Download - El Filtro de Kalman Discreto
![Page 1: El Filtro de Kalman Discreto](https://reader030.vdocuments.site/reader030/viewer/2022020222/577c7c411a28abe05499f038/html5/thumbnails/1.jpg)
FILTRO DE KALMAN DISCRETO LINEAL
Estimación de estados
Integrantes:
Melkis Gaviria Pérez
Rafael Santamaría Isaza
Maria Camila Zapata Ceballos
1
![Page 2: El Filtro de Kalman Discreto](https://reader030.vdocuments.site/reader030/viewer/2022020222/577c7c411a28abe05499f038/html5/thumbnails/2.jpg)
CONTENIDO Saber Previo El filtro de Kalman Luenberger vs Kalman Tipos de Filtro de Kalman Planta en tiempo discreto Derivación del filtro Errores Estimador del filtro de Kalman Aplicaciones Ejemplos Conclusiones Referencias
2
![Page 3: El Filtro de Kalman Discreto](https://reader030.vdocuments.site/reader030/viewer/2022020222/577c7c411a28abe05499f038/html5/thumbnails/3.jpg)
SABER PREVIO
Creado por Rudolf E. Kalman en 1960
Misma finalidad que el observador Luenberger
Básicamente es un algoritmo.
Usa métodos recursivos.
Usado en procesos Estocásticos→ métodos Estadísticos
3
![Page 4: El Filtro de Kalman Discreto](https://reader030.vdocuments.site/reader030/viewer/2022020222/577c7c411a28abe05499f038/html5/thumbnails/4.jpg)
EL FILTRO DE KALMAN Es un algoritmo creado para identificar el estado oculto o no medible de un sistema dinámico. Sirve cuando un sistema se encuentra sometido a ruido blanco aditivo.
Se realizan mediciones del ruido blanco
Señal aleatoria
Dos valores no guardan correlación estadística
Minimiza la media del error cuadrático
Gracias al Método recursivo
Estima el estado del sistema lineal
4
![Page 5: El Filtro de Kalman Discreto](https://reader030.vdocuments.site/reader030/viewer/2022020222/577c7c411a28abe05499f038/html5/thumbnails/5.jpg)
Luenberger vs Kalman
Luenberger
Halla las constantes de realimentación del error “K” a mano. No sirve para señales de ruido muy variable (blanco) que afecten al sistema.
Kalman
Halla las constantes de realimentación del error “K” de forma óptima si conozco las varianzas de las señales ruidosas que afectan al sistema. Sirve para señales de ruido blanco.
5
![Page 6: El Filtro de Kalman Discreto](https://reader030.vdocuments.site/reader030/viewer/2022020222/577c7c411a28abe05499f038/html5/thumbnails/6.jpg)
Tipos de filtros Kalman
1.Filtro continuo 2.Filtro Discreto 3.Filtro extendido
Se aplica a sistemas continuos lineales
Se aplica a sistemas discretos lineales
Se aplica a sistemas discretos no lineales
Son 3 tipos
Ruido del proceso W(K) Ruido de la medición V(k)
Varianza de los ruidos diferentes a cero
Se debe conocer
además Secuencias
aleatorias de media cero
6
![Page 7: El Filtro de Kalman Discreto](https://reader030.vdocuments.site/reader030/viewer/2022020222/577c7c411a28abe05499f038/html5/thumbnails/7.jpg)
Planta en tiempo discreto
Figura 1. Representación de una planta en tiempo discreto. Tomado de [1]
7
![Page 8: El Filtro de Kalman Discreto](https://reader030.vdocuments.site/reader030/viewer/2022020222/577c7c411a28abe05499f038/html5/thumbnails/8.jpg)
Derivación del filtro (1/3)
𝑥𝑘 = 𝐹𝑘−1𝑥𝑘−1 + 𝐺𝑘−1𝑢𝑘−1 +𝑤𝑘−1 𝑦𝑘 = 𝐻𝑘𝑥𝑘 + 𝑣𝑘
𝐸 𝑤𝑘𝑤𝑗𝑇 = 𝑄𝑘𝛿𝑘−𝑗
𝐸 𝑣𝑘𝑣𝑗𝑇 = 𝑅𝑘𝛿𝑘−𝑗
𝐸 𝑤𝑘𝑣𝑗𝑇 = 0
Valor inicial: 𝑥0 + = 𝐸 𝑥0
𝑃0+ = 𝐸 𝑥0 − 𝑥0
+ 𝑥0 − 𝑥0 + 𝑇
![Page 9: El Filtro de Kalman Discreto](https://reader030.vdocuments.site/reader030/viewer/2022020222/577c7c411a28abe05499f038/html5/thumbnails/9.jpg)
Derivación del filtro (2/3)
Figura 2. Relación dependiente del tiempo para los diferentes estimadores. Tomada de [5]
![Page 10: El Filtro de Kalman Discreto](https://reader030.vdocuments.site/reader030/viewer/2022020222/577c7c411a28abe05499f038/html5/thumbnails/10.jpg)
Derivación del filtro (3/3)
![Page 11: El Filtro de Kalman Discreto](https://reader030.vdocuments.site/reader030/viewer/2022020222/577c7c411a28abe05499f038/html5/thumbnails/11.jpg)
ERRORES
𝑋𝐾− →Estimado a priori del estado en el tiempo K; conociendo el
proceso antes del tiempo k (K-1). 𝑒𝐾− = 𝑋𝐾 − 𝑋𝐾
− (1)
𝑋𝐾 →Estimado a posteriori del estado en el tiempo K dada la medición de 𝑌𝐾.
𝑒𝐾 = 𝑋𝐾 − 𝑋𝐾 (2)
En la Figura 3 se puede observar con mayor claridad estos enunciados.
11
![Page 12: El Filtro de Kalman Discreto](https://reader030.vdocuments.site/reader030/viewer/2022020222/577c7c411a28abe05499f038/html5/thumbnails/12.jpg)
ESTIMADOR FILTRO DE KALMAN
Figura 3. Representación de una planta en tiempo discreto con el filtro de Kalman. Tomado de [1] 12
![Page 13: El Filtro de Kalman Discreto](https://reader030.vdocuments.site/reader030/viewer/2022020222/577c7c411a28abe05499f038/html5/thumbnails/13.jpg)
APLICACIONES
Estimación de parámetros que cambian en el tiempo. Estimación del estado de un sistema en el pasado,
presente y futuro aún cuando no se conoce la naturaleza del modelado.
Estimación en presencia del ruido. Estimación en plantas donde los sensores son malos
y/o presentan mucho ruido. Interfaces y simulaciones cerebro computador. Sistema global de navegación por satélite.
13
![Page 14: El Filtro de Kalman Discreto](https://reader030.vdocuments.site/reader030/viewer/2022020222/577c7c411a28abe05499f038/html5/thumbnails/14.jpg)
Ejemplo [3]
Ejemplo: Estimación de una constante aleatoria
• número de datos: 100
• valor a estimar: 3
• valor inicial del estimador: 2.5
• desviación estimador inicial: 0.1
• desviación típica en la observación: 0.1
• desviación típica en modelo de estados: 0.0001
14
![Page 15: El Filtro de Kalman Discreto](https://reader030.vdocuments.site/reader030/viewer/2022020222/577c7c411a28abe05499f038/html5/thumbnails/15.jpg)
15 0 20 40 60 80 100 1202.5
2.6
2.7
2.8
2.9
3
3.1
3.2
3.3
Observaciones
Estimador de Kalman
![Page 16: El Filtro de Kalman Discreto](https://reader030.vdocuments.site/reader030/viewer/2022020222/577c7c411a28abe05499f038/html5/thumbnails/16.jpg)
16 0 20 40 60 80 100 120
0
1
2
3
4
5
6x 10
-3 Varianza del estimador de Kalman
![Page 17: El Filtro de Kalman Discreto](https://reader030.vdocuments.site/reader030/viewer/2022020222/577c7c411a28abe05499f038/html5/thumbnails/17.jpg)
Ejemplo 2 – Espacio de estados (segundo orden) [4] • 𝐻 𝑠 =
𝑠+2
𝑠2+2𝑠+100
17 0 50 100 150 200 250 300 350
-0.06
-0.04
-0.02
0
0.02
0.04
0.06
0.08
0.1
0.12Salida del sistema
tiempo(s)
![Page 18: El Filtro de Kalman Discreto](https://reader030.vdocuments.site/reader030/viewer/2022020222/577c7c411a28abe05499f038/html5/thumbnails/18.jpg)
18
0 20 40 60 80 100 120 140 160 180 200-0.1
-0.05
0
0.05
0.1
0.15Salida del sistema con ruido
tiempo(s)
![Page 19: El Filtro de Kalman Discreto](https://reader030.vdocuments.site/reader030/viewer/2022020222/577c7c411a28abe05499f038/html5/thumbnails/19.jpg)
0 20 40 60 80 100 120 140 160 180 200-0.06
-0.04
-0.02
0
0.02
0.04
0.06
0.08
0.1Salida del sistema estimada
tiempo(s)
19
![Page 20: El Filtro de Kalman Discreto](https://reader030.vdocuments.site/reader030/viewer/2022020222/577c7c411a28abe05499f038/html5/thumbnails/20.jpg)
0 50 100 150 200 250 300 350-0.1
-0.05
0
0.05
0.1
0.15Comparación salida filtrada
tiempo(s)
Y
Y con ruido
Y estimada
20
![Page 21: El Filtro de Kalman Discreto](https://reader030.vdocuments.site/reader030/viewer/2022020222/577c7c411a28abe05499f038/html5/thumbnails/21.jpg)
CONCLUSIONES Siempre se requieren mediciones de ruido en el sistema, este ruido
debe ser de media cero y covarianza diferente de cero. Una de sus principales ventajas es su requerimiento de ruido, ya que
la mayoría de sistemas reales siempre tienen cierto nivel de ruido. Dependiendo de las mediciones que se tengan, se es posible utilizar
un estimador a priori, a posteriori, suavizado o predictivo. El filtro de Kalman usa la realimentación para poder disminuir el
error del sistema. La matriz de ganancias del filtro de Kalman K sólo de penden de la
covarianza del error de estimación y de la salida del sistema, las entradas no afectan K .
Un estimador a posteriori se puede considerar mejor en el sentido que éste cuenta con más información que uno a priori.
21
![Page 22: El Filtro de Kalman Discreto](https://reader030.vdocuments.site/reader030/viewer/2022020222/577c7c411a28abe05499f038/html5/thumbnails/22.jpg)
REFERENCIAS [1] León, G.O. «Introducción al filtro de Kalman,» 2009.
[2] Gutiérrez, I.A. «SISTEMA DE DETECCIÓN DE FALLAS EN UN MOTOR DC
USANDO OBSERVADORES PROPORCIONAL INTEGRAL GENERALIZADO,» pucp,
LIMA, 2011.
[3] Molina, R. «Bases del filtro de Kalman.» Departamento Ciencias de la
Computación e IA. Universidad de Granada.
[4] Castañeda Cárdenas, J. A., Nieto Arias, M. A., Ortiz Bravo, V. A. . «Análisis y
Aplicación del filtro de Kalman a una Señal con Ruido Aleatorio». Ingeniería
electrónica, Universidad Tecnológica de Pereira, Pereira, Colombia. Scientia et
Technica Año XVIII, Vol. 18, No 1, Abril de 2013
[5] Simon, D. «Optimal State Estimation: Kalman, H Infinity, and Nonlinear
Approaches». John Willey. 2006
22