura: traza(P) Carolina Higuera.Estimadores de estado para sistemas no lineales Extended Kalman Filter Ejemplo EKF Trace(P) 14 12 10 8 6 4 2 0 0 0. Fredy Dulce.5 1 1.

Estimadores de estado para sistemas no lineales Unscented Kalman Filter Unscented Kalman Filter ´ cuando la aproximaci´ Util on lineal de EKF no es lo suficientemente buena. y permite la caracterizaci´on del promedio y la varianza. Carolina Higuera. Nohora Espa˜ nFiltro a (UNIANDES) de Kalman Noviembre 5. Utiliza un conjunto de puntos(Sigma points) sobre los cuales se propagan las transformaciones no lineales del sistema. Jesus Viveros. Fredy Dulce. 2015 33 / 41 .

u(k).Estimadores de estado para sistemas no lineales Unscented Kalman Filter Unscented Kalman Filter Considere el sistema en tiempo discreto: x(k + 1) = f (x(k). Fredy Dulce. R(k)) Paso 1:Inicializaci´ on xˆ+ (0) = E (x(0)) P + (0) = E [(x(0) − xˆ+ (0))(x(0) − xˆ+ (0))T ] Carolina Higuera. t(k)) + w (k) y (k) = h(x(k). t(k)) + v (k) w (k)− > (0. 2015 34 / 41 . Nohora Espa˜ nFiltro a (UNIANDES) de Kalman Noviembre 5. Q(k)) v (k)− > (0. Jesus Viveros.

.. Jesus Viveros... t(k)) Carolina Higuera. inicialmente se escoge 2n Sigma points (n.. xˆ(i) (k − 1) = xˆ+ (k − 1) + x˜(i) i = 1. 2n T p nP + (k − 1) x˜(i) = i p T x˜(n+i) = − nP + (k − 1) i i = 1. 2015 35 / 41 . .. u(k). Nohora Espa˜ nFiltro a (UNIANDES) de Kalman Noviembre 5. xˆ(i) (k) = f (ˆ x (i) (k − 1).. n Seguidamente se propaga los sigma points a trav´es del sistema.Estimadores de estado para sistemas no lineales Unscented Kalman Filter Unscented Kalman Filter Paso 2:Propagaci´ on de promedio y covarianza de estado Para propagar desde el tiempo k − 1 a k. es el orden del sistema). Fredy Dulce.

P − (k) = 2n  T 1 X  (i) xˆ (k) − xˆ− (k) xˆ(i) (k) − xˆ− (k) + Q(k − 1) 2n i=1 Carolina Higuera. Fredy Dulce. 2n xˆ− (k) = 1 X (i) xˆ (k) 2n i=1 . Y la covarianza a priori. Nohora Espa˜ nFiltro a (UNIANDES) de Kalman Noviembre 5. 2015 36 / 41 .. Jesus Viveros.Estimadores de estado para sistemas no lineales Unscented Kalman Filter Unscented Kalman Filter Se combina los sigma points para obtener una estimaci´on a priori del estado futuro..

Jesus Viveros. 2n 1 X (i) yˆ (k) yˆ(k) = 2n i=1 . Nohora Espa˜ nFiltro a (UNIANDES) de Kalman Noviembre 5. 2015 37 / 41 . y la covarianza 2n  T 1 X  (i) yˆ (k) − yˆ(k) yˆ(i) (k) − yˆ(k) + R(k) Py = 2n i=1 Carolina Higuera...Estimadores de estado para sistemas no lineales Unscented Kalman Filter Unscented Kalman Filter Paso 3: Propagaci´ on de promedio y covarianza sobre el modelo de medici´ on Se propaga los sigma points escogidos sobre el modelo de medici´on: yˆ(i) (k) = h(ˆ x (i) (k). Fredy Dulce. t(k)) Se combina para obtener la predicci´ on de la medici´ on.

Nohora Espa˜ nFiltro a (UNIANDES) de Kalman Noviembre 5. K (k) = Pxy Py−1 xˆ+ (k) = xˆ− (x) + K (k)(y (k) − yˆ(k)) P + (k) = P − (k) − K (k)Py K T (k) Carolina Higuera..la covarianza cruzada Pxy = 2n  T 1 X  (i) xˆ (k) − xˆ− (k) yˆ(i) (k) − yˆ(k) + R(k) 2n i=1 Paso 4: Filtro de Kalman Se utiliza las ecuaciones del filtro de Kalman Lineal.. 2015 38 / 41 .Estimadores de estado para sistemas no lineales Unscented Kalman Filter Unscented Kalman Filter . Fredy Dulce. Jesus Viveros.

Nohora Espa˜ nFiltro a (UNIANDES) de Kalman Noviembre 5. pero requiere s´olo una fracci´ on del coste computacional. El estudio del filtro de Kalman en tiempo continuo se realiza con fines pedag´ogicos y anal´ıticos. ya que en la pr´actica se implementa el filtro en discreto. Una de las extensiones m´as pr´acticas de filtro de Kalman es el filtro de Kalman de estado estacionario. La aproximaci´on del EKF es u ´til para sistemas de no linealidades suaves. 2015 39 / 41 . Jesus Viveros. Tiene un desempe˜ no casi id´entico al filtro variable en el tiempo te´ oricamente m´as riguroso.Conclusiones Conclusiones Una buena caracterizaci´ on de los ruidos sobre la medici´on y del proceso es necesaria para garantizar la optimalidad del observador. Fredy Dulce. Carolina Higuera. UKF para no linealidades m´as fuertes.

2006.Conclusiones Referencias SIMON.. Kalman Filter. Lecture Notes. MIT OpenCourseWare Principles of Optimal Control. Carolina Higuera. HOW J. D. c2006. H [infinity symbol] and nonlinear approaches. ISBN: 0471708585. Nohora Espa˜ nFiltro a (UNIANDES) de Kalman Noviembre 5. N. Fredy Dulce. : Wiley-Interscience. Jesus Viveros. 2015 40 / 41 . Hoboken. Optimal state estimation : Kalman.J.P.

Jesus Viveros. 2015 41 / 41 . Fredy Dulce. Nohora Espa˜ nFiltro a (UNIANDES) de Kalman Noviembre 5.Conclusiones Preguntas? Carolina Higuera.