UNIVERSITATEA POLITEHNICA TIMIOARA Master CN, anul 1

Filtre Kalman
-referat-

Student: Ing. Alexandru Mihai COROI

Conducator:

As. Ing. Andrei STANCOVICI

Cuprins:
1. Introducere.......................................................................................................................3 2. Filtrul Kalman discret......................................................................................................4 3. Filtrul Kalman extins (EKF)............................................................................................9 4. Aplicaii ale filtrului Kalman.........................................................................................15 5. Bibliografie....................................................................................................................19

1. Introducere
n 1960 R.E. Kalman a publicat faimoasa sa lucrare n care prezenta o soluie recursiv la problema fitrrii liniare a informaiei digitale (discrete n timp). De atunci, n mare parte datorit avantajului calculelor digitale filtrele Kalman au fost subiectul unor cercetari extinse si a aplicaiilor, n mod particular n domeniul navigaiei autonome sau asistate. n octombrie 2009 acesta a primit Medalia Nationala de tiin , care i-a fost decernat din partea preedintelui Statelor Unite, Barack Obama, la Casa Alb, mpreun cu un premiu de 500.000$ pentru dezvoltarea i propagarea tehnicii digitale optime (cunoscut sub numele de filtrul Kalman), care este n prezent utilizat pentru controlul unei arii vaste de consumatori, n sntate, comer i aprare. n statistic, un filtru Kalman este o metoda matematic denumit dup Rudolf E. Kalman. Scopul acesteia este de a folosi masurtori inregistrate peste timp, care conin zgomot (sau variaii aleatoare), sau alte erori sau inexactiti i producnd valori care tind sa coincid cu valorile reale masurate i cu valorile asociate calculate. Filtrele Kalman au multe aplicaii n tehnologie, i sunt o parte important a dezvoltrii spaiale i militare. Filtrele Kalman reprezint un set de ecuaii matematice care ofer o modalitate de calcul recursiv eficient, cu scopul de a estima strile n cadrul unui proces, ntr-un mod care minimizeaz eroarea de medie patratic. Filtrul are urmatoarele avantaje: suport estimri ale starilor din trecut, prezent i viitor, putnd realiza acest lucru chiar i dac modelul precis al naturii modelate nu exist.

2. Filtrul Kalman discret

Aceasta seciune conine descrierea filtrului n formularea initial realizat n 1960 de catre Kalman, n care masurrile au loc i strile sunt estimate la momente de timp discrete. a)Procesul ce se dorete a fi estimat Filtrul Kalman se areseaz n special ncercrii de a estima starea x n a unui proces controlat discret-n-timp, care este guvernat de catre ecuaia diferential linear aleatoare:
x K = Ax K 1 + Bu K + wK +1 ,

(1.1) 3

unde avem valoarea masurat:

z K = Hx K + v K .

(1.2) i vK reprezint zgomotul procesului respectiv

Variabilele aleatoare wK probabilitate normal:

p ( w) ~ N (0, Q ) , p (v ) ~ N (0, R ) .

zgomotul msurat. Ele se presupun a fi independente (fiecare), pure, i cu distribuia de (1.3) (1.4)

n practic, matricile covarianei de zgomot ale procesului Q i covarianei de zgomot msurat R respectiv, se pot schimba la fiecare pas de timp sau al msurtorii, ns cu toate acestea ne vom asuma faptul de a-l considera constant. Matricea A de dimensiuni n x n relaioneaz starea de la pasul anterior de timp k1 cu starea de la pasul de timp curent k, n lipsa unei funcii de conducere sau a unui zgomot in cadrul procesului. Notabil ns, n practic A se poate schimba la fiecare pas, ins aici noi il vom asuma ca fiind constant. Matricea B de dimensiuni n x l relaioneaz intrarea de control opional u n fa de starea x. Matricea m x n H relaioneaz starea cu masurtoarea z K . n practic H se poate schimba la fiecare pas de timp sau la fiecare nou msurtoare, ins aici il vom considera ca i constant. b)Originile calculului filtrului
K n (evideniind prin minusul de deasupra) ca fiind estimarea a Vom defini x

K n priori a starii la pasul k avnd certitudinea procesului de dinaintea pasului k, si x

ca fiind starea a posteriori fa de pasul k, dat de masurtoarea z K . Putem atunci sa definim erorile de estimare a priori i a posteriori ca fiind:
K eK xK x , si

K . eK x K x

Eroarea de estimare a covarianei exprimat a priori devine:

T PK = E[eK eK ] ,

(1.5)

n timp ce eroarea de estimare a covarianei exprimate a posteriori este:

T PK = E[eK eK ].

(1.6)

n derivarea ecuaiilor pentru filtrul Kalman vom ncepe cu cutarea unei ecuaii
K ca si combinaie liniar a unei care calculeaz o estimare a posteriori a strii - x
K estimri a priori x i diferena ponderat dintre masurtoarea actual z K i o K masurtoare prezis H x dup cum se poate vedea n ecuaia de mai jos: K = x K K x + K ( z K Hx ).

(1.7)

K ) din ecuaia (1.7) se numete masurarea inovaie sau Diferena ( z K Hx

rezidual. Rezidualul reflect discrepana dintre masuratoarea prezis i msurtoarea actual z K . Un rezidual de 0 arat faptul c cele doua sunt n perfect conformitate. Matricea K n x m este aleas s fie ctigul sau factorul de golire care minimizeaz ecuaia (1.6) a erorii de covarian a posteriori. Aceasta minimizare poate fi ndeplinit de ctre prima ecuaie substitutiv (1.7) n definiia de mai sus pentru eK , substituind aceasta n ecuaia (1.6), realiznd separrile, derivnd apoi fa de K, egalnd cu zero i apoi rezolvnd pentru K. O form a lui K rezultat care minimizeaz ecuaia (1.6) este:
K K = PK H T ( HPK H T + R ) 1

PK H T = ( HPK H T + R) 1

(1.8) 1

Privind ecuaia (1.8) se observa c la fel cum eroarea de covarian masurat R se apropie de zero, ctigul K mrete rezidualul mult mai mult. Mai precis:
lim RK 0 K K = H 1 .

Pe de alt parte, precum estimarea a priori a erorii de covarian PK se apropie

de zero, ctigul K creste mult mai puin pierderile reziduale. Mai precis:
lim P 0
K

KK = 0 .

Toate ecuaiile care descriu filtrul Kalman pot fi scrise algebric in diverse forme. Ecuaia (1.8) reprezint ctigul Kalman intr-o form popular.

Un altfel de a gandi creterea cu K este c la fel precum eroarea de covarian masurat se apropie de zero, msurtoarea actual z K este luat n considerare din ce n
K ce mai mult, n timp ce valoarea prezis Hx este luat in considerare din ce n ce mai puin. Pe de alt parte, aa cum eroarea de covarian exprimat a priori PK se apropie

de zero, masurarea actual z K este luata n considerare din ce n ce mai puin, n timp ce
K Hx este luat n considerare din ce n ce mai puin.

c)Originile probabiliste ale filtrului

K Justificarea pentru ecuaia (1.7) este stabilit in probabilitatea estimrii Hx

conditionat de toate masurtorile z K precedente (regula lui Bayes). Deocamdat este suficient s pontm faptul c filtrele Kalman menin primele doua momente ale distribuiei de stri,
K E[ x K ] = x

K )( x K x K ) T ] = PK . E[( x K x

Ecuaia de estimare a strii a posteriori (1.7) reflect media (primul moment) a distribuiei de stri aceasta are o distribuie normal dac condiia ecuaiei (1.3) si ecuaia (1.4) sunt indeplinite. Ecuaia ce reprezint estimarea erorii de covariaie a posteriori (1.6) reflect variaia distribuiei de stri (al doilea moment ne-central). Cu alte cuvinte:
p ( x K z K ) ~ N ( E[ x K ], E[( x K

K )( x K x K ) T ]) x

K , PK ) . = N (x

c)Algoritmul filtrului Kalman discret Vom ncepe aceasta sectiune cu o privire de ansamblu, acoperind operaiile de nivel nalt a aceleiai forme de filtru discret Kalman. Dup prezentarea acestei abordri de nivel nalt, ne vom concentra pe ecuaiile specifice i utilizarea lor n acest tip de filtru. Filtrul Kalman estimeaz un proces folosind o und-raspuns de control : filtrul estimeaz starea procesului la un anumit moment de timp i apoi obtine o und-rspuns (de zgomot) masurat. Ca atare, ecuaiile filtrului Kalman se despart n dou tipuri:

ecuaii actualizate n timp i ecuaii actualizate la msurare. Ecuaiile actualizate n timp sunt responsabile pentru proiecia n viitor a strii curente i a erorii de covariaie estimat pentru a obine estimrile a priori pentru pasul urmtor. Ecuaiile actualizate la msurare sunt responsabile pentru rspuns de exemplu pentru ncorporarea unei noi msurtori n estimarea a priori pentru a obtine o estimare a posteriori mbuntit. Ecuaiile actualizate n timp pot fi considerate de altfel ca ecuaii predictoare, n timp ce ecuaiile actualizate la msurare pot fi considerate ecuaii corectoare. ntr-adevr algoritmul de estimare final seamn cu un algoritm predictor-corector n rezolvarea problemelor numerice dup cum se arat n figura 1.1:

Figura1.1: Desfurarea ciclului filtrului Kalman discret. Actualizarea n timp priecteaz estimarea strii curente nainte n timp. Actualizarea la masurare ajusteaz estimarea proiectat cu masurtoarea actual la timpul curent.

Ecuaiile specifice de actualizare de timp si masurtori sunt prezentate mai jos in tabelul 1.1 si tabelul 1.2: Tabel 1.1: Ecuaiile discrete de actualizare n timp ale filtrului Kalman
K K 1 + Bu K x = Ax

(1.9)

PK = APK 1 AT + Q (1.10)

Notm din nou cum ecuaiile de actualizare n timp din tabelul 1.1 proiecteaz starea i covariaia estimat de la pasul k-1 nainte pentru pasul k. A i B sunt formele de und ale ecuaiei (1.1), n timp ce Q provine din ecuaia (4.3). Condiiile iniiale ale filtrului sunt discutate n lucrrile de referin. 7

Tabel 1.2: Ecuaiile discrete de actualizare la masurtoare ale filtrului Kalman

K K = PK H T ( HPK H T + R ) 1 (1.11) K = x K x + K K ( z K Hx K ) (1.12) PK = (1 K K H ) PK

(1.13)

Prima sarcin n timp ce se desfsoar actualizarea la masurtoare este calculul ctigului Kalman, K K . De notat este ca aceast ecuaie o avem aici ca finnd ecuaia (1.11), aceeai cu ecuaia (1.8). Urmtorul pas este masurarea procesului pentru a-l obine pe z K i generarea strii a posteriori estimat dup ncorporarea msurrii n ecuaia (1.12). Din nou ecuaia (1.12) este simplu ecuaia (1.7) rescris aici pentru completitudine. Pasul final este obinerea unei a posteriori estimri a erorii de covariaie din ecuaia (1.13). Dup fiecare pereche de actualizare de timp i msurtoare, procesul este repetat cu estimarea anterioar a posteriori folosit pentru a proiecta o nou estimare a priori. Aceast natur recursiv este una dintre cele mai atrgtoare caracteristici ale filtrului Kalman favorizeaz implementarea practic mai fezibil dect (de exemplu) o implementare a filtrului Wiener (Brown si Hwang 1996) care este proiectat sa opereze pentru toate valorile la fiecare estimare. Filtrul Kalman n schimb condiioneaz recursiv estimarea curent de toate masurrile din trecut. Figura 1.2 de mai jos ofer o imagine complet a operrii filtrului, combinnd diagrama de nivel nalt folosit n figura 1.1 cu ecuaiile din talebele 1.1 si 1.2.

Fig1.2: Figura complet a operaiilor filtrului Kalman, combinnd diagrama de nivel nalt a figurii 1.1 cu ecuaiile din tabelele 1.1 i 1.2.

3. Filtrul Kalman extins (EKF)

a)Procesul ce se dorete a fi estimat La fel ca n descrierea de mai sus, filtrul Kalman adreseaz problema general a ncercrii de a estima starea x n a unui proces controlat n timp discret, guvernat de catre o ecuaie diferenial liniar aleatoare. Dar ce se ntmpl dac procesul spre a fi estimat i (sau) relaia procesului cu masurtorile este non-liniar? Una dintre cele mai interesante i ncununate de succes aplicaii a filtrrii Kalman au fost astfel de situaii. Un filtru Kalman care liniarizeaz fa de media curent i covariaie este denumit filtrul Kalman extins sau EKF. n unele situaii nrudite cu seriile Tylor, putem liniariza estimarea n jurul estimrii curente folosind derivate pariale ale procesului i funcii de msurare pentru a calcula estimrile n cazul relaionrilor neliniare. Pentru aceasta, trebuie s ncepem modificnd unele calcule realizate n Sectiunea 1.1. S considerm din nou c procesul nostru are un vector al strilor x n , ns acum procesul este guvernat de ecuaia diferenial neliniar aleatoare:

x K = f ( x K 1 , u K , wK 1 ),

(1.14)

mpreun cu o msurtoare z m care este:

z K = h( x K , y K ) .

(1.15)

n care variabilele aleatoare wK i v K reprezint din nou ygomotul procesului i cel msurat la fel ca n ecuaiile (1.3) i (1.4). n acest caz funcia neliniar f din ecuaia (1.14) relaioneaz starea de la pasul anterior de timp k 1 cu starea de la pasul current de timp, k. Aceasta include ca i parametrii orice funcie de control u K i zgomotul de medie zero al procesului wK . Funcia neliniar h din ecuaia masurtorii (1.15) relaioneaz starea x K de masurtoarea z K . n practic desigur nu se va putea ti valorile precise ale zgomotului wK i v K la fiecare pas de timp. Totui, putem s aprozimm starea i vectorul msurtorilor fr ele astfel: ~ K 1 , u K ,0) x = f (x i
K = h( ~ z x K ,0 )

(1.16)

(1.17)

K este o estimare a posteriori a starii (de la timpul aferent pasului anterior pasului unde x

k). Este important de notat c defectul fundamental al filtrului EKF este acela c distribuiile (sau continuitile n cazurile continui) a numeroase variabile aleatoare nu mai sunt distribuite normal dupa parcursul transformrilor lor neliniare. EFK este simplu un estimator de stri ad-hoc care aprozimeaz optimalul regulei lui Bayes prin liniarizare.O lucrare interesant a fost realizat de ctre Julier et al. n dezvoltarea unei variante a EKF, folosind metode care conserv distribuia normal la trecerea prin transformrile neliniare.

b)Originile de calcul ale filtrului Estimarea unui proces avnd o relaie neliniar fa de msurtori, vom ncepe prin a scrie noi ecuaii de guvernare care liniarizeaz o estimare asupra ecuaiei (1.16) i a ecuaiei (1.17). 10

 K 1 ) + WwK 1 (1.18) xK ~ x K + A( x K 1 x zK ~ z K + H ( xK ~ x K ) + Vv K

(1.19)

unde:
xK i z K reprezint vectorii starilor si a msurtorilor respectiv,
~ x K i ~ z K reprezint vectorii starilor aprozimate respectiv a msurtorilor

din ecuaiile (1.16) si (1.17),

K reprezint o estimare a posteriori a starii la pasul k, x

variabilele aleatoare wK i v K reprezint zgomotul procesului respectiv al msurtorilor, la fel ca i n ecuaiile (1.3) i (1.4), A este matricea Iacobian a derivatelor pariale ale lui f fa de x,
f [ i ] x[ j ] K 1 , u K ,0), (x

A[ i , j ] =

W este matricea Iacobian a derivatelor ale lui f fa de w,

f [i ] w[ j ] K 1 , u K ,0), (x

W[ i , j ] =

H este matricea Iacobian a derivatelor pariale ale lui h fa de x,

h[ i ] x[ j ] K ,0), (x

H [i , j ] =

V este matricea Iacobian a derivatelor pariale ale lui h fa de v,

h[ i ] v[ j ] K ,0). (x

V[ i , j ] =

Pentru simplitudine n notaii nu vom folosi indicele de timp k impreuna cu matricile Iacobiene A, W, H i V chiar dac ei sunt n realitate diferii de la un pas la altul. Vom defini o nou notaie pentru eroarea de predicie:
~ eX K xK ~ xK ,

(1.20)

i rezidualul masurat,
~ ez K z K ~ zK .

(1.21)

n practic trebuie s inem cont ns de faptul c nu avem acces la xK n ecuaia (1.20), acesta fiind vectorul starii actuale, cantitatea pe care ncercm a o estima. Pe de

11

alt parte, avem acces la z K n ecuaia (1.21), aceasta fiind masurtoarea actual care este folosit pentru a estima pe xK . Folosind ecuaia (1.20) i (1.21) putem scrie ecuaiile guvernatoare pentru un proces cu erori ca ~ K 1 ) + K , (1.22) exK A( xK 1 x
~ ez K H ~ e X K + K ,

(1.23)

unde K i K reprezint noi variabile aleatoare independente avnd media zero i matricile de covariaie WQW T i VRV T , cu Q i R la fel ca n relaiile (1.3) i (1.4) respectiv. De notat, ecuaiile (1.22) i (1.23) sunt ecuaii liniare i ele recalculeaz ecuaiile de diferen si masurtori (1.1) i (1.2) din filtru Kalman discret. Aceasta ne motiveaz s
~ folosim masurarea rezidual ez K n ecuaia (1.21) i un al doilea (ipotetic) filtru Kalman
~ pentru a estima eroarea de predicie ex dat de ecuaia (1.22). Aceasta estimare, notat
K

K , ar putea fi folosit mpreun cu ecuaia (1.20) n scopul de a obine o estimare a e

strii a posteriori pentru procesul non-liniar original.

K = ~ K . x xK + e

(1.24)

Variabilele aleatoare ale ecuaiei (1.22) i (1.23) au aproximativ urmtoarea distribuie de probabilitate: p(~ e xK ) ~ N (0, E[ ~ exK , ~ e xTK ])
p ( K ) ~ N (0, WQK W T )
p ( K ) ~ N (0, VR K V T )
K s fie zero, ecuaia filtrului Avnd aceste aproximri i lsnd valoarea e K sunt: Kalman folosit pentru a estima e K = K K ~ e eZ .
K

Substituind ecuaia (1.25) napoi n ecuaia (1.24) i folosind ecuaia (1.21) vedem ca defapt nu avem nevoie de al doilea (ipotetic) filtru Kalman: ~ K = ~ x xK + K K e (1.26) ZK
=~ xK + K K ( z K ~ zK )

12

Ecuaia (1.26) poate fi acum folosit pentru a msura actualizrile n filtrul

x K i ~ z K rezultate din ecuaia (1.16) i ecuaia (1.17), i Kalman extins, impreun cu ~

ctigul Kalman K K care vine din ecuaia (1.11) cu substituia adecvat pentru erorii de covariaie masurat. Setul complet de ecuaii EKF este artat dedesubt n tabelele 1.3 si 1.4. De notat,
x K pentru a rmne consecveni cu super-minusul de mai K am substituit x cu ~

devreme, notaie folosit pentru starea a priori, iar acum atam indicii k a Iacobianele A, W, H i V, pentru a ntri faptul c ele sunt diferite (i trebuie n fond recalculate) la fiecare pas de timp. Tabel 1.3: Ecuaiile discrete de actualizare n timp ale filtrului Kalman extins
K K 1 , u K ,0) x = f (x

(1.9) (1.10)

T T PK = AK PK 1 AK +WK QK 1WK

La fel precum filstrul Kalman discret de baz, ecuaiile de actualizare n timp n tabelul 1.3 proiecteaz starea i covariana estimat la pasul anterior k 1 pentru pasul curent k. Din nou f n ecuaia (1.27) este scos din ecuaia (1.16), AK i W K sunt Iacobienii procesului la pasul k, iar Q K este ecuaia (1.3) de covariaie a zgomotului din proces la pasul k. Tabel 1.4: Ecuaiile discrete de actualizare la masurtoare ale filtrului Kalman extins
T T 1 K K = PK H T ( H K PK HK + VK RK V K ) (1.29) K = x K K x + K K ( z K h( x ,0)) PK = (1 K K H K ) PK

(1.30) (1.31)

La fel ca n cazul filtrului Kalman discret de baz, ecuaiile actualizrii de masurtoare n tabelul 1.4 corecteaz starea i estimarea covariaiei cu masurtoarea z K . Din nou, h din ecuaia (1.30) provine din ecuaia (1.17), H K i V sunt Iacobienii de la

13

pasul k, iar R K reprezint ecuaia (1.4) a zgomotului de covariaie msurat la pasul k. (Indicele lui R ne permite s l modificm la fiecare msurtoare).

Figura 1.3: Reprezentarea complet a operrii filtrului kalman extins, combinnd diagrama de nivel nalt a figurii 1.1 cu ecuaiile din tabelele 1.3 respectiv 1.4.

O caracteristic important a EKF este aceea ca Iacobianul H K din ecuaia ctigului Kalman K K servete la propagarea corect sau a mari doar componentele relevante din n informaiile masurate. De exemplu, dac nu avem o mapare unu-la-unu dintre masurtoarea z K i starea prin intermediul h, Iacobianul H K afecteaz ctigul
K ,0) care nu afecteaz astfel nct acesta doar amplific portiunea rezidualului z K h( x

starea. Desigur, mai presus de toate masurtorile nu exist o mapare de unu-la-unu intre masurtorile z K i starea prin h, atunci dup cum ne asteptm, filtrul se va abate repede. n acest caz procesul nu este observabil.

4. Aplicaii ale filtrului Kalman

Am stabilit mai devreme c un filtru Kalman este un estimator liniar, adic deduce parametrii de interes din surse de observare indirecte, imprecise sau nesigure. Am stabilit c prezint un algoritm recursiv, astfel nct noile msurtori pot fi procesate

14

atunci cnd ajung. Faptul de a fi considerat optimal se refer la faptul c acesta minimizeaz eroarea medie ptratic a parametrilor estimai. n cazul unui zgomot de form negausian, filtrul Kalman avnd doar media i deviaia standard a zgomotului, este cel mai bun estimator liniar. n acest caz estimatorii neliniari se preteaz mai mult a fi folositi. Popularitatea filtrului Kalman se datoreaz mai multor clauze: fiindc este optimal i structurat; se preteaz procesrii n timp real a datelor; este uor de neles i implementat pe baza unei ntelegeri de baz; ecuaiile de masurare nu trebuiesc inversate. Dezvoltat iniial pentru a fi folosit n navigaia spaial, filtrul Kalman se dovedete a fi util n multe alte aplicaii: determinarea parametrilor orbitei planetei din observaii limitate ale pmntului; intirea pistelor de exemplu n cazul avioanelor, proiectilelor, folosind radarul; localizarea roboilor i construirea de hri prin senzori de distan sau semnalizri; aplicri n economie; multe aplcaii pe staii computerizate: stabilizarea msurtorilor de adncime, urmrire a funciilor, urmrirea de grupuri (clustere), combinarea datelor primite de la radare, scanere cu laser sau/i camere stereo pentru masurtori de adncime i de vitez, management al traficului de date. Avem n continuare un exemplu de aplicare a filtrului Kalman extins (EKF) pentru estimarea strii traficului folosind metoda CMT (cell transmission model). Acesta face referin la studierea capacitilor modelului EKF-CTM de rutare pentru evitarea congestionrii traficului rutier, n acest exemplu.

15

Figura 2.1: Reprezentarea conturul vitezei msurate netezit

Figura2.2: Estimarea vitezei cu ajutorul algoritmului EKF-KTM.

16

Figura 2.3: Graficul densitii fr estimarea EKF-CTM

Figura 2.4: Conturul densitii traficului estimat prin algoritmul EKF-CTM pentru o perioad de timp de 30 de minute.

17

Acest exemplu ilustreaz capabilitatea acestui model de a urmri schimbrile rapide n valorile parametrilor (aici capacitatea), fapt ncurajator, pentru ateptrile noastre precum c traficul urban va fi dominat (printre altele) de diferite trasee dorite i planificri (n functie de intersecii). Procesul de gsire a celei mai bune estimri din datele nsoite de zgomot conduc la noiunea de filtrare a zgomotului. n cele din urm un filtru Kalman nu doar cur msurtorile de zgomot, ci le i proiecteaz n estimarea de stari. Filtrul Kalman nu este foarte bun numai n practic, dar este i atractiv din punct de vedere teoretic, deoarece se poate demonstra c dintre toate filtrele posibile acesta minimizeaz cel mai mult variaia erorii de estimare.

18

Bibliografie:
[1] Greg Welch, Gary Bishop An introduction to Kalman Filter University of North California at Chapel Hill, 2001 [2] Dan Simon, Kalman Filtering. [3] Kalman Filter Applications, www.cs.auckland.ac.nz [4] Lindsay Kleeman, Understanding and Aplzing Kalman Filtering, Departament of Electrical and Computer Systems Engineering, Monash University, 2011. [5] Chris M. J. Tampre, l. H. Immers, An Extended Kalman Application for Traffic State Estimation Using CTM with Implicit Mode Switching and Dynamic Parameters , october 2007. [6] http://www.cs.unc.edu/~welch/kalman/ [7] http://en.wikipedia.org/wiki/Kalman_filter

19