FILTRO DE KALMAN DISCRETO

LINEAL

Integrantes:
Melkis Gaviria Prez
Rafael Santamara Isaza
Maria Camila Zapata Ceballos
Estimacin de estados

CONTENIDO
Saber Previo
El filtro de Kalman
Luenberger vs Kalman
Tipos de Filtro de Kalman
Planta en tiempo discreto
Derivacin del filtro
Errores
Estimador del filtro de Kalman
Aplicaciones
Ejemplos
Conclusiones
Referencias
2

SABER PREVIO
Creado por Rudolf E. Kalman en 1960
Misma finalidad que el observador
Luenberger
Bsicamente es un algoritmo.
Usa mtodos recursivos.
Usado en procesos Estocsticos mtodos
Estadsticos

EL FILTRO DE KALMAN
Es un algoritmo creado para identificar el estado oculto o no
medible de un sistema dinmico.
Sirve cuando un sistema se encuentra sometido a ruido blanco
aditivo.
Se realizan mediciones del
ruido blanco
Seal aleatoria
Dos valores no guardan correlacin
estadstica
Gracias al Mtodo
recursivo

Minimiza la media del error cuadrtico

Estima el estado del sistema

lineal

Luenberger vs Kalman
Luenberger

Kalman

Halla las constantes de

realimentacin del error K a
mano.

Halla
las
constantes
de
realimentacin del error K de
forma ptima si conozco las
varianzas de las seales ruidosas
que afectan al sistema.

No sirve para seales de ruido

muy variable (blanco) que
afecten al sistema.

Sirve para seales de ruido blanco.

Tipos de filtros Kalman

Son 3 tipos

1.Filtro continuo

Se aplica a sistemas
continuos lineales

2.Filtro Discreto

3.Filtro extendido

Se aplica a
sistemas
discretos lineales

Se aplica a sistemas
discretos no lineales

Se debe conocer

Secuencias
aleatorias de media
cero

Ruido del proceso W(K)

Ruido de la medicin
V(k)

adems

Varianza de los
ruidos diferentes
a cero
6

Planta en tiempo discreto

Figura 1. Representacin de una planta en tiempo discreto. Tomado de [1]

Derivacin del filtro (1/3)

= 1 1 + 1 1 + 1
= +
=
=
= 0
+

Valor inicial: 0 = 0
+

0 =

0 0

0 0

Derivacin del filtro (2/3)

Figura 2. Relacin dependiente del tiempo para los diferentes estimadores. Tomada de [5]

Derivacin del filtro (3/3)

ERRORES
Estimado a priori del estado en el tiempo K; conociendo el
proceso antes del tiempo k (K-1).
= (1)
Estimado a posteriori del estado en el tiempo K dada la
medicin de .
= (2)

En la Figura 3 se puede observar con mayor claridad estos enunciados.

11

ESTIMADOR FILTRO DE KALMAN

Figura 3. Representacin de una planta en tiempo discreto con el filtro de Kalman.

Tomado de [1]

12

APLICACIONES
Estimacin de parmetros que cambian en el tiempo.
Estimacin del estado de un sistema en el pasado,
presente y futuro an cuando no se conoce la
naturaleza del modelado.
Estimacin en presencia del ruido.
Estimacin en plantas donde los sensores son malos
y/o presentan mucho ruido.
Interfaces y simulaciones cerebro computador.
Sistema global de navegacin por satlite.

13

Ejemplo [3]
Ejemplo: Estimacin de una constante aleatoria
nmero de datos: 100
valor a estimar: 3
valor inicial del estimador: 2.5
desviacin estimador inicial: 0.1
desviacin tpica en la observacin: 0.1
desviacin tpica en modelo de estados: 0.0001
14

3.3
3.2
3.1
3
2.9
2.8
Observaciones
Estimador de Kalman

2.7
2.6
2.5

20

40

60

80

100

120

15

-3

Varianza del estimador de Kalman

x 10

20

40

60

80

100

120

16

Ejemplo 2 Espacio de estados

+2
(segundo orden) [4]

2 +2+100

Salida del sistema

0.12
0.1
0.08
0.06
0.04
0.02
0
-0.02
-0.04
-0.06

50

100

150
200
tiempo(s)

250

300

350

17

Salida del sistema con ruido

0.15

0.1

0.05

-0.05

-0.1

20

40

60

80

100
120
tiempo(s)

140

160

180

200

18

Salida del sistema estimada

0.1
0.08
0.06
0.04
0.02
0
-0.02
-0.04
-0.06

20

40

60

80

100
120
tiempo(s)

140

160

180

200

19

Comparacin salida filtrada

0.15
Y
Y con ruido
Y estimada

0.1

0.05

-0.05

-0.1

50

100

150
200
tiempo(s)

250

300

350

20

CONCLUSIONES
Siempre se requieren mediciones de ruido en el sistema, este ruido
debe ser de media cero y covarianza diferente de cero.
Una de sus principales ventajas es su requerimiento de ruido, ya que
la mayora de sistemas reales siempre tienen cierto nivel de ruido.
Dependiendo de las mediciones que se tengan, se es posible utilizar
un estimador a priori, a posteriori, suavizado o predictivo.
El filtro de Kalman usa la realimentacin para poder disminuir el
error del sistema.
La matriz de ganancias del filtro de Kalman K slo de penden de la
covarianza del error de estimacin y de la salida del sistema, las
entradas no afectan K .
Un estimador a posteriori se puede considerar mejor en el sentido
que ste cuenta con ms informacin que uno a priori.
21

REFERENCIAS
[1] Len, G.O. Introduccin al filtro de Kalman, 2009.
[2] Gutirrez, I.A. SISTEMA DE DETECCIN DE FALLAS EN UN MOTOR DC
USANDO OBSERVADORES PROPORCIONAL INTEGRAL GENERALIZADO, pucp,
LIMA, 2011.
[3] Molina, R. Bases del filtro de Kalman. Departamento Ciencias de la
Computacin e IA. Universidad de Granada.
[4] Castaeda Crdenas, J. A., Nieto Arias, M. A., Ortiz Bravo, V. A. . Anlisis y
Aplicacin del filtro de Kalman a una Seal con Ruido Aleatorio. Ingeniera
electrnica, Universidad Tecnolgica de Pereira, Pereira, Colombia. Scientia et
Technica Ao XVIII, Vol. 18, No 1, Abril de 2013
[5] Simon, D. Optimal State Estimation: Kalman, H Infinity, and Nonlinear
Approaches. John Willey. 2006
22