Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Filtro de Kalman
Filtro de Kalman
Rudolf Kalman naci en Budapest en 1930. Luego de emigrar a
los Estados Unidos, en 1948, obtuvo su licenciatura en 1953 y su
maestra en 1954, en ingeniera
Electrica en el Massachusetts
Institute of Technology . Kalman complet su doctorado en 1957
en la Universidad de Columbia en Nueva York.
Kalman trabaj como matemtico investigador en el Instituto de Investigacin y Estudios
Avanzados, en Baltimore, Maryland desde 1958 hasta 1964. Fue profesor en la Universidad
de Stanford desde 1964 hasta 1971, y luego un profesor de Investigacin de Posgrado, y el
Director del Centro de Matemticas y Teora de Sistema,
Sistema en la Universidad de Florida desde
1971 hasta 1992. A partir de 1973, tambin ocup la ctedra de Matemticas en Teora de
Sistemas del Instituto Federal Suizo de Tecnologa en Zurich, Suiza.
Kalman es un miembro de la Academia Nacional de Ciencias de EE.UU., la Academia Nacional
de Ingeniera y la Academia Americana de las Artes y las Ciencias.
En 1958 cuando viajaba en tren de Princeton a Baltimore el tren se detuvo durante una hora
a las 11 pm en las afueras de Baltimore,
Baltimore entonces se le ocurri aplicar el concepto de
variables de estado al filtro de Wiener.
Filtro de Kalman
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 v(k) y w(k) son
los pprocesos estocsticos de los ruidos del sistema y de medida
respectivamente, que se consideran ruidos blancos de media cero e
independientes.
Filtro de Kalman
E{v(k ) v ( j )} = 0
T
k j
E{w(k ) w (k )} = R(k )
T
E{w(k ) w ( j )} = 0
T
k j
e(k ) = x(k ) x (k )
El criterio para obtener el ptimo es minimizar el ndice de comportamiento:
{
P(n) = E e(n) eT (n) }
Es decir la matriz de covarianza del error e(k) ha de ser mnima.
Filtro de Kalman
Se asume que del estado inicial x(0) se conoce su esperanza matemtica
o valor medio:
E{x(0)} = x(0)
que ser un valor determinstico,
determinstico y adems tambin se conoce la matriz
de covarianza del estado inicial (no del error):
{
E [x(0) x(0)] [x(0) x(0)] = P0
T
}
El estado inicial y el ruido cumplen:
{ } {
E [x(0) x(0)] vT (k ) = E [x(0) x(0)] wT (k ) = 0 }
al ser independientes y ser la media de los ruidos blancos cero.
Filtro de Kalman (Prediccin)
~
Calculamos una prediccin del estado x(k + 1) , lo notaremos como x (k +.1)
El valor de la prediccin es calculado a partir del valor ms actualizado del
estado (posteriormente veremos que es el estado corregido en la parte final
del algoritmo).
~
x (k + 1) = A(k )x (k ) + B(k )u(k )
Entonces ser:
{
P (k + 1) = E [A(k )(x(k ) x (k ) ) + v(k )] [A(k )(x(k ) x (k ) ) + v(k )]
~ T
}
Operando:
{ } {
P (k + 1) = E [A(k )(x(k ) x (k ) )] [A(k )(x(k ) x (k ) )] + E v(k ) vT (k )
~ T
}
{ }
E v( k ) v T ( k ) = Q( k )
Queda por tanto:
~
P (k + 1) = A P(k ) AT + Q(k )
Filtro de Kalman (Correccin)
Substituyendo:
x (k + 1) K[y (k + 1) C ~
e(k + 1) = x(k + 1) ~ x (k + 1)]
La medicin y(k+1) tiene el valor:
y (k + 1) = C x(k + 1) + w(k + 1)
P ttanto:
Por t
e(k + 1) = x(k + 1) ~
x (k + 1) KC x(k + 1) K w(k + 1) + KC ~
x (k + 1)
Agrupando:
e(k + 1) = [I KC](x(k + 1) ~
x (k + 1) ) K w(k + 1)
Filtro de Kalman (Correccin)
P(k + 1) = E{ [I KC](x(k + 1) ~
x (k + 1) ) K w(k + 1)
[I KC](x(k + 1) ~x(k + 1)) K w(k + 1) T
}
P(k + 1) = E { [I KC](x(k + 1) ~x(k + 1)) [I KC](x(k + 1) ~x(k + 1)) T
}
{
E [K w(k + 1)][K w(k + 1)]
T
}
{ }
Siendo E [w (k + 1)][w(k + 1)] = R(k + 1)
T
K R(k + 1) K T
Filtro de Kalman (Correccin)
k =0
Valores iniciales
x (k ) P( k ) (k + 1) (k + 1)
Filtro de Kalman (Aplicaciones)
Filtro de Kalman (Aplicaciones)
Filtro de Kalman (Aplicaciones)
Filtro de Kalman (Aplicaciones)
Filtro de Kalman (Aplicaciones)
Filtro de Kalman (Aplicaciones)
Filtro de Kalman (Aplicaciones)