Documente Academic
Documente Profesional
Documente Cultură
6 El filtro de Kalman
Introducción
Filtro de Kalman discreto
Algoritmo: predicción + corrección
Caracterı́sticas probabilı́sticas
El filtro de Kalman extendido
Filtros de Partı́culas
Conclusiones
Doctorado en Tecnologías de las Comunicaciones - Procesado Digital de Señales en Comunicaciones (Curso 2003/04)
Introducción
Formulación matemática en términos del concepto espacio del estado
Solución recursiva
Solución válida para ambientes estacionarios y no estacionarios
Soporta estimas de estados presentes, pasados y futuros (filtrado,
suavizado y predicción)
Método eficiente para resolver el problema de mı́nimos cuadrados
(incluye al RLS y sus variantes)
Doctorado en Tecnologías de las Comunicaciones - Procesado Digital de Señales en Comunicaciones (Curso 2003/04)
Filtro de Kalman discreto
Plantemiento: Estima del estado x ∈ IRn de un proceso lineal dis-
creto en el tiempo a partir de un conjunto de medidas z ∈ IRm
Ecuación del proceso
Ecuación de medida
z k = Hxk + v k
Ruido de proceso y ruido de medida: independientes, blancos y con
distribución gaussiana
Doctorado en Tecnologías de las Comunicaciones - Procesado Digital de Señales en Comunicaciones (Curso 2003/04)
Definiciones
Estima a priori del estado: x̂−
k ∈ I
R n
−
Error de estima a priori: e−
k = x k − x̂ k
αk = z k − H x̂−
k
Doctorado en Tecnologías de las Comunicaciones - Procesado Digital de Señales en Comunicaciones (Curso 2003/04)
Aspectos computacionales del filtro
Evaluación del estado a posteriori
lı́m K k = H −1 , lı́m
−
Kk = 0
Rk →0 P k →0
Doctorado en Tecnologías de las Comunicaciones - Procesado Digital de Señales en Comunicaciones (Curso 2003/04)
Algoritmo: predicción+corrección
..........................................................................................................
..
..
..
..
..
..
..
.......................
. .................
...... ..............
............. R .....
Ecuaciones de predicción
x̂−
k = Ax̂k−1 + Buk
P−
k = AP k−1 A H
+Q
Ecuaciones de corrección
−1
Kk = P−
k H H
HP −
k H H
+R
x̂k = x̂− −
k + Kk z k − H x̂k
P k = (I − K k H) P −
k
Doctorado en Tecnologías de las Comunicaciones - Procesado Digital de Señales en Comunicaciones (Curso 2003/04)
Caracterı́sticas probabilı́sticas
El filtro de Kalman mantiene los dos primeros momentos de la dis-
tribución del estado
H
E [xk ] = x̂k , E (xk − x̂k )(xk − x̂k ) = P k
Doctorado en Tecnologías de las Comunicaciones - Procesado Digital de Señales en Comunicaciones (Curso 2003/04)
Selección de parámetros
Parámetros a seleccionar
Estimas iniciales x̂0 y P 0 : no demasiado crı́ticas
Matrices de covarianzas de ruido R y Q
R se puede estimar a través de las medidas
Q es difı́cil de estimar (no hay acceso al estado)
Habitualmente se realiza un ajuste (tuning) de dichos parámetros
Ejemplo: estima de una constante aleatoria
Voltaje=-0.5 V
Varianza de ruido (blanco y gaussiano): 0.01
50 observaciones
Doctorado en Tecnologías de las Comunicaciones - Procesado Digital de Señales en Comunicaciones (Curso 2003/04)
Ejemplo: R = 0.01
Doctorado en Tecnologías de las Comunicaciones - Procesado Digital de Señales en Comunicaciones (Curso 2003/04)
Ejemplo: R = 1
Doctorado en Tecnologías de las Comunicaciones - Procesado Digital de Señales en Comunicaciones (Curso 2003/04)
Ejemplo: R = 0.0001
Doctorado en Tecnologías de las Comunicaciones - Procesado Digital de Señales en Comunicaciones (Curso 2003/04)
El filtro de Kalman extendido (EKF)
Las ecuaciones del proceso y/o de medida son no lineales
xk = a (xk−1 , uk ) + wk−1
z k = h(xk ) + v k ,
Filtro de Kalman extendido: linealiza el sistema
Ecuación de proceso
∂a
Ak = (x̂k−1 , uk )
∂x
Ecuación de medida
∂h −
Hk = (x̂k )
∂x
Doctorado en Tecnologías de las Comunicaciones - Procesado Digital de Señales en Comunicaciones (Curso 2003/04)
Algoritmo EKF
..........................................................................................................
..
..
..
..
..
..
..
.......................
. .................
...... ..............
............. R .....
Ecuaciones de predicción
x̂−
k = a (x̂k−1 , uk )
P−
k = A H
k k−1 k + Q
P A
Ecuaciones de corrección
−1
Kk = P−
k H H
k H kP −
k H H
k +R
x̂k = x̂− −
k + Kk z k − h(x̂k )
P k = (I − K k H k ) P −
k
Doctorado en Tecnologías de las Comunicaciones - Procesado Digital de Señales en Comunicaciones (Curso 2003/04)
Formulación alternativa del EKF
Las ecuaciones del proceso y/o de medida son no lineales
xk = a (xk−1 , uk , wk−1 )
z k = h (xk , v k )
Filtro de Kalman extendido: linealiza el sistema
Ecuación de proceso
∂a ∂a
Ak = (x̂k−1 , uk , 0) , Wk = (x̂k−1 , uk , 0)
∂x ∂w
Ecuación de medida
∂h − ∂h −
Hk = (x̂k , 0), Vk = (x̂k , 0)
∂x ∂v
Doctorado en Tecnologías de las Comunicaciones - Procesado Digital de Señales en Comunicaciones (Curso 2003/04)
Algoritmo EKF (formulación alternativa)
.................................................................................
............................ ..................
..
..
..
..
..
..
...................
. ...............
............ ............
R
Inicialización - Predicción Corrección
.............
. .............
I...........................................................................................................................................................................
Ecuaciones de predicción
x̂−
k = a (x̂k−1 , uk , 0)
P−
k = A P A
k k−1 k
H
+ W k QW H
k
Ecuaciones de corrección
H −1
P− H
H kP − H
Kk = k H k k H k + V k RV k
x̂k = x̂− −
k + Kk z k − h(x̂k , 0)
P k = (I − K k H k ) P −
k
Doctorado en Tecnologías de las Comunicaciones - Procesado Digital de Señales en Comunicaciones (Curso 2003/04)
Filtros de partı́culas
Permiten considerar no linealidad y no gaussianidad del sistema
dinámico
Basados en la teorı́a Bayesiana y en el uso de muestreo enfatizado
(sequential importance sampling)
Método secuencial que estima las distribuciones de probabilidad re-
levantes
Filtrado: p(xk |z 1:k )
Predicción: p(xk+n |z 1:k )
Smoothing: p(xn |z 1:k ), con n < k
Las distribuciones se aproximan mediante suma de partı́culas alea-
torias (muestras en el espacio de la variable)
Doctorado en Tecnologías de las Comunicaciones - Procesado Digital de Señales en Comunicaciones (Curso 2003/04)
Muestreo enfatizado
Estima de una distribucion p(x) ∝ π(x)
Se definen muestras de una densidad enfatizada q(x)
xi ∼ q(x), i = 1, · · · , Ns
Estima de esperanzas
Z ∞ Ns
X
E[g(X)] = g(x)p(x)dx ⇒ E[g(X)] ≈ ω i g(xi )
−∞ i=1
Doctorado en Tecnologías de las Comunicaciones - Procesado Digital de Señales en Comunicaciones (Curso 2003/04)
Filtro de partı́culas
Aplicación del muestreo enfatizado a la estima del estado de un
sistema dinámico
p(xi0:k |z 1:k )
Estima de p(x0:k |z 1:k ) ⇒ ωki ∝
q(xi0:k |z 1:k )
Si se cumple q(xk |x0:k−1 , z 1:k ) = q(xk |xk−1 , z k ) sólo es necesario
obtener p(xk |z 1:k ) y almacenar xik
i i i Ns
p(z k |x k )p(xk |x k−1 )
X
ωki ∝ i
wk−1 ⇒ p(xk |z 1:k ) ≈ ωki δ(xk −xik )
q(xik |xik−1 , z k ) i=1
Doctorado en Tecnologías de las Comunicaciones - Procesado Digital de Señales en Comunicaciones (Curso 2003/04)
Degeneración → Remuestreo
Después de algunas iteraciones muchas partı́culas pueden tener pe-
sos despreciables
Solución: remuestreo con la representación discreta de p(xk |z 1:k )
Doctorado en Tecnologías de las Comunicaciones - Procesado Digital de Señales en Comunicaciones (Curso 2003/04)
Selección de la función de densidad enfatizada
Función óptima (minimiza la varianza de los pesos)
ωki ∝ ωk−1
i
p(z k |xik )
Existen múltiples elecciones para la función (es un paso esencial en
el diseño del filtro)
Doctorado en Tecnologías de las Comunicaciones - Procesado Digital de Señales en Comunicaciones (Curso 2003/04)
Conclusiones
Problema: Estima del estado de un sistema dinámico a partir de un
conjunto de medidas relacionadas con el mismo
Filtro de Kalman
Modelo lineal y gaussiano
Estima recursiva: Predicción + Corrección
Filtro de Kalman extendido
Modelo no lineal gaussiano
Filtro de partı́culas
Modelo no lineal no gaussiano
Muestreo enfatizado y remuestreo
Doctorado en Tecnologías de las Comunicaciones - Procesado Digital de Señales en Comunicaciones (Curso 2003/04)