Geodesia. Cartografía. Sistemas de referencia. Tiempos.
Geodesia. Cartografía. Sistemas de referencia. Tiempos.
Geodesia. Cartografía. Sistemas de referencia. Tiempos.
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
<strong>Sistemas</strong> <strong>de</strong> navegación integrados<br />
Filtrado óptimo <strong>de</strong> sistemas lineales: el filtro <strong>de</strong> Kalman.<br />
El filtro <strong>de</strong> Kalman<br />
Deducción <strong>de</strong>l filtro <strong>de</strong> Kalman. Ecuaciones.<br />
Ejemplo <strong>de</strong> un filtro <strong>de</strong> Kalman<br />
El filtro <strong>de</strong> Kalman (KF) fue <strong>de</strong>sarrollado por Rudolph E.<br />
Kalman, un ingeniero húngaro nacionalizado estadouni<strong>de</strong>nse.<br />
Presentó su filtro a la NASA en 1960; la NASA buscaba un<br />
algoritmo <strong>de</strong> fusión <strong>de</strong> sensores para el programa espacial<br />
Apollo.<br />
Finalmente una versión <strong>de</strong>l KF fue utilizada en las misiones<br />
Apollo para integrar las diferentes medidas <strong>de</strong> los sensores <strong>de</strong>l<br />
vehículo espacial.<br />
A día <strong>de</strong> hoy, el KF se emplea no sólo en navegación sino en<br />
multitud <strong>de</strong> sistemas en los que se <strong>de</strong>sea reconstruir una señal<br />
que evoluciona en el tiempo, a partir <strong>de</strong> medidas con ruido,<br />
por ejemplo en teléfonos móviles.<br />
Realmente el KF sólo sirve para sistemas lineales. Puesto que<br />
muchos sistemas reales son no lineales, se han <strong>de</strong>sarrollado<br />
extensiones no lineales, conocidas como Filtro Extendido <strong>de</strong><br />
Kalman (EKF); en Navegación se emplean éste tipo <strong>de</strong> filtros.<br />
Nos limitaremos a enten<strong>de</strong>r el KF lineal y sus fundamentos. 9 / 26<br />
<strong>Sistemas</strong> <strong>de</strong> navegación integrados<br />
Filtrado óptimo <strong>de</strong> sistemas lineales: el filtro <strong>de</strong> Kalman.<br />
Deducción <strong>de</strong>l filtro <strong>de</strong> Kalman. Ecuaciones.<br />
Ejemplo <strong>de</strong> un filtro <strong>de</strong> Kalman<br />
Procesos dinámicos discretos con medidas<br />
PROCESO: Consi<strong>de</strong>remos el siguiente mo<strong>de</strong>lo discreto <strong>de</strong> un<br />
proceso: x(tk+1) = Akx(tk) + Bkɛ(tk), don<strong>de</strong> x es un proceso<br />
gaussiano con dimensión nx, Ak es una matriz (que pue<strong>de</strong><br />
cambiar en cada instante <strong>de</strong> tiempo tk) <strong>de</strong> dimensión nx × nx,<br />
ɛ(tk) es ruido blanco gaussiano <strong>de</strong> dimensión nɛ y varianza Qk<br />
(el ruido <strong>de</strong>l proceso), y Bk es una matriz (que pue<strong>de</strong> cambiar<br />
en cada instante <strong>de</strong> tiempo tk) <strong>de</strong> dimensión nx × nɛ.<br />
MEDIDA: En cada instante también consi<strong>de</strong>ramos que se<br />
realiza una medida, representada por z, y <strong>de</strong>finida <strong>de</strong> la<br />
siguiente forma: z(tk+1) = Hk+1x(tk+1) + ν(tk+1), don<strong>de</strong> z<br />
es la medida, <strong>de</strong> dimensión nz, Hk es una matriz (que pue<strong>de</strong><br />
cambiar en cada instante <strong>de</strong> tiempo tk) <strong>de</strong> dimensión nz × nx,<br />
y ν(tk) es ruido blanco gaussiano <strong>de</strong> dimensión nν y varianza<br />
Rk (el ruido <strong>de</strong> medida).<br />
A<strong>de</strong>más suponemos que ν(tk) y ɛ(tk) son in<strong>de</strong>pendientes, y<br />
que sabemos que la condición inicial <strong>de</strong> x es<br />
x(t0) ∼ Nnx (ˆx0, P0). 10 / 26<br />
<strong>Sistemas</strong> <strong>de</strong> navegación integrados<br />
Filtrado óptimo <strong>de</strong> sistemas lineales: el filtro <strong>de</strong> Kalman.<br />
Ecuaciones <strong>de</strong>l proceso y la medida<br />
Resumiendo las ecuaciones:<br />
Deducción <strong>de</strong>l filtro <strong>de</strong> Kalman. Ecuaciones.<br />
Ejemplo <strong>de</strong> un filtro <strong>de</strong> Kalman<br />
x(tk+1) = Akx(tk) + Bkɛ(tk),<br />
z(tk+1) = Hk+1x(tk+1) + ν(tk+1),<br />
E[ɛ(tk)] = E[ν(tk)] = 0,<br />
E[ɛ(tk)ɛ T (tj)] = δkjQk,<br />
E[ν(tk)ν T (tj)] = δkjRk,<br />
E[ɛ(tk)ν T (tj)] = 0,<br />
x(t0) ∼ Nnx (ˆx0, P0).<br />
Definimos la estimación en tk <strong>de</strong> x(tk) como ˆx(tk).<br />
Definimos la covarianza <strong>de</strong>l error <strong>de</strong> estimación como<br />
P(tk) = E[(x(tk) − ˆx(tk))(x(tk) − ˆx(tk)) T ].<br />
El objetivo <strong>de</strong>l filtro <strong>de</strong> Kalman es, empleando el<br />
conocimiento <strong>de</strong> las ecuaciones arriba formuladas, y a partir<br />
<strong>de</strong> las medidas z(tk), obtener la mejor estimación posible, es<br />
<strong>de</strong>cir, el valor <strong>de</strong> ˆx(tk) que minimiza P(tk).<br />
<strong>Sistemas</strong> <strong>de</strong> navegación integrados<br />
Filtrado óptimo <strong>de</strong> sistemas lineales: el filtro <strong>de</strong> Kalman.<br />
El filtro <strong>de</strong> Kalman I<br />
Deducción <strong>de</strong>l filtro <strong>de</strong> Kalman. Ecuaciones.<br />
Ejemplo <strong>de</strong> un filtro <strong>de</strong> Kalman<br />
Si sólo tuviéramos el proceso, po<strong>de</strong>mos calcular su media y<br />
tomamos ˆx como dicha media; por tanto,<br />
x(tk) ∼ Nnx (ˆx(tk), Pk), don<strong>de</strong>:<br />
ˆx(tk+1) = Ak ˆx(tk),<br />
Pk+1 = AkPkA T k + BkQkB T k .<br />
La i<strong>de</strong>a <strong>de</strong> Kalman es <strong>de</strong>cir: la estimación arriba escrita es<br />
válida antes <strong>de</strong> tomar la medida z(tk+1). Denotamos dicha<br />
estimación “a priori” como ˆx − (tk+1) y su covarianza como<br />
P −<br />
k+1 .<br />
Ahora, si la estimación fuera perfecta y la medida no tuviera<br />
error, se tendría que z(tk+1) = Hk+1ˆx − (tk+1). Como no es<br />
así, se actualiza la estimación (“a posteriori”) <strong>de</strong> forma<br />
proporcional a la discrepancia:<br />
ˆx + (tk+1) = ˆx − (tk+1) + Kk+1(z(tk+1) − Hk+1ˆx − (tk+1)).<br />
11 / 26<br />
12 / 26