Objetivos:

Introduccin
La importancia de estudiar el filtro de Kalman y su algoritmo radica en que se
constituye en el principal procedimiento para estimar sistemas dinmicos
representados en la forma de estado-espacio (State-Space), los cuales tienen muchas
aplicaciones economtricas de inters. El filtro tiene su origen en el documento de
Kalman (1960) donde describe una solucin recursiva para el problema del filtrado
lineal de datos discretos. La derivacin de Kalman fue dentro de un amplio contexto de
modelos estado-espacio, en donde el ncleo es la estimacin por medio de mnimos
cuadrados recursivos. Desde ese momento, debido en gran parte al avance en el
clculo digital, el filtro de Kalman ha sido objeto de una extensiva investigacin y
aplicacin, particularmente en el rea de la navegacin autnoma y asistida, en
rastreo de misiles y en economa. La representacin estado-espacio es esencialmente
una notacin conveniente para la estimacin de modelos estocsticos donde se
asumen errores en la medicin del sistema, lo que permite abordar el manejo de un
amplio rango de modelos de series de tiempo. Entre los usos particulares se encuentra
la modelacin de componentes no observables y parmetros que cambian en el
tiempo, as como la representacin de modelos ARIMA y de algunos otros que
requieren ser aproximados por mxima verosimilitud. El filtro es un procedimiento
matemtico que opera por medio de un mecanismo de prediccin y correccin. En
esencia este algoritmo pronostica el nuevo estado a partir de su estimacin previa
aadiendo un trmino de correccin proporcional al error de prediccin, de tal forma
que este ltimo es minimizado estadsticamente. Dentro de la notacin estadoespacio, la derivacin del filtro de Kalman descansa en el supuesto de normalidad del
vector de estado inicial y de las perturbaciones del sistema. De tal forma que es
posible calcular la funcin de verosimilitud sobre el error de prediccin con lo cual se
lleva a cabo la estimacin de los parmetros no conocidos del sistema. El
procedimiento de estimacin completo es el siguiente: el modelo es formulado en
estado-espacio y para un conjunto inicial de parmetros dados, los errores de
prediccin del modelo son generados por el filtro.
Filtro Kalman
El filtro de Kalman es un filtro recursivo de prediccin que se basa en el uso de
tcnicas de espacio de estado y los algoritmos recursivos. Se estima que el estado de
un sistema dinmico. Este sistema dinmico puede ser perturbado por algn ruido, en
su mayora asume como ruido blanco. Para mejorar el estado que estima el filtro de
Kalman se utilizan mediciones que se relacionan con el Estado, sino perturbados
tambin.
As, el filtro de Kalman consiste en dos pasos:
1. la prediccin
2. la correccin
En el primer paso el estado predicho por el modelo dinmico. En el segundo paso se
corrige con el modelo de observacin, de modo que la covarianza del estimador de
error se minimiza. En este sentido, es un estimador ptimo.

Este procedimiento se repite para cada intervalo de tiempo con el estado del paso de
tiempo anterior como valor inicial. Por lo tanto el filtro de Kalman se llama un filtro
recursivo.

Fig.1. Circuito del filtro de Kalman. (Fuente:

http://bibing.us.es/proyectos/abreproy/11879/fichero/PFC+Sergio+Pereira+Ruiz%252F7++Filtro+de+Kalman.pdf)

Los componentes bsicos del filtro de Kalman son el vector de estado, el modelo
dinmico y el modelo de observacin, que se describen a continuacin.
Vector Estado
El vector de estado contiene las variables de inters. En l se describe el estado del
sistema dinmico y representa sus grados de libertad. Las variables en el vector de
estado no se pueden medir directamente, sino que se puede deducir de los valores
que se pueden medir. Elementos del vector de estado puede ser por ejemplo, posicin,
velocidad, ngulos de orientacin, etc. Un ejemplo muy simple es un tren que est
conduciendo a una velocidad constante en un elemento recto. En este caso, el tren
tiene dos grados de libertad, la distancia s y la velocidad v. As, el vector de estado es:

El vector de estado tiene dos valores al mismo tiempo, que es el valor a priori, el valor
previsto antes de la actualizacin, y el valor a posteriori, el valor corregido despus de
la actualizacin. En adelante, el valor a priori se caracteriza por x- y el valor a
posteriori por x+.
Modelo Dinmico
El modelo dinmico describe la transformacin del vector de estado en el tiempo.
Por lo general, puede ser representado por un sistema de ecuaciones diferenciales

En el caso lineal puede ser fcilmente reescrita como:

Donde F es la matriz dinmica y es constante, x (t) es el vector de estado y N (t) es el

ruido dinmico, que generalmente se supone como ruido blanco y tiene la matriz de
covarianza Q(t). Hay sistemas que no pueden ser modelados por ecuaciones
diferenciales, pero estos sistemas no se tratan en este proyecto.
Modelo de Observacin
El modelo de observacin representa la relacin entre el Estado y las mediciones.
En el caso lineal de las mediciones pueden ser descritas por un sistema de
ecuaciones lineales, que dependen de las variables de estado. Por lo general, las
observaciones se realizan en tiempo discreto pasos ti.

La forma vectorial de este sistema es

Donde l(ti) es el vector de las observaciones en el instante t i poca, H es la

observacin de la matriz y w(ti) es el ruido del proceso de medicin con la matriz de
covarianza R(ti). Al igual que la dinmica de la matriz, en un sistema lineal de la
observacin de la matriz H es una matriz constante tambin.
Descripcin de la ecuacin libre
El filtro Kalman es un filtro digital de emisin y recepcin mltiple que puede estimar
en forma ptima, en tiempo real, los estados de un sistema basados en la salida del
ruido como se puede ver en la siguiente figura:

Fig.2. El propsito de un filtro de Kalman es estimar los valores de variables que describen el estado de un sistema
de un signo multidimensional contaminados por el ruido ptimamente. (Fuente:
Realizacion_de_filtrado_Kalman_aplicado.pdf)

Estos estados son todas las variables que necesita para describir completamente el
comportamiento del sistema como una funcin del tiempo (tales como posicin,

velocidad, niveles de voltaje y salidas). En efecto, uno puede pensar en emisiones

mltiples ruidosas, como una seal multidimensional ms el ruido, con los estados del
sistema que son las seales desconocidas deseadas.
El filtro Kalman, filtra el ruido midiendo la estimacin de las seales deseadas. Las
estimaciones son estadsticamente ptimas en el sentido que ellos minimizan la
estimacin del error medio cuadrtico. Esto ha sido visto desde o por un criterio muy
general dentro de muchos otros criterios razonables (el intervalo de cualquier
incremento montono, funcin del error simtrico tal como el valor absoluto) pudiendo
devolver el mismo estimado. El filtro Kalman tuvo un perfeccionamiento dramtico
sobre su predecesor el error medio cuadrtico mnimo inventado por Norbert Wienner
en los aos 40, el cual fue limitado primeramente a seales escalares dentro de ruidos
con estadsticas estacionarias.

Figura.3. El filtro Kalman es recursivo, es un filtro lineal. En cada ciclo, el estado estimado es actualizado por
nuevas medidas combinadas con los estimados del estado predecidos de medidas previas .

En la figura 3, ilustra el algoritmo del filtro Kalman. Porque el estado (o seal) es un

vector escalar de variables fortuitas (contrario a una variable simple), el estimado del
estado de la incertidumbre es una matriz de varianza y covarianza o simplemente una
matriz de covarianza. Cada trmino de la diagonal de la matriz es la transformacin de
una variable escalar escogida al azar - una descripcin de su incertidumbre. El trmino
es la desviacin de las variables del medio cuadrtico, proveniente del intervalo y el
origen del su intervalo es su desviacin standart. Los trminos de la matriz fuera de su
diagonal son las covarianzas que describen cualquier correlacin entre pares de
variables.
Las medidas mltiples (cada punto en un tiempo) son tambin vectores que tienen un
algoritmo recursivo de un proceso secuencial dentro de un tiempo. Esto intervalo que
repite el algoritmo iterativo de s mismo para cada medida nueva del vector, usando
solo valores copiados provenientes de un ciclo previo (o anterior). Este procedimiento
se distingue de algoritmos de procesamiento por partes el cual debe guardar todas las
mediciones anteriores.
Comenzando con un estado estimado predecido (como se ve en la figura 2) y su
covarianza asociada obtenida de una informacin anterior o pasada, el filtro calcula los
pesos (ponderaciones) que van a ser usados; cuando se combine est estimado con
la primera medida del vector se obtiene un dato actualizado o mejor estimado. Si la

medida de la covarianza del ruido es mucho mejor que lo que predijo la estimacin del
estado, los pesos de las medidas van a ser ms altos y la estimacin del estado ms
bajo.
As mismo, el ponderado relativo entre los estados escalares sern una funcin de
cuan "notables" son estas en las mediciones. Los estados que pueden verse
rpidamente en las mediciones recibirn los pesos ms altos. Porque el filtro calcula
una estimacin del estado actualizado usando la nueva medida, la covarianza
estimada debe estar cambiada para reflejar la informacin que acaba de aadirse,
resultando una reduccin de la incertidumbre. Las estimaciones del estado actualizado
y sus covarianzas asociadas forman las emisiones del Filtro Kalman.

Finalmente, para prepararse para la siguiente medicin del vector, el filtro debe
proyectar la estimacin del estado actualizado y su covarianza asociada al tiempo de
la siguiente medicin. El sistema real del vector del estado se asume que cambia con
tiempo de acuerdo a una transformacin lineal determinante ms un ruido fortuito
independiente. Por consiguiente, la estimacin del estado predecido sigue solamente
una transformacin determinada, porque el valor del ruido real es desconocido. La
prediccin de la covarianza da cuenta de ambos, puesto que la incertidumbre de los
ruidos fortuitos son conocidos. Por consiguiente, la incertidumbre de la prediccin
aumentar, puesto que la prediccin de la estimacin del estado no puede dar cuenta
del ruido fortuito adicionado. Este ltimo paso completa el ciclo del filtro de Kalman.
El modelo de sistema dinmico subyacente
Los filtros de Kalman estn basados en sistemas dinmicos lineales discreteados en el
dominio del tiempo. Estos son modelados en una cadena de Markov construida en
operaciones lineales perturbadas por ruido Gaussiano. El estado del sistema es
representado como un vector de nmeros reales. En cada paso discreto de tiempo una
operacin lineal es aplicada al estado para generar el nuevo estado, con parte de ruido
mezclado, y opcionalmente alguna informacin proveniente de los controles del
sistema si estos son conocidos. Al mismo tiempo, otra operacin lineal mezclada con
ms ruido genera la salida observada del estado verdadero (escondido).
Los filtros de Kalman pueden ser considerados como anlogos al modelo de Markov
escondido, con la diferencia clave que la variable de estado escondido toma valores
en un espacio continuo (en oposicin a un espacio de estado discreto como es en el
modelo de Markov escondido. Adems, y en contraste con el modelo de ruido
Gaussiano utilizado por los filtros de Kalman, los modelos de Markov escondidos
pueden representar distribuciones arbitrarias para el siguiente valor de las variables de
estado.
Rendimiento del algoritmo y performance del comportamiento
Es conocido, que los filtros de Kalman son ptimos en casos en que
a) el modelo coincide perfectamente con el sistema real,
b) el ruido de entrada es ruido blanco, y
c) la covarianza del ruido es conocido exactamente.

Muchos mtodos para la estimacin de la covarianza del ruido han sido propuestos
durante las ltimas dcadas. Despus de que las covarianzas son identificadas, es til
evaluar la performance del filtro, por ejemplo, si es posible mejorar la calidad estimada
del estado o no. Se sabe que si los filtros de Kalman trabajan de manera ptima, la
secuencia de innovacin (el error de prediccin de salida) es un ruido blanco.
Para la evaluacin del rendimiento del filtro es necesario inspeccionar la propiedad de
testigo de las innovaciones. Varios mtodos diferentes pueden ser usados para este
fin.
El algoritmo Discreto del filtro KALMAN
El filtro de Kalman consiste en un conjunto de ecuaciones matemticas que proveen
una solucin recursiva ptima, por el mtodo de mnimos cuadrados. La meta de esta
solucin consiste en calcular un estimador lineal, insesgado y ptimo del estado3 de
un sistema en t con base en la informacin disponible en t-1, y actualizar, con la
informacin adicional disponible en t, dichas estimaciones (Clar et al. 1998). El filtro se
desempea suponiendo que el sistema puede ser descrito a travs de un modelo
estocstico lineal, en donde el error asociado tanto al sistema como a la informacin
adicional que se incorpora en el mismo tiene una distribucin normal con media cero y
varianza determinada.
La solucin es ptima por cuanto el filtro combina toda la informacin observada y el
conocimiento previo acerca del comportamiento del sistema para producir una
estimacin del estado de tal manera que el error es minimizado estadsticamente. El
trmino recursivo significa que el filtro recalcula la solucin cada vez que una nueva
observacin o medida es incorporada en el sistema.
El filtro de Kalman es el principal algoritmo para estimar sistemas dinmicos
representados en la forma de estado-espacio En esta representacin el sistema es
descrito por un conjunto de variables denominadas de estado. El estado contiene toda
la informacin relativa al sistema a un cierto punto en el tiempo. Esta informacin debe
permitir la inferencia del comportamiento pasado del sistema, con el objetivo de
predecir su comportamiento futuro.
Lo que hace al filtro tan interesante es precisamente su habilidad para predecir el
estado de un sistema en el pasado, presente y futuro, aun cuando la naturaleza
precisa del sistema modelado es desconocida.
En la prctica, las variables estado individuales de un sistema dinmico no pueden ser
exactamente determinadas por una medicin directa. Dado lo anterior, su medicin se
realiza por medio de procesos estocsticos que involucran algn grado de
incertidumbre en la medicin.
El proceso de estimacin
Los filtros de Kalman abordan el problema general de tratar de estimar el estado x
Rn de un proceso controlado discreto en el tiempo. Dicho proceso es gobernado por
una ecuacin diferencial lineal estocstica:

con una medicin z Rn que es

Las variables aleatorias wk y vk representan el proceso de medicin del ruido

respectivamente. Son asumidas independientes (una de la otra), y con distribucin de
probabilidad normal.

En la prctica, las matrices de covarianza de ruido de proceso Q, y de covarianza de

ruido de medicin R pueden cambiar con cada paso o medicin, sin embargo
asumimos que son constantes. La matriz cuadrada A de tamao n x n en la ecuacin
anterior relaciona el estado en el instante (paso) actual k, con el estado en el instante
anterior k1, en la ausencia de una funcin de manejo o ruido de proceso. Hay que
notar que en la prctica A puede cambiar con cada paso, pero asumiremos que es
constante. La matriz B relaciona la entrada control opcional con el estado x. La matriz
en la ecuacin de medicin relaciona el estado de la medicin z k. En la prctica puede
cambiar con cada instante o medicin, pero ser a asumida constante para el anlisis.
El algoritmo
El filtro de Kalman estima el proceso anterior utilizando una especie de control de
retroalimentacin, esto es, estima el proceso a algn momento en el tiempo y
entonces obtiene la retroalimentacin por medio de los datos observados.
Desde este punto de vista las ecuaciones que se utilizan para derivar el filtro de
Kalman se pueden dividir en dos grupos: las que actualizan el tiempo o ecuaciones de
prediccin y las que actualizan los datos observados o ecuaciones de actualizacin.
Las del primer grupo son responsables de la proyeccin del estado al momento t
tomando como referencia el estado en el momento t-1 y de la actualizacin intermedia
de la matriz de covarianza del estado. El segundo grupo de ecuaciones son
responsables de la retroalimentacin, es decir, incorporan nueva informacin dentro de
la estimacin anterior con lo cual se llega a una estimacin mejorada del estado.
Las ecuaciones que actualizan el tiempo pueden tambin ser pensadas como
ecuaciones de pronstico, mientras que las ecuaciones que incorporan nueva
informacin pueden considerarse como ecuaciones de correccin. Efectivamente, el
algoritmo de estimacin final puede definirse como un algoritmo de pronsticocorreccin para resolver numerosos problemas. As el filtro de Kalman funciona por
medio de un mecanismo de proyeccin y correccin al pronosticar el nuevo estado y
su incertidumbre y corregir la proyeccin con la nueva medida. Este ciclo se muestra
en la figura 4.

Fig.4. Ciclo del filtro Kalman. (Fuente:

http://www.bccr.fi.cr/investigacioneseconomicas/metodoscuantitativos/Filtro_de_Kalman.pdf)

El primer paso consiste en generar un pronstico del estado hacia adelante en el

tiempo tomando en cuenta toda la informacin disponible en ese momento y en un
segundo paso, se genera un pronstico mejorado del estado, de tal manera que el
error es minimizado estadsticamente.
Las ecuaciones especficas para el pronstico y la correccin del estado son
detalladas en las tabla 1 y 2, respectivamente.

Tabla 1. Ecuaciones de pronstico del filtro de Kalman discreto. (Fuente:

http://www.bccr.fi.cr/investigacioneseconomicas/metodoscuantitativos/Filtro_de_Kalman.pdf)

Hay que notar cmo las ecuaciones de la tabla 1 pronostican las

estimaciones del estado y la covarianza hacia delante desde t-1 a t. La
matriz A relaciona el estado en el momento previo t-1 con el estado al
momento actual t, esta matriz podra cambiar para los diferentes momentos
en el tiempo (t). Q representa la covarianza de la perturbacin aleatoria del
proceso que trata de estimar el estado.

Tabla 2. Ecuaciones de correccin del filtro de Kalman discreto. (Fuente:

http://www.bccr.fi.cr/investigacioneseconomicas/metodoscuantitativos/Filtro_de_Kalman.pdf)

La primera tarea durante la correccin de la proyeccin del estado es el clculo de la

ganancia de Kalman, Kt, (ecuacin 7). Este factor de ponderacin o ganancia es
seleccionado de tal forma que minimice la covarianza del error de la nueva estimacin
del estado. El siguiente paso es realmente medir el proceso para obtener Zt y

entonces generar una nueva estimacin del estado que incorpora la nueva
observacin como en la ecuacin (8). El paso final es obtener una nueva estimacin
de la covarianza del error mediante la ecuacin (9).
Despus de cada par de actualizaciones, tanto del tiempo como de la medida, el
proceso es repetido tomando como punto de partida las nuevas estimaciones del
estado y de la covarianza del error. Esta naturaleza recursiva es una de las
caractersticas llamativas del filtro de Kalman.
La figura 5 ofrece un cuadro completo de la operacin del filtro, combinando la figura 4
con las ecuaciones de la tabla 1 y 2.

Fig.5. Una visin completa del filtro de Kalman. (Fuente:

http://www.bccr.fi.cr/investigacioneseconomicas/metodoscuantitativos/Filtro_de_Kalman.pdf)

EL FILTRO DE KALMAN Y LA NOTACIN ESTADO-ESPACIO

El filtro de Kalman es el principal algoritmo para estimar sistemas dinmicos
especificados en la forma de estado-espacio (State-Space). Tanto es as que modelos
estado-espacio y modelos del filtro de Kalman son frecuentemente utilizados como
sinnimos.
Los modelos estado-espacio son esencialmente una notacin conveniente para
abordar el manejo de un amplio rango de modelos de series de tiempo. En la
estimacin y control de problemas esta metodologa se basa en modelos estocsticos,
dado el supuesto de la naturaleza errnea de las mediciones. La representacin
estado-espacio de un sistema lineal captura la dinmica de un vector Z t de orden nx1
en trminos de un posible vector no observado X t de orden mx1 conocido como vector
de estado.

Los modelos estado-espacio tienen muchas aplicaciones economtricas y algunas

veces son denominados modelos de series de tiempo estructurales, dado que pueden
ser constituidos de una forma particular imponiendo restricciones en alguno de sus
parmetros naturales. Entre los usos particulares de los modelos estado-espacio se
encuentra la modelacin de componentes no observables, que pueden incluir variables
latentes tales como el ciclo econmico, la tasa natural de crecimiento de la poblacin o
expectativas inflacionarias. Tambin permiten organizar o fijar modelos con parmetros
que cambian en el tiempo, los cuales son muy tiles cuando se analizan cambios
estructurales, por ejemplo realizar estimaciones de la persistencia inflacionaria.
Aparte de lo anterior, estos modelos son usados para estimar modelos ARIMA y
algunos otros modelos que requieren ser aproximados por mxima verosimilitud. En
estos modelos la estimacin de la magnitud y conducta de las variables en el tiempo
se realiza por medio del algoritmo de Kalman. En la formalizacin de la notacin
estado-espacio un modelo puede reescribirse en trminos de una ecuacin de proceso
o estad y de una ecuacin de medida u observacin. La ecuacin de proceso asume
la siguiente forma:

donde:
Xt+1 representa el vector de estado en t+1. El vector de estado debe contener la
informacin ms relevante del sistema en cada momento del tiempo, tratando de
considerar el menor nmero de variables. En general los elementos del vector de
estado no son observables.
t es la matriz de transicin del vector de estado en t, la cual determina los vectores
de estado siguientes. Esta matriz podra cambiar en el tiempo con lo que en t+1 se
tendra otra matriz y as sucesivamente.
Xt representa el vector de estado al momento t
wt representa el error en la ecuacin de proceso al momento t. Usualmente se asume
que es independiente y distribuido normalmente con media cero.
As, en el problema de estimar modelos representados en estado-espacio utilizando el
algoritmo del filtro de Kalman, las ecuaciones de pronstico de ste se transforman en
la ecuacin de proceso o estado.
Por su parte las ecuaciones de correccin se transforman en la ecuacin de medida u
observacin en la notacin estado-espacio, que asume la siguiente forma en t:

Donde

Zt+1 es la medida del proceso u observacin derivada desde el vector de estado

interno en t+1
Mt+1 es la matriz que relaciona los vectores de estado del sistema con las medidas.
Xt+1 representa el vector de estado en t+1.
vt+1 es el error asociado a la medida, se asume independiente y con distribucin
normal con media cero.
La ecuacin indica que el nuevo vector de estado es modelado como una combinacin
lineal del vector de estado anterior y de algn proceso de error. Por su parte, la otra
ecuacin describe cmo las medidas u observaciones son derivadas desde los
vectores de estado internos. Estas ecuaciones sirven de base para la mayora de
mtodos de estimacin lineal, tales como el filtro de Kalman, descrito arriba. La
representacin estado-espacio requiere de dos supuestos adicionales: el vector de
estado inicial posee una media y varianza conocida y adems, las perturbaciones wt y
t+1 v no estn correlacionadas entre ellas ni con el estado inicial.
En la representacin estado-espacio, por medio del filtro de Kalman, se calcula, a
travs de un procedimiento recursivo, el estimador ptimo del vector de estado en
cada momento t basado en la informacin disponible hasta dicho momento. Este
estimador es ptimo en el sentido que minimiza el error cuadrtico medio.
La derivacin del filtro de Kalman descansa en el supuesto de normalidad del vector
de estado inicial y de las perturbaciones. De tal forma que es posible calcular la
funcin de verosimilitud sobre el error de prediccin, lo que permite llevar a cabo la
estimacin de los parmetros no conocidos del sistema. La violacin del supuesto de
normalidad conlleva a no poder garantizar que el filtro produzca la media condicional
del vector de estado. Sin embargo, el estimador sigue siendo ptimo dentro de los
estimadores lineales.
Entre las ventajas de la modelacin estado-espacio se apuntan que permite un
completo control sobre la dinmica del modelo y no lleva a una prdida de generalidad
dado que las variables pueden ser definidas con rezagos o adelantos. Por otra parte,
realiza una separacin de las fuentes de errores y por ello permite que la parte
estocstica del modelo tenga diferentes efectos.
La interpretacin de wt y vt son importantes. El ltimo es esencialmente el error de
medida, mientras que wt es descrito como la seal y define el comportamiento
estocstico de la parte del modelo que cambia a travs del tiempo.
Un modelo dinmico lineal puede tener muchas representaciones equivalentes,
considere la siguiente:

El modelo de la ecuacin anterior bajo el mtodo de estado-espacio puede escribirse

as:

Otro puede ser derivado desde:

Ejemplo para un proceso de medias mviles de primer orden:

Filtro Extendido de Kalman

La idea esencial del Filtro Extendido de Kalman, consiste en una variacin del filtro de
Kalman para abordar el problema de estimacin no lineal basado en la linealizacin de
las funciones que describen el sistema dinmico, considerando nicamente los
trminos de primer orden del desarrollo en serie de Taylor de tales funciones, se logra
una aproximacin lineal se sistema originalmente no lineal, en la que se aplica el filtro
de Kalman para obtener la estimacin de los estados.
A continuacin se describe la metodologa del filtro Extendido de Kalman. El sistema
dinmico se describe mediante un modelo de ecuaciones de estado discretas de la
siguiente forma.

Donde

Son procesos estocsticos que describen los estados a estimar y las observaciones o
mediciones que han de usarse, respectivamente
,

Son funciones no lineales, continuas y diferenciales. Al igual que el filtro de

Kalman las variables aleatorias qk y rk representan el error del sistema y de
la medicin respectivamente. Se asume que son independientes entre ellas,
que son ruido blanco y con distribucin de probabilidad normal.

Donde Qk y Rk son las matrices de covarianza de ruido del sistema y de la observacin

respectivamente.
Linealizacin de la Ecuacin de Estados.
En cada instante k se linealiza la funcin k1 y se aproxima por el primer trmino de
su desarrollo en serie de Taylor alrededor de xk.

por lo tanto, el sistema dinmico no lineal se puede aproximar por la

siguiente ecuacin:

donde Fk1 y uk1 estn definidas como:

Arquitectura de Integracin EKF

Fig.6. Arquitecturas de Integracin. (Fuente:

http://repository.unimilitar.edu.co/bitstream/10654/11374/1/CastroPescadorAndresMauricio2013.pdf)

El grfico 6 muestra la arquitectura de integracin con filtro EKF compuesta por cuatro
bloque principales: La Unidad de Medicin Inercial (IMU) mide las aceleraciones y
velocidades angulares del vehculo, Sistema de Navegacin Inercial (INS) calcula la
solucin de navegacin cada 30ms, receptor
GPS se actualiza cada 1 segundo y Filtro Extendido de Kalman (EKF) toma la
diferencia entre las las mediciones y las estimaciones como el error del sistema, las
cuales son usadas por el filtro para estimar el error del sistema inercial est a su vez
se le resta a la solucin de navegacin posteriormente se obtiene la posicin,
velocidad y orientacin corregida, la cual es retroalimentada como condicin inicial en
el INS.
EL filtro de Kalman: ventaja y desventajas
Ventajas
Evita la influencia de posibles cambios estructurales en la estimacin. La estimacin
recursiva parte de una muestra inicial y actualiza las estimaciones incorporando
sucesivamente una nueva observacin hasta cubrir la totalidad de los datos. Lo
anterior lleva a que la estimacin ms reciente de los coeficientes est afectada por la
historia lejana de la serie, lo cual en presencia de cambios estructurales podra
sesgarla. Este sesgo se puede corregir con las estimaciones secuenciales15 pero al
costo de un mayor error estndar. As el filtro de Kalman, como los mtodos
recursivos, utiliza toda la historia de la serie pero con la ventaja de que intenta estimar
una trayectoria estocstica de los coeficientes en lugar de una determinstica, con lo
cual soluciona el posible sesgo de la estimacin ante la presencia de cambios
estructurales.
El filtro de Kalman utiliza el mtodo de mnimos cuadrados para generar
recursivamente un estimador del estado al momento k , que es lineal, insesgado y de
varianza mnima. El filtro est en lnea con el teorema de Gauss-Markov y esto le da al
filtro de Kalman su enorme poder, para resolver un amplio rango de problemas en
inferencia estadstica.
Localizacin de robots mediante filtro de Kalman: El filtro se distingue por su habilidad
para predecir el estado de un modelo en el pasado, presente y futuro, aun cuando la
naturaleza precisa del sistema modelado es desconocida. La modelacin dinmica de
un sistema es una de las caractersticas claves que distingue el mtodo de Kalman.
Los modelos lineales dinmicos son modelos con una transicin lineal desde un
periodo al prximo, los cuales pueden describir la mayora de los modelos
comnmente utilizados en trabajos de series de tiempo.
Desventajas
Entre las desventajas del filtro se menciona que requiere condiciones iniciales de la
media y varianza del vector estado para iniciar el algoritmo recursivo. Sobre la forma
de determinar estas condiciones iniciales no existe consenso. Por ejemplo, en un
enfoque bayesiano este filtro requiere que se especifiquen a priori valores de los
coeficientes iniciales y de sus respectivas varianzas. Una forma puede ser obtener esa

informacin a partir de la estimacin de un modelo similar al deseado pero con

coeficientes fijos para un subperiodo muestral. Por otra parte, es necesario especificar
las varianzas para lo cual Doan, Litterman y Sims (1984) sugieren varianzas muy
pequeas y proporcionales en relacin con las obtenidas para los coeficientes
iniciales.
El desarrollo del filtro de Kalman, tal como se encuentra en el documento original,
supone un conocimiento amplio en teora de probabilidades, especficamente con el
tema de la condicionalidad gaussina en las variables aleatorias, lo cual puede originar
una limitante para su estudio y aplicacin.
Cuando se desarrolla para modelos autorregresivos los resultados estn
condicionados a la informacin pasada de la variable en cuestin. En este sentido el
pronstico con series de tiempo representa la fuerza o inercia que actualmente
presenta el sistema y son eficientes nicamente en el corto plazo.

Fundamentos de los sistemas de posicionamiento global, y uso de los Filtros de

Kalman en GPS

Determinacin de la posicin de GPS

El mensaje de dato enviado por cada satlite es recuperado por un lazo de
seguimiento y es usado para calcular la posicin del satlite. Adems el lazo
bloqueado por demora produce mediciones de pseudo rango de cada satlite. Una vez
que la posicin de al menos cuatro satlites son conocidas, y sus mediciones de
pseudo rango producidos, el receptor puede determinar su posicin. Cada medicin de
pseudo rango individual puede ser expresada como se muestra en la siguiente
ecuacin:

El modelo de arriba ignora los errores causados por la ionosfera, troposfera, y el

corrimiento del reloj del satlite. El pseudo-rango i del i-esimo satlite es una funcin
de las coordenadas del usuario (xu, yu, zu) y la tendencia del reloj tu.
Obtener la posicin del usuario y la tendencia del reloj requiere resolver las
ecuaciones no lineales de segundo orden mostradas a continuacin:

Estas ecuaciones pueden ser resueltas usando soluciones analticas, tcnicas

numricas iterativas, o el Filtro de Kalman extendido.

INTEGRACIN de GPS/INS
Se puede ver que el filtro de Kalman est provisto de un algoritmo simple que puede
prestarse fcilmente a los sistemas integrados y solo requiere de un modelo
estadstico adecuado de las variables de estado y ruidos asociados para optimizar el
rendimiento. Este hecho lleva a un uso entusiasta y amplio en aplicaciones asistidas
por la inercia.
La integracin de los GPS con un sistema de navegacin inercial (INS) y un filtro de
Kalman proporcionan un resultado global mejorado en toda la navegacin.
Esencialmente, el INS proporciona rendimientos casi silenciosos que se arrastran
lentamente con el tiempo. El GPS tiene un arrastre mnimo pero con mucho ms ruido.
El Filtro de Kalman usando los modelos estadsticos de ambos sistemas, puede
aprovechar las caractersticas de los diferentes errores y minimizar optimamente sus
tendencias.
Como se observa el filtro de Kalman es un algoritmo lineal y asume que el proceso
que genera las mediciones es tambin lineal tambin. Porque la mayora de los
sistemas y procesos (incluso GPS y INS) son no lineales, se necesita un proceso de
referencia ya conocido para utilizarlo como mtodo de linealizacin.

La figura 7 ilustra la solucin para integrar GPS y navegadores inerciales . Note que
los valores verdaderos de cada sistema se cancelan mutuamente cuando se miden en
el filtro Kalman de que solo el GPS y los errores inerciales necesitan ser modelados.
La trayectoria de referencia, se espera sea lo suficientemente cercano a lo verdadero
de tal forma que los modelos de error sean lineales y el filtro Kalman sea ptimo. Para
la mayora de las aplicaciones del GPS este es el caso.

Fig.7. Un receptor de GPS integrado y el navegador inercial usan un filtro de Kalman para mejorar la ejecucin
global de la navegacin. (Fuente: Realizacion_de_filtrado_Kalman_aplicado.pdf)

De este modo aunque todos los sistemas son no lineales, el filtro Kalman sigue
operando dentro del dominio lineal. Por supuesto que variables de estado del Filtro
Kalman deben modelar adecuadamente todas las variables de errores de ambos
sistemas. Los errores GPS podran incluir al reloj receptor, la disponibilidad receptiva,
ionsfera, troposfera, multipath y las efemerides de los satelites y los errores del reloj.
Las imprecisiones inerciales por otro lado pueden incluir posicin, velocidad,
orientacin, giro, acelermetro y errores debido a la gravedad. La calidad el equipo y
los requisitos de su aplicacin determinarn hasta donde deben extenderse los
modelos de error.
Si las emisiones del GPS estn en la posicin del usuario, uno designa la arquitectura
de integracin unida dbilmente. Una arquitectura acoplada firmemente, registra una
en la cual las emisiones GPS son seudorangos (y fases portadoras posiblemente) y la
trayectoria de referencia se usa (junto con las efemerides del receptor GPS) para
predecir las mediciones GPS. En el sistema acoplado muy firmemente los errores de
la medicin podran estar dentro del dominio del rango mas que dentro del dominio de
la posicin. Usualmente el ensamblaje acoplado muy firmemente se prefiere porque es
menos sensitivo a las prdidas de la seal de un satlite y los modelos del Filtro
Kalman adecuados son ms simples y ms precisos. Una debe emplear el ensamblaje
acoplado dbilmente cuando las recepciones del receptor proveen de una posicin sin
mediciones de prueba.
El mtodo de correccin del circuito abierto se llama Filtracin Kalman Linealizada. Un
mtodo alternativo en el cual el algoritmo vuelve a alimentar los estimados al sistema
inercial para mantener la trayectoria de referencia cerca a la verdad, lo que es un
ejemplo de la Filtracin extendida de Kalman.

Algoritmo de seguimiento basado en Filtros de Kalman

A fin de entender la utilizacin de la tcnica de Filtros de Kalman en sistemas de
posicionamiento global, introduciremos un algoritmo de seguimiento basado en Filtros
de Kalman, el funcionamiento del algoritmo y sus potenciales ventajas.
Los Filtros de Kalman tienen la capacidad de superar los inconvenientes de los lazos
de seguimiento tradicionales. El Filtro de Kalman es, en esencia, un filtro con ganancia
variable en el tiempo. Las ganancias varan con estadsticas de ruido medido y
estadsticas de ruido procesado cambiantes. Las estadsticas de ruido medido cambia
con valores de C/No e interferencia. Las estadsticas de ruido procesado con la
dinmica de usuario.
Provistas con las matrices de covarianza de medicin y procesado, el Filtro de Kalman
puede separar ptimamente la seal del ruido. La tarea de seguir la portadora y el
cdigo puede ser combinado en un Filtro de Kalman, el cual reemplaza los dos lazos
de seguimiento en cada canal con un solo Filtro de Kalman por satlite. Los estados
del Filtro de Kalman y la matriz de transicin de estado son mostrados en la ecuacin
siguiente:

El primer estado del filtro c,k+1 corresponde a la fase de la portadora de IF. La derivada
de la fase de la portadora es la frecuencia IF, la cual es el segundo estado, f c,k+1. La
frecuencia de la portadora es modelada variando linealmente en el tiempo. La derivada
de la frecuencia de la portadora es modelada como una tendencia que vara
lentamente en el tercer estado, fc,k+1. El valor del tercer estado puede ser determinado
usando las efemrides del satlite o por ajuste de curvas. El cuarto estado es la fase
del cdigo de Oro local G,k+1. La frecuencia en la cual el receptor incrementa a travs
del cdigo de Oro local es el quinto estado f G,k+1. La frecuencia del cdigo es una
combinacin de una frecuencia nominal CG,k+1 ms un trmino causado por el
desplazamiento del efecto Doppler en la portadora. El trmino causado por el
desplazamiento Doppler es modelado como la frecuencia de portadora multiplicada
por una constante K1. Este es el equivalente de usar la frecuencia Doppler de un lazo
Costas para ayudar al lazo de seguimiento de cdigo.
El Filtro de Kalman usado para seguir la portadora y el codigo es similar al filtro usado
para seguir la posicion del usuario. Las mediciones provistas al filtro no son
mediciones del estado directamente, sino mas bien los errores entre ciertos estados y
los de la seal recibida. Las mediciones son por lo tanto residuales. El filtro tiene
acceso a tres residuales, las cuales son mediciones del error en la fase y frecuencia
de la portadora, y el error en la fase del cdigo de Oro local. En cada periodo de

medicin, las ganancias residuales y de Kalman son usadas para computar

correcciones a los estados. Los estados despus de la actualizacin de mediciones
son entonces los estados propagados ms el vector de correcciones.
La seal usada para generar las mediciones para el filtro se resumen en la ecuacin

En la ecuacin representa las muestras de ruido en la salida de cada bloque

integrado y volcado. Los muestreos de ruido son asumidos Gaussianos, blancos e
independientes del muestreo de ruido en las otras funciones integradas y volcadas. El
error en la alineacin de la rplica del cdigo de Oro recuperado y del cdigo recibido
es representado por . Los errores de frecuencia y de fase entre las portadoras
recibidas y replicadas son denotados por ferr y err respectivamente.
Las mediciones de los tres errores en la seal local son generadas por el uso de
funciones de discriminacin no lineal. Un discriminador early-minus-late normalizado
es usado para producir un estimado del error en alineacin entre el receptor y la
rplica del cdigo de Oro, como es mostrado en la ecuacin siguiente:

Un discriminador arco tangente de dos cuadrantes se utiliza para medir el error de fase
err, como se muestra en la ecuacin:

En base a esta tcnica se es capaz de tomar los datos de GPS obtenidos del
proveedor de localizacin, y aplicar el algoritmo para as obtener un camino
uniformemente suavizado. La trayectoria medida y la calculada coinciden en la
visualizacin de sus trayectorias sobre el mapa, y este comportamiento es el
esperado, ya que usando Filtros de Kalman para reducir el error y calcular una
posicin ms ajustada a la realidad nos brinda nuevos valores estimados ms precisos

que los medidos, pero basados en las mediciones. En conjunto con ello observamos
que el error estimado por el algoritmo es considerablemente menor que el error
medido, haciendo que las posiciones calculadas generen una trayectoria uniforme y
ms suave que aquella realizada con los valores medidos. Por lo tanto los datos
obtenidos utilizando Filtros de Kalman representan una trayectoria ms cercana a la
realmente recorrida, con un error ms pequeo.

Fig.8. Trazado en mapa usando datos obtenidos del GPS en rojo y trazado usando Kalman mostrando la precisin.
(Fuente: http://www2.famaf.unc.edu.ar/institucional/biblioteca/trabajos/638/16945.pdf)

Conclusiones:

El Algoritmo de Navegacin Integrada INS-GPS basando en un Filtro

de Kalman Extendido, permite una navegacin estable durante
intervalos de tiempo prolongados, donde es necesario la
incorporacin del Algoritmo INS, para la etapa de prediccin del Filtro
de Kalman, pero fusionndole peridicamente mediciones absolutas
de posicin y velocidad obtenidas de un GPS, de manera de lograr la
estabilidad deseada pero conservando la alta tasa de informacin del
INS. Los algoritmos EKF, UKF, los cuales, son empleados para el
proceso de fusin sensorial entre el sistema de navegacin inercial y
las mediciones tomadas de un GPS es decir que estos algoritmos
permiten la estimacin de los estados del sistema dinmico lo cual
conduce a una gran variedad de estimadores recursivos entre ellos el
filtro de Kalman y sus variantes o mtodos numricos.

El filtro de Kalman utiliza el mtodo de mnimos cuadrados para

generar recursivamente un estimador del estado que es lineal y de
varianza mnima, es por esta razn su gran importancia para resolver

un amplio rango de problemas en inferencia as como tambin ayuda

a predecir el estado de un modelo en el pasado, presente y futuro,
aun cuando la naturaleza
precisa del sistema modelado es
desconocido adems de que es una aplicacin ptima para la
eliminacin del ruido ya que elimina selectivamente las seales
indeseadas y permite acceder directamente a la informacin que se
encuentra en la seal.