Professional Documents
Culture Documents
CONTROL
SEMINARIO DE
SEMINARIO DE
muchos otros. Debido a que el filtro de Kalman es muy eficaz y til para una gran
clase de problemas, ha sido objeto de numerosas investigaciones.
Viendo la efectividad de ste algoritmo, en el presente proyecto se disear un
sistema de estabilizacin de vuelo haciendo uso de la teora del mismo,
analizando previamente las necesidades que abastecera y la utilidad que implica,
pudiendo aplicar este sistema en todo tipo de vehculo areo.
Siendo especialmente til en un autmata que puede tener distintas utilidades
como en el combate, de vigilancia de seguridad, en sembrados, entre otros, en
los cuales se busca un ptimo funcionamiento. Se ha diseado el programa luego
de una ardua investigacin con conocimientos de las materias de control y
microcontroladores.
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:
2 MARCO TERICO.1. La prediccin
Calculamos una prediccin del estado x(k+1), lo notaremos como x(k+1). El
valor de la prediccin es calculado a partir del valor ms actualizado del estado
(posteriormente veremos que es el estado corregido en la parte final del
algoritmo)
x(k+1) = A(k) + Bu (k)
(23)
(24)
SEMINARIO DE
{[ A ( x ( k ) (k )) + v( k )] [ A ( x ( k ) ( k )) + v (k )] }
T
P(k+1) = E
Operando:
{[ A ( x ( k ) ) (k )][ A ( x ( k ) ) (k )] }+ E { v (k ) v (k ) }
T
P(k+1) = E
T
E {( k ) v (k ) }
(25)
2. La correccin
Decamos antes que el valor del estado se va a calcular a travs del estado
anterior y de una correccin que es funcin del error. Esto es:
(k+1) = x(k+1) + K(k+1)
[ y ( k +1 )Cx (k +1)]
(26)
[ y ( k +1 )Cx (k +1)]
y:
y(k+1) es el ltimo valor observado.
x(k+1) es el valor ms actualizado disponible del estado (calculado en la fase de
prediccin).
Buscaremos el valor de K(k+1) para conseguir un valor ptimo de (k+1) tal que
la matriz de covarianza del error sea mnima.
e(k+1)= x(k+1) - (k+1)
Substituyendo:
3
SEMINARIO DE
[ y ( k +1 )Cx (k +1)]
As pues:
P(k+1) = E
P(k+1) = E
{ [ I KC ] (x ( k +1 )x (k +1)) [ I KC ]( x ( k +1 ) x (k +1)) }
T
+E
P(k+1) = [ I KC ]
*E
{ X ( k +1 ) x (k +1) x ( k +1 ) x (k +1) }
* [ I KC ]
KR (k+1)KT
Anteriormente ya calculamos que:
P(k+1) = E
{ x ( k +1 )x (k + 1) x ( k +1 )x (k + 1) }
T
Por lo que:
P(k+1) [ I KC ]
SEMINARIO DE
T
KRK T
PC K
+ KCPCTKT + KRKT
K = CP *
[ CPC T + R ]
Es decir:
1
T
K(k+1) = CP(k+1)* [ CP ( k + 1 ) C + R(k +1) ]
P(K+1) =
[ I KC ] P(k+1)
SEMINARIO DE
2 Correccin
1
K(k+1) = CP(k+1) *
[ CP ( k + 1 ) C T + R(k +1) ]
(27)
Observacin, y(k+1)
(k+1) = x(k+1) + K(k+1)
P(K + 1) =
[ y ( k +1 )Cx (k +1)]
[ I KC ] P(k+1)
(28)
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.
Etapa de Prediccin
1 Prediccin del estado
X(k+1) = A (k) + Bu (k)
1 Prediccin de la matriz de covarianza
P(k+1) = AP(k) AT +Q
Etapa de Correccin
6
SEMINARIO DE
T
K (k+1) = CP(k+1)* [ CP ( k + 1 ) C + R( K +1) ]
[ y ( k +1 )Cx (k +1)]
SEMINARIO DE
SEMINARIO DE
SEMINARIO DE
Esta escena que puede parecernos de ciencia ficcin, podra estar perfectamente
sucediendo en estos momentos, ya que cada vez se recurre ms a los Vehculos
Areos No Tripulados (Unmanned Aerial Vehicles -UAV-) o drones para llevar a
cabo operaciones militares areas. De hecho, en los aos 90 del siglo XX se
10
SEMINARIO DE
11