Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Kalman
Kalman
DISCRETO
MOTIVACIÓN
PROBLEMA ORIGINAL
𝑥𝑘+1 = 𝐹𝑘 𝑥𝑘
ቊ
𝑦𝑘 = 𝐻𝑘′ 𝑥𝑘
𝑥𝑘+1 𝑥𝑘 𝑦𝑘
𝐷𝑒𝑙𝑎𝑦 𝐻𝑘′
𝐹𝑘
PROBLEMA ORIGINAL
• El sistema sobre el que estamos trabajando no tiene entradas. Nuestra única motivación es la
observación
• Formalicemos el concepto de observación
• Un observador provee un estimado del estado interno de un sistema real a partir de medidas
de su entrada y salida
• La obtención de una medida implica forzosamente el uso de un sensor
• Los sensores son ruidosos: no conocemos el “valor real” de una magnitud, en el mejor de los casos
conocemos su distribución de probabilidad
• Un modelo de un sistema real puede ser arbitrariamente complejo
• Es imposible modelar todos los factores que influyen sobre nuestro sistema
ADECUACIÓN DEL MODELO
𝑥𝑘+1 = 𝐹𝑘 𝑥𝑘 + 𝐺𝑘 𝑤𝑘
ቊ
𝑧𝑘 = 𝐻𝑘′ 𝑥𝑘 + 𝑣𝑘
𝑤𝑘 + 𝑥𝑘+1 𝑥𝑘 𝑦𝑘 + 𝑧𝑘
𝐺𝑘 Σ 𝐷𝑒𝑙𝑎𝑦 𝐻𝑘′ Σ
+ +
𝑣𝑘
𝐹𝑘
PROBLEMA DE FILTRADO
• Solamente podemos obtener medidas la salida (𝑧𝑘 , o lo que es lo mismo, 𝑦𝑘 con ruido
añadido)
• Sea una función 𝑠 . no medible directamente, y una función 𝑧 . , correspondiente a la serie
de medidas disponibles de 𝑠 . , definimos el concepto de filtrado como la recuperación
de información de 𝑠 . a partir de la información disponible hasta el momento de 𝑧 .
• Dadas las medidas {𝑧0 , 𝑧1 , … , 𝑧𝑘 }, queremos estimar de la mejor manera posible 𝑥𝑘
• Resulta bastante intuitivo que no es posible hacer demasiado sin modelar los procesos de
ruido
MODELO ESTADÍSTICO EN TIEMPO
DISCRETO
DESCRIPCIÓN DEL RUIDO
• 𝜎𝑤𝑘,𝑙 = 𝐸 𝑤𝑘 − 𝑚𝑤 𝑤𝑙 − 𝑚𝑤 ′ = 𝑄𝐾 𝛿𝑘𝑙
𝑥𝑘 = Φ𝑘,0 𝑥0 + Φ𝑘,𝑙+1 𝐺𝑙 𝑤𝑙
𝑙=0
• Hasta el momento
• Planteamos la estructura del sistema
• Evidenciamos el problema de no poder medir el vector de estados 𝑥𝑘
• Planteamos las características de los procesos 𝑣𝑘 y 𝑤𝑘 , y dedujimos las características de 𝑥𝑘 y
𝑧𝑘
• En este escenario, lo mejor que podemos hacer es estimar 𝑥𝑘 , usando la información que
tenemos disponible
• Puede resultar evidente que existe una correlación entre los valores que toma el proceso {𝑦𝑘 } y los
que adquiere 𝑥𝑘 (después de todo, los sensores no son tan malos)
• Cómo podemos formalizar esta información que identificamos informalmente?
PROBABILIDAD CONDICIONAL
• Probabilidad condicional
• Dadas dos variables aleatorias, que nos dice el saber que 𝑌 = 𝑦 sobre el valor que adquiere 𝑋?
• Densidad de probabilidad condicional
𝑝𝑋,𝑌 (𝑥, 𝑦)
𝑝𝑋|𝑌 𝑥 𝑦 =
𝑝𝑌 𝑦
La notación puede ser un poco confusa. No confundir las variables aleatorias (mayúsculas) con los
valores que toma (minúsculas)
𝑋
• Sea 𝑍 = . Entonces 𝑝𝑧 𝑧 = 𝑝𝑋,𝑌 𝑥, 𝑦
𝑌
𝑥ҧ
• 𝑧ҧ =
𝑦ത
Σ𝑥𝑥 Σxy
• Σ=
Σ𝑦𝑥 Σyy
• dim 𝑋 = 𝑁, dim 𝑌 = 𝑀
PROBABILIDAD CONDICIONAL
1 𝑥−𝑥ҧ 𝑥−𝑥ҧ ′
1 −2 𝑦−𝑦ത Σ−1 𝑦−𝑦ത
• 𝑝𝑋,𝑌 𝑥, 𝑦 = 𝑁+𝑀 1 𝑒
2𝜋 2 Σ2
1
1 −2 𝑦−𝑦ത Σ−1 𝑦−𝑦ത ′
• 𝑝𝑌 𝑦 = 𝑀 1 𝑒
2𝜋 2 Σyy 2
• 𝑝𝑋|𝑌 𝑥 𝑦 resume toda la información que el hecho 𝑌 = 𝑦 contiene sobre 𝑋, pero no nos da
un estimado del valor de 𝑥. Cómo podemos obtener un estimado de 𝑥?
• Una opción obvia es elegir 𝑥 ∗ | 𝑝𝑋|𝑌 𝑥 ∗ 𝑦 = max 𝑝𝑋|𝑌 𝑥 𝑦
• En nuestro caso, vamos a usar otra
ESTIMADOR DE MÍNIMA VARIANZA
2
𝐸 𝑋 − 𝑥ො |𝑌 = 𝑦
• Esta ecuación nos permite obtener una medida de la “calidad” de una estimación
• Estimador de mínima varianza 𝒙
ෝ
• Definimos al estimador de mínima varianza como aquel que cumple
2
𝐸 𝑋 − 𝑥ො |𝑌 = 𝑦 ≤ 𝐸 𝑋 − 𝑥 ∗ 2
|𝑌 = 𝑦
• Puede probarse[p26] que
+∞
𝑥ො = 𝐸 𝑋|𝑌 = 𝑦 = න 𝑥𝑝𝑥|𝑦 (𝑥|𝑦) 𝑑𝑥
−∞
ESTIMADOR DE MÍNIMA VARIANZA
2
𝐸 𝑋 − 𝑥ො |𝑌 = 𝑦
• Esta ecuación nos permite obtener una medida de la “calidad” de una estimación
• Estimador de mínima varianza 𝒙
ෝ
• Definimos al estimador de mínima varianza como aquel que cumple
2
𝐸 𝑋 − 𝑥ො |𝑌 = 𝑦 ≤ 𝐸 𝑋 − 𝑥 ∗ 2
|𝑌 = 𝑦
• Puede probarse[p26] que
+∞
𝑥ො = 𝐸 𝑋|𝑌 = 𝑦 = න 𝑥𝑝𝑥|𝑦 (𝑥|𝑦) 𝑑𝑥
−∞
ESTIMADOR DE MÍNIMA VARIANZA
𝑋 = 𝐸 𝑋|𝑌
• 𝑋 es un estimador de 𝑋 en términos de 𝑌
PROBLEMA DE FILTRADO DE
KALMAN
PROBLEMA DE FILTRADO DE KALMAN EN
TIEMPO DISCRETO
• La solución al problema es
𝑥ො𝑘+1|𝑘 = 𝐹𝑘 − 𝐾𝑘 𝐻𝑘′ 𝑥ො𝑘|𝑘−1 + K k zk
𝑥ො0|−1 = 𝑥ҧ0
𝑥ො𝑘+1|𝑘
+
𝑧𝑘 𝐾𝑘 Σ 𝐷𝑒𝑙𝑎𝑦 𝑥ො𝑘|𝑘−1
𝐹𝑘 − 𝐾𝑘 𝐻𝑘′
PROBLEMA DE FILTRADO DE KALMAN EN
TIEMPO DISCRETO
𝑥0
• Consideremos la variable aleatoria 𝑌 = 𝑧
0
𝑥0 𝑃0 𝑃0 𝐻0
• 𝑦0 = ′ , Σ𝑦 = ′ ′
𝐻0 𝑥0 𝐻0 𝑃0 𝐻0 𝑃0 𝐻0 + 𝑅0
• Además
′
• 𝐸 𝑥1 − 𝑥ො1|0 𝑧1 − 𝑧1|0
Ƹ |𝑧0 = Σ1|0 𝐻1
𝑥𝑘
• Como ya vimos, es un proceso gaussiano.
{𝑧𝑘 }
• Por un resultado anterior, 𝑥𝑘 condicionada en 𝑍𝑘−1 es también gaussiano
• Su densidad de probabilidad es dada por 𝑥ො𝑘|𝑘−1 y Σ𝑘|𝑘−1
• El filtro de Kalman nos da un método de actualizar la densidad de probabilidad de 𝑥𝑘|𝑘−1
• Supongamos que el problema sobre el que estamos trabajando es estacionario
• 𝐹𝑘 , Gk , Hk , Q k son constantes
• Σ𝑘|𝑘−1 y 𝐾𝑘 no son constantes.
• Pregunta: Es uniformemente convergente?
FILTRO DE KALMAN COMO MEJOR
ESTIMADOR LINEAL
𝑥0
• Hasta este momento, supusimos que 𝑣𝑘 es gaussiano. Supongamos que no lo es
𝑤𝑘
• Hasta ahora hemos definido una serie de resultados y herramientas adecuadas para
representaciones de sistemas lineales.
• En la práctica, muy pocos sistemas pueden ser representados de manera mínimamente aceptable
mediante este tipo de representaciones
• Tenemos herramientas muy sólidas y prácticas pero poco aplicables
• No obstante, podemos adaptarlas a sistemas no lineales (con ciertas características)
FILTRADO NO LINEAL
𝑥𝑘+1 = 𝐹𝑘 𝑥𝑘 + 𝐺𝑘 𝑤𝑘 + 𝑢𝑘
• ቊ
𝑧𝑘 = 𝐻𝑘′ 𝑥𝑘 + 𝑣𝑘 + 𝑦𝑘
• Este nuevo modelo aproximado es totalmente adecuado para usar los resultados que ya obtuvimos
• Lo plantearemos de forma levemente distinta para derivar algunos resultados
FILTRO DE KALMAN EXTENDIDO
𝑥𝑘+1 = 𝐹𝑘 𝑥𝑘 + 𝐺𝑘 𝑤𝑘 + 𝑢𝑘
ቊ
𝑧𝑘 = 𝐻𝑘′ 𝑥𝑘 + 𝑣𝑘 + 𝑦𝑘
• 𝑥ො𝑘|𝑘 = 𝑥ො𝑘|𝑘−1 + 𝐿𝑘 𝑧𝑘 − ℎ𝑘 𝑥ො𝑘|𝑘−1
• 𝑥ො𝑘+1|𝑘 = 𝑓𝑘 𝑥ො𝑘|𝑘
• 𝐿𝑘 = Σ𝑘|𝑘−1 𝐻𝑘 Ω−1
k
• Ω𝑘 = 𝐻𝑘′ Σ𝑘|𝑘−1 𝐻𝑘 + 𝑅𝑘
−1
• Σ𝑘|𝑘 = Σ𝑘|𝑘−1 - Σ𝑘|𝑘−1 𝐻𝑘 𝐻𝑘′ Σ𝑘|𝑘−1 𝐻𝑘 + 𝑅𝑘 𝐻𝑘′ Σ𝑘|𝑘−1
• 𝛴𝑘+1|𝑘 = 𝐹𝑘 𝛴𝑘|𝑘 𝐹𝑘′ = 𝐺𝑘 𝑄𝑘 𝐺𝑘′
• Inicialización dada por Σ0|−1 = 𝑃0 , 𝑥ො0|−1 = 𝑥ҧ0
ALGUNOS RESULTADOS SOBRE EKF