.

ayrolu / Fen ve Teknoloji Bilgi Paylam, 2012-1

Number: 2012-1

SCIENCE AND TECHNOLOGY INFORMATION SHARING

Article Web Page: www.ibrahimcayiroglu.com

Kalman Filtresi ve Programlama

Kalman Filter and Programming brahim AYIROLU
Karabk niversitesi, Mhendislik Fakltesi, Mekatronik Mhendislii, 78050, Karabk, icayiroglu@yahoo.com

Anahtar Kelimeler: Kalman Filtresi

zet: Bu makalede Kalman Filtresinin temelden balayarak tm aamalarnn

uygumal olarak anlatlmas hedeflenmitir. Kalman filtresi 20 yzyln en nemli bulularndan biridir. Bu filtre, grltl lm yaplan bir sistemi tahmin etmek iin olduka gl ve yetenekli bir algoritmadr. Konular rnekli olarak anlatlmaya allmtr. Verilen rnekler direk uygulanp denenebilir. Kavramlarn daha iyi anlalmas iin hem Trke alternatif anlatmlar hem de ngilizce karlklar verilmitir.

Keywords: Kalman Filter

Abstract: In this paper aims to describe all phases of the Kalman Filter from base

to top as practically. Kalman filter is one of the most important discoveries of the 20th century. This filter is a very strong and talented algorithm to predict a system has noise measurements. The topics were described in the sample. The examples given are applied directly. Alternative explanations for better understanding of concepts in both Turkish and English equivalents are given.

2012 ibrahimcayiroglu.com, All rights reserved. Bu makale hakem kontrolnden gemeden bilgi paylam amacyla yaynlanan bir dkmandr. Oluabilecek hata ve yanllklardan dolay sorumluluk kabul edilmez. Makaledeki bilgiler referans gsterilip yaynlanabilir. {These articles are published documents for the purpose of information sharing without checked by the referee. Not accepted responsibility for errors or inaccuracies that may occur. The information in the article can be published by referred. }

1. Giri Modelin nceki bilgileriyle birlikte giri ve k bilgilerinden sistemin durumlarn tahmin edilebilen filtredir. Eer sistemin stokastik veya rasgele grltl yn hesaba katlrsa minimum varyans tahmini veya Kalman Filtresi ok uygun olmaktadr. Kalman Filtresi, geleneksel tahmin edicilerde olduu gibi filtreleme zelliine ramen, sistemin llemeyen durumlarn tahmin etmek iin ok gl ve yeteneklidir. Algoritma, grltl veriler zerinde zyinelemeli gerek zamanl alarak hatalar, enaz-kareler eriye sdrma yntemi ile filitre eder ve sistemin fiziksel karakteristiklerinin modellenmesi ile retilen gelecek durumun matematiksel tahminine gre optimize eder. Model tahmini, gzlem ile karlatrlr. Elde edilen fark, Kalman kazanc {Kalman gain} olarak bilinen bir arpan ile leklendirilir. Daha sonra sradaki tahminleri iyiletirmek iin modele bir girdi olarak geri besleme uygulanr {feedback}. Kazan performans iyiletirmek iin ayarlanabilir yaplr. Yksek bir kazan ile, filtre gzlemleri daha yakn olarak takip edilir. Dk bir kazan ile, filtre model tahminlerini daha yakn olarak takip edilir. Yntem, gerek bilinmeyen deerlere, model

tahminlerine dayanarak elde edilebilecek tahminlerden daha yakn tahminler retmeye alr. Her bir zaman admnda, Kalman Filitresi, gerek bilinmeyen deerlerin tahminlerini belirsizlikleriyle {uncertainty} beraber retir. Sradaki lmn sonucu gzlendiinde, bu tahminler, belirsizlii dk tahminlere daha fazla arlk vererek, arlkl ortalama ile gncellenir. Kalman filtresi sensr fzyonu ve veri fzyonu iin kullanlr. Tipik olarak, gerek zamanl sistemler bir sistemin durumunu elde etmek iin tek bir lm yapmak yerine bir ok ardk lm retir. Bu bir ok lm daha sonra o zaman annda sistemin durumunu retmek iin matematiksel olarak birletirilir. rnek bir uygulama olarak, bir aracn yerini hassas olarak belirleme problemini dnelim. Aracn pozisyonu bir ka metre hata ile belirleyebilen bir GPS aleti ile lelim. GPS tahminleri grltldr; okumalar, her zaman gerek pozisyonun birka metre yaknnda olmasna ramen, hzlca etrafta zplayabilir. Aracn pozisyonu, direksiyon dnleri ve direksiyonun asn izleyerek, hz ve yn zamana gre entegre ederek de tahmin edilebilir. Bu teknik parakete hesab olarak bilinir. Tipik olarak, parakete hesab aracn yeri hakknda ok

.ayrolu / Fen ve Teknoloji Bilgi Paylam, 2012-1

yumuak bir tahmin salayacaktr, ancak kk hatalar biriktike sapacaktr. Ayrca, aracn fizik kurallarn takip etmesi de beklenir, yani pozisyonunun hzyla orantl olarak deimesi beklenir. Bu rnekte, Kalman filitresinin iki ayr fazda alt dnlebilir: tahmin et ve gncelle. Tahmin etme faznda, aracn yeri Newton'un hareket kurallarna gre, gaz pedalnn durumuna gre ve direksiyonun asna gre hesaplanacaktr. Sadece bir pozisyon tahmini hesaplanmayacak, ancak yeni bir kovaryans da (ortak sapma miktar) hesaplanacaktr. Kovaryans aracn hz ile orantldr; Yksek hzlarda parakete hesabnn hassasl daha dk, dk hzlarda daha yksektir. Daha sonra, gncelleme faznda, aracn pozisyonu GPS biriminden alnr. Bu lmle beraber bir miktar belirsizlik daha gelir ve bunun kovaryansnn (ortak sapma miktar) nceki fazdan gelen tahminin kovaryansna oran, yeni lmn gncellenen tahminini ne kadar etkileyeceini belirler. Gerek pozisyondan uzaklaldka, bu hesaplama yntemi, tahminleri gerek pozisyona doru hzlca ve grltl olmayacak ekilde eker. Kalman filtresi pek ok farkl alanda sistemin durumunu, deerlerini kestirebilen (tahmin edebilen) bir yntemdir. Matematiksel olarak dorusal sistemlerin (lineer sistemlerin-hareket denklemleri birinci derece olan denklemler) durumlarn tahmin eder. Pratikte ok faydal bir filtredir. Ayrca teorik ynde gldr. nk mevcut filtreler iinde kestirim hatasn (tahmini) minimize eden (gittike azaltan) tek filtredir. Kalman filtresi dorusal sistemler iin optimal bir kestiricidir (tahmin edicidir). Ancak gerek dnyada ok az sayda dorusal sistem vardr. Bu problemin stesinden gelmenin yaygn bir yaklam, Kalman filtresini kullanmadan nce sistemi dorusal hale getirmektir ve bu yaklam Geniletilmi Kalman Filtresi olarak bilinir. Bununla birlikte, dorusallatrma kararsz kestirimler (kontrol edilemeyen tahminler) gibi baz problemlerin kmasna da yol aabilir. 1.1. Baz nemli Noktalar a) Kalman filtresi her ne kadar filtre olarak gesede bir filtre deil daha ok bir tahmin edicidir {estimator}. b) 20 yzylda yaplan en nemli bululardan biri olduu sylenebilir. c) Ona tamamen hakim olmak zor olsa da bir miktar matematik alt yap ile onunla oynanabilir. d) Bilgisayar algoritmalarna uygulamaya ok elverilidir. e) Tekrarl {recursive} bir metottur. Yani bir nceki admn kts bir sonraki admda girdi olarak kullanlabilir.

f) Denklemleri ok karmak {complicated} ve matrisleri ok gizemli {mysterious} olsa da, ou zaman onlar, karmak gerek bilimsel faaliyetler yapmyorsanz ihmal edebilir {omit} yada grmezden gelebilirsiniz {ignore}. 1.2. Problemin Tanm Her hangi bir sinyal dnn. Ses sinyali olabilir, radar sinyali olabilir hatta saysallatrlm {digitized} resim olabilir. Ve tabiki ortamda bir miktar grlt {noise} olacaktr. Bu grltden nasl kurtulabiliriz. Elimizdeki sinyali iinde grlt olmadan nasl kullanabiliriz. Aklmza ilk gelen rneklerin ortalamasn almaktr. Bu basit yaklam ou gerek problemlerde almayacaktr. Bizim daha gelimi {sophisticated} bir yaklama ihtiyacmz vardr. Dijital sinyal ileme bilginleri {scholars} yllardr bu problemle ilgileniyorlar ve ok sayda teknik gelitirilmitir. Kalman filtresi bunlarn en gl olanlarndan biridir. 2. Kalman Filtresi Formlleri Daha nceden de bahsedildii gibi Kalman filtresinin tanmlar ve denklemlerinin tm ynleriyle balangta anlalmas zordur. ou durumda durum matrisleri {state matrices} atlrsa aadaki denklem elde edilir. Bununla balamak daha kolaydr.

Burada alt indis olarak kullanlan k durumlar/evreleri {states} gsterir. Biz ayrk/kesikli zaman aralklar {discrete intervals} olarak varsayabiliriz. yle ki, olduunda 1 ms (mili saniye), k=2 olduunda ms olarak kabul edilebilir.

harfi onu time k=1 ise 2

Bizim amacmz x sinyalinin tahmini olan deerini bulmaktr. Biz her bir k iin bu deeri bulmaya alrz. Ayn zamanda burada llen deerdir {measured value}. unu aklmzda bulunmalyz. Biz bu llen deerin doruluundan kesin olarak emin deiliz. Dier trl btn bunlar yapmamza zaten gerek kalmazd. Burada Kalman Kazanc ki en nemli parametredir {kalman gain} ve deeri ise sinyalin nceki durumdaki {previous state} tahminidir. Bu denklemdeki bilinmeyen tek eleman Kalman kazancdr ( ). nk biz zaten llen deere ( ) ve ndeki tahmin edilen sinyale ( ) sahibiz, bunlar biliyoruz. Her bir durum iin buradaki Kalman kazancn hesaplamalyz. Bu doal olarak kolay bir i deildir. Bunu bulmak iin tm aralara sahibiz. rnek olarak Kalman kazancn ( ) 0,5 gibi bir deer alalm. O zaman frmlmz basit bir

.ayrolu / Fen ve Teknoloji Bilgi Paylam, 2012-1

ortalamay bulan fonksiyona dnecektir. Oysa kalman kazanc bundan daha ileri bir yetenee sahiptir. Her bir admda bu parametrenin deerini hesaplamalyz. Bylece kalman filtresinin esas yetenei ortaya km olsun. Bu filtre en optimum ortalama faktrn her bir adm iin bulur ve bir yere kadar gemi durumlarda hatrlar. 2.1. Adm Adm Formllerin Anlatm Kalman filtreye hzl bir balang iin aada basit bir anlatm verilmitir. 2.1.1. Adm 1. Modeli Olutur Tm admlardan en nemlisi Kalman filtrenin artlarn {Kalman filtrering conditions} probleminize uydurmaktr. Kalman filtrenin iki denklemi aadaki ekildedir. xk = Axk-1 + Buk + wk-1 Zk = Hxk + vk Sinyalimizin her bir xk deeri birinci denklem kullanlarak bulunur. (dorusal-rastsal denklem {linear stochastik equation}). Herhangi bir xk deeri, nceki deerinin (xk-1) zerine kontrol sinyali (uk) ve nceki ilem grlts (wk-1) eklenerek oluturulan lineer bir kombinasyonla bulunur. ou zaman kontrol sinyali uk pek kullanlmaz. kinci denklem bize unu syler. Herhangi bir lm deeri (zk) (ki biz onun doruluundan emin deiliz) sinyalin deeri (xk) ile lmn grltsnn (vk) lineer bir kombinasyonundan oluur (dorusal olarak birleiminden yani birinci derece bir denklem olarak, kare yada kp kk bir denklem halinde deil). Her ikisi de (wk-1,vk) Gaussian olarak ele alnr (Gaussian ileride aklanacak, an erisi eklinde bir grafii vardr). lem/sre grlts {process noise}(wk-1) ve lm grlts {measurement noise}(vk) istatistiksel olarak birbirinden bamszdr. A, B ve H elemanlar matrislerin genel gsterimidir. ou sinyal problemlerimizde bunlar sadece nmerik bir deerdir (bir saydr). Ayrca ek bir kolaylk olsun diye, ou zaman, her bir aamada bu deerler deiebilmesine ramen, bu deerleri sabit varsayabiliriz. Eer biz sistemimizden olduka eminsek, (ou zaman bu ekilde yaplr), geriye sadece grlt fonksiyonlarnn (wk-1,vk) aritmetik ortalamasn {mean} ve stantart sapmasn {standart deviation} tahmin etmek kalr. unu biliyoruz ki gerek dnyada hi bir sinyal Gaussian deildir. Fakat biz onu bir miktar yaklak alma ile {approximation} byle kabul edebiliriz. Bu byk bir problem deildir. nk biz Kalman Filtresinin doru tahminlere doru yaknsamaya {converge} altn greceiz. Hatta Gaussian grlt

parametreleri kt bir ekilde tahmin edilmi olsa bile bu mmkdr. unu unutmamalyz ki; Grlt parametreleri iin yapm olduumuz iyi tahminler, daha iyi tahmin sonular elde etmemizi salayacaktr. 2.1.2. Adm 2. leme Bala Eer modelinizi Kalman Filtresine uydurmay baardnz ise, bundan sonraki adm gerekli parametreleri ve balang deerlerini belirlemektir. ki ayr denklem takmz vardr. Zaman gncelleme/Tahmin {Time Update/Prediction}ve lm Gncelleme/Dzeltme {Measurement Update/Correction}. Her iki denklem takm da k. durumda (her bir zaman diliminde) ileme konulur. Tahmin / Zaman gncelleme {Prediction / Time Update } Dzeltme / lm Gncelleme {Correction / Measurement Update}

Biz modellemeyi Adm 1de yaptk. Bu yzden A, B, ve H matrislerini oradan biliyoruz. ounlukla bu matrisler sabit say olabilir. Hatta belki de ounlukla 1 gibi sabit bir deer alabilir. Bu denklemleri (adm 1 deki denklemleri) karnza alp bunlar nasl sadeletirebileceinizi dnmenizi tavsiye ederiz. Adm 2deki denklemlerde ise en zor belirlenecek katsaylar R ve Q dur. Ryi bulmak daha kolaydr. nk biz genellikle etraftaki grltden ounlakla eminizdir. Fakat Q deerini ise ortaya karmak o kadar kolay deildir. Ve bu aamada zel bir metod veremiyoruz. 2.1.3. Adm 3: terasyon (Dngsel Hesaplamalar) htiyacmz olan tm bilgileri topladktan sonra ileme balayabiliriz. unu unutmayn, nceki tahminler mevcut durum iin girdi olacaktr. Yani her nceki tahmin bir sonraki hesaplamann girdisi olacaktr. Burada nceki tahmindir. Yani lm dzeltme gncellemesi yaplmadan nceki ham tahmindir. Ayn zamanda da nceki hata Kovaryansdr (hatann ortak deime miktar). Bu iki deeri bir sonraki aama olan lmleri Gncelleme/Dzeltme aamasnda nceki {prior}deerler olarak kullanyoruz. Yani bir sonraki aamaya girdi olarak veriyoruz.

.ayrolu / Fen ve Teknoloji Bilgi Paylam, 2012-1

Sonu olarak aadaki lm deerlerine sahip olduumuzu varsayalm.

Zaman (Time) 1 2 3 4 5 6 7 8 9 10 (ms) Deer (Value) 0.39 0.50 0.48 0.29 0.25 0.32 0.34 0.48 0.41 0.45 (V)

lm gncelleme aamasndaki denklemlerde biz gerek deerini buluyoruz. Bu deer xin k anndaki deeridir. Yani esas bulmak istediimiz deerdir. Ayn zamanda biz deerini de buluyoruz. Bu iki deeri bir sonraki gelecek (k+1) aamas iin hesaplyoruz. Kalman kazanc bir sonraki aama iin gerekli olduundan hesaplamyoruz. Bu deer gizli, gizemli olmakla birlikte, bu denklemlerin en nemli paradr. Bu ikinci aamadaki (lm gncelleme aamas) deerler sonraki {posterior}deerlerdir. 3. Basit Bir rnek imdi bir kaynaktan elde edilen voltaj deerlerini okuma zerine bir alma yapalm. Kaynan sabit bir Voltaj (V) deerine sahip olduunu farz edeceiz. Fakat tabiki berlli bir volt aa ve yukar grltl okuma olacaktr. Buna lm grltsnn standart sapmasn {standart deviation} 0.1 V olarak kabul edelim. imdi modelimizi oluturalm. Daha ncede sylediimiz gibi, denklemleri ok basit formlara drelim. xk = Axk-1 + Buk + wk => xk = xk-1 + wk zk = Hxk + vk => zk = xk + vk Her eyden nce, biz 1 boyutlu bir sinyal problemine sahibiz. Bylece modelimizdeki her bir eleman saysal deere sahiptir. Yani matris formatnda deildir. Biz hi bir kontrol sinyaline (uk) sahip deiliz. Bylece bu deer 0 olur. Sinyalimiz sabit bir deere sahip olduundan A katsays 1 deerini alr. nk biz bir sonraki gelen deeri biliyoruz. Buda ncekiler gibi ayn deeri alacaktr. Buradaki rnek basittir, fakat baka linear rneklerde de bu A deerini ilemleri basitletirmek iin 1 olarak alabiliriz. H deeri 1 eittir. nk biz biliyoruz ki lm, durum deeri (llen esas deer){state value} ile bir miktar grltnn birleiminden ibarettir. Gerek dnyada H deerinin 1 den farkl olduu durumlarla nadiren karlalr.

k=0 zamanndan balayalm. Baz balang durumlarn ya bulmalyz yada tahmin etmeliyiz. Burada biz baz balang deerlerini atyoruz. X0=0 (balangtaki lm deeri 0) ve P 0=1 (Balangtaki hata kovaryans) deerlerini varsayalm. Burada P0=0 deerini niye almadk. Cevab basittir. Eer biz bu ekilde seseydik, bu durum ortmada hi bir grltnn olmad anlamna gelirdi. Bu varsaym sonradan gelecek tm deerlerinin (tahmin deerlerinin) sfr olmasna yol aacakt. Bu nedenle P0 deerini sfrdan farkl bir deer seiyoruz. Bu rnek iin Kalman Filtresi Algoritmasnda kullanacamz Zaman Gncelleme {Time Update, prediction} ve lm Gncelleme {Measurement Update, Correction} denklemlerini yazalm. Zaman Gncelleme {Time Update, prediction} lm Gncelleme {Measurement Update, Correction}

imdi her bir iterasyon (zaman dilimi) iin durum tahmin deerlerini hesaplayalm. Burada ilk iki iterasyon detayl bir ekilde verilmitir. Dierleri de ayn ekilde hesaplanr. Algoritmann bilgisayar program yazldnda, Kalman Filtrenin uygulamasnn ok daha kolay olduu grlecektir. Grafik incelendiinde (ekil 1) Kalman Filtrenin gerek voltaj deerlerine nasl yaknsad {Converge} daha iyi grlecektir. Burada 10 iterasyon gsterilmitir. Eer 50 yada daha fazla iterasyonlar yaplm olsa ok daha iyi deerler elde edilebilir.

ekil 1. Kalman Filtresi hesab

.ayrolu / Fen ve Teknoloji Bilgi Paylam, 2012-1

k (lmler)

1 0,390 0 1

2 0,500 0,355 0,091 = = =0 =1 = 0,355 = 0,091

3 0,480 0,424 0,048 ~

4 0,290 0,442 0,032 ~

5 0,250 0,405 0,024 ~

6 0,320 0,375 0,020 ~

7 0,340 0,365 0,016 ~

8 0,480 0,362 0,014 ~

9 0,410 0,377 0,012 ~

10 0,450 0,380 0,011 ~

Zaman Gncelleme {Time Update}

=1/(1+0,1) =0,909

lm =0,355+0,476 Gncelleme (0,500-0,355) {Measurment =0+0,909(0,390- =0,424 Update} 0) =(1-0,476) = 0,355 0,091 =0,048 =(1-0,909).1 =0,091 (Tahminler) 0,355 0,091 0,424 0,048

=0,091/ (0,091+0,1) =0,476

0,442 0,032

0,405 0,024

0,375 0,020

0,365 0,016

0,362 0,014

0,377 0,012

0,380 0,011

0,387 0,010

Bir ka admda yaknsamay {convergence} daha iyi elde edebilmek iin unlar yapnz. - Sistemi daha zarif bir ekilde {elegantly} modelleyin. - Grlty daha hesaplayn. 4. Kaynaklar 1. Greg Welch, Gary Bishop, "An Introduction to the Kalman Filter", University of North Carolina at Chapel Hill Department of Computer Science, 2001. 2. M.S. Grewal, A.P. Andrews, "Kalman Filtering Theory and Practice Using MATLAB", Wiley, 2001. Ek-1. Kalman Filtresi Algoritma Kodlar
//Kalman Filtresi global tanmlar double X_k_KalmanTahminEski = 0; //Prior Estimate double Pk_HataKovaryansiEski = 1; //Error Covariance //************************************* //Kalman Hesab iin tklanan butonun kodlar private void btnKalmanFiltresi_Click(object sender, EventArgs e) { //Tanmlamalar double[] Zk_OlcumDegerleri = new double[10]{0.39,0.5,0.48,0.29,0.25,0.32,0.34,0.48 ,0.41,0.45}; double[] Xk_HesaplananDegerler = new double[10]; double R_HataMiktari = 0.1; //lm deerlerini tek tek Kalman Filtresine gnderiyor. for (int i = 0; i < 10; i++) { Xk_HesaplananDegerler[i] = KalmanFiltresiHesapla(Zk_OlcumDegerleri[i], R_HataMiktari); } //Grafii iziyor double X_OlculenOncekiDeger = 0; double Y_OlculenOncekiDeger = 0; double X_HesaplananOncekiDeger = 0; double Y_HesaplananOncekiDeger = 0;

hassas

{precisely}

olarak

for (int j = 0; j < 10; j++) { //llen deerleri gsteriyor. GrafikAlani.DrawLine(KalemRengiMavi,(int) X_OlculenOncekiDeger,(int) Y_OlculenOncekiDeger, (j * 50), (int)(Zk_OlcumDegerleri[j] * 250)); //Hesaplanan deerleri gsteriyor. GrafikAlani.DrawLine(KalemRengiKirmizi, (int) X_HesaplananOncekiDeger, (int)Y_HesaplananOncekiDeger, (j * 50), (int)(Xk_HesaplananDegerler[j] * 250)); X_OlculenOncekiDeger = (j * 50); Y_OlculenOncekiDeger = (Zk_OlcumDegerleri[j] * 250); X_HesaplananOncekiDeger = (j * 50); Y_HesaplananOncekiDeger = (Xk_HesaplananDegerler[j] * 250); } } //************************************* public double KalmanFiltresiHesapla(double Zk_OlculenDeger, double R_HataMiktari) { //Gncelleme--Eski deerleri yeni deerler iine atyor. double X_k_KalmanTahminYeni = X_k_KalmanTahminEski; double Pk_HataKovaryansiYeni = Pk_HataKovaryansiEski; //lmleri Dzeltme-double Kk_KalmanKazanci = Pk_HataKovaryansiYeni / (Pk_HataKovaryansiYeni + R_HataMiktari); double Xk_KalmanHesaplanan = X_k_KalmanTahminYeni + Kk_KalmanKazanci * (Zk_OlculenDeger X_k_KalmanTahminYeni); Pk_HataKovaryansiYeni = (1 - Kk_KalmanKazanci) * Pk_HataKovaryansiEski;

//Eski Deerleri Atama--bu deikenler Global tanmland. bu procedure her geldiinde bunlar kaybetmemelidir. Pk_HataKovaryansiEski = Pk_HataKovaryansiYeni; X_k_KalmanTahminEski = Xk_KalmanHesaplanan; //bulunan sonu bir sonraki adm iin eski tahmin olacak. return Xk_KalmanHesaplanan; }

.ayrolu / Fen ve Teknoloji Bilgi Paylam, 2012-1

Ek-2. Rudolf Emil Kalman Rudolf Kalman Budapete / Macaristan da domutur. 1953 ylnda Lisans derecesini, 1954 MITde elektrik mhendisi olarak Master derecesini elde etmitir. 1957de Kolombiya niversitesinden doktorasn almtr. Kalman, elektrik mhendislii zerine eitim alm ve gelitirdii Kalman Filtresi ile nl olmutur. Bu teknik kontrol sistemlerinde ve havaclk uygulamalarnda genie kullanlan matematiksel bir yntemdir. Yntem sayesinde grltl lmlerden elde edilen sinyali filtreleyip, doruya yakn sinyali karmak mmkn olmutur. 1960l yllarda Kalman Filtresi Apollo Uzay programnda kullanlmaya balanmtr. ___________________ The Author ____________________ Ibrahim Cayiroglu is an insructor in Mechatronic Engineering at Karabuk University, Turkey. He received his B.Sc. in Mechanical Engineering from Istanbul Technical University in 1991. He received his M.Sc. and Ph.D. in Computer Aided Design and Manufacturing from Kirikkale University, in 1996 and 2002, respectively. His research interests include CAD-CAM, Software and Mechatronic Systems.