Professional Documents
Culture Documents
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.
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
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,
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 .
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:
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.
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
Donde
Son procesos estocsticos que describen los estados a estimar y las observaciones o
mediciones que han de usarse, respectivamente
,
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
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.
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
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: