Documentos de Académico
Documentos de Profesional
Documentos de Cultura
En general deseamos:
Contar con un estimador X de lo que buscamos.
Conocer el grado de confianza del estimador (varianza,
covarianza).
ESTIMACIÓN
Supongamos que contamos con cierto modelo del
mundo (mapa).
El desafío de localización consiste en realizar
asociaciones correctas entre datos sensoriales y
nuestro modelo.
Estimación de pose X = f (Zk,…,M)
En general se divide en dos pasos:
1. Predicción de la nueva posición
2. Actualización de las mediciones.
Sensores
Predicción
Actualización
Modelo M.
FILTRO DE KALMAN
Una buena herramienta para estimar la pose de
un robot y realizar fusión de datos.
Es un algoritmo recursivo de procesamiento de
datos, bajo ciertas condiciones permite estimar el
estado de un sistema en forma óptima.
Entrega el estimador óptimo de X dado un
conjunto de medidas Z sólo si se cumplen las
siguientes condiciones:
1. El sistema es lineal
2. El ruido asociado con el modelo del proceso y las
mediciones es blanco y Gaussiano.
FILTRO DE KALMAN
Caso general:
xk = F[xk-1,uk-1]+wk-1 (Modelo de la planta; predicción)
zk = H[xk,C]+vk (Modelo de mediciones; corrección, actualización de
mediciones)
¿Cómo elegir K?
Q = 1e-5 suponiendo
una varianza muy
pequeña del
proceso.
Valores iniciales:
FILTRO DE KALMAN
EN FUNCIONAMIENTO; EJEMPLO1
Simulación 1, R constante :
FILTRO DE KALMAN
EN FUNCIONAMIENTO; EJEMPLO1
Convergencia de Pk
FILTRO DE KALMAN
EN FUNCIONAMIENTO; EJEMPLO1