Академический Документы
Профессиональный Документы
Культура Документы
datosdelaIMU.
Teora+Implementacin
Definiciones
Probabilidadyvariablesaleatorias
Probabilidad
Laprobabilidadqueelresultadodeuneventodiscreto(porej.ellanzamientodeuna
moneda)favoreceruneventoparticular,definidopor:
Enelcasodeeventosindependientes,laprobabilidadqueocurraAoBestdadapor:
silaprobabilidaddedosresultados,esdecirunanoafectaaotra,entonceslaprobabilidad
dequeambosocurranestdadapor:
SiAyBsondossucesos,laprobabilidaddequeocurraBdadoAsedenotaporp(B|A)y
esllamada
probabilidadcondicional
.Estdadapor:
Variablesaleatorias
Unavariablealeatoriaesbsicamenteunafuncinquemapeatodoslospuntosenel
espaciodemuestraalosnmerosreales.Lasvariablesaleatoriaspuedenserdiscretas,
cuandosepuedencontarelconjuntodesusresultadosposibles,ocontinuas,cuandotoma
valoresenunaescalacontinua.
PorejemplolavariablealeatoriacontinuaX(t)puedemapeartiempoaposicin.En
cualquierpuntoeneltiempo,X(t)nosdirlaposicinesperada.Enelcasodevariables
aleatoriascontinuas,laprobabilidaddecualquiereventosimplediscretoAesdehecho0.
Estoes,P(A)=0.Unafuncincomnquerepresentalaprobabilidaddeunavariable
aleatoria,esdefinidacomola
funcindedistribucinacumulativa
.Estafuncin
representalaprobabilidadacumulativadelasvariablesaleatoriascontinuasXparatodos
(losnocontables)eventoshastax.
Mscomnmenteusadaenformadesuderivadayselaconocecomola
funcinde
densidaddeprobabilidad
:
stafuncindedensidadtienepropiedades:
MediayVarianza
La
mediadeunavariablealeatoriaX
eselpromediodeunasecuenciadenmerospara
algnespaciomuestralN(
Sedefineespaciomuestralcomotodoslosresultadosposibles
deunexperimientoestadstico)
deunavariablealeatoriadiscretaX.Seexpresaconlaletra
griega
mu
.Nospodemosreferiraestamediacomoelvaloresperadodelavariable
aleatoriaX,yseexpresacomoE(X).Lamediaestdadapor
SiXesunavariablealeatoriadiscretacondistribucindeprobabilidadf(x)la
mediaovalor
esperado
deXes:
silavariablealeatoria
X
escontinua:
SiXesunavariablealeatoriadiscretacondistribucindeprobabilidadf(x)ymedia ,la
varianza
deXseexpresacomo 2 ysedefinedelasiguienteforma:
cuandolavariablealeatoria
X
escontinua:
SiXescontinualarazcuadradadelavarianza 2 = ,sellama
desviacinestndar
de
X.
DistribucinNormaloGaussiana
Muchosprocesosdelanaturalezaparecentenerunadistribucinnormalomuycercanaa
esta.Enefecto,bajociertascondiciones,sepuedeprobarqueunasumadevariables
aleatoriasconcualquierdistribucintiendehaciaunadistribucinnormal.Elteoremaque
defineestapropiedadsellamaelteoremadellmitecentral.Ladistribucinnormaltiene
algunaspropiedadesquelahacenmatemticamentemanejableyhastainteresante.
UnavariablealeatoriacontinuaXquetieneladistribucinenformadecampanadelafigura
sellama
variablealeatorianormal
.Laecuacinmatemticaparaladistribucinde
probabilidaddelavariablenormaldependedelosparmetros y .Porlotantose
representanlosvaloresdedensidaddeXporn(x , ).
LafuncindedensidaddeprobabilidadparaunavariablealeatorianormalX,conmediamu
yvarianzasigma^2estdadapor:
Cualquierfuncinlinealdeunprocesoaleatorionormalmentedistribuidotambinesun
procesoaleatorionormalmentedistribuido.EnparticularsiX~N( , 2 )yY=aX+b,
entonces
Independenciacontnuayprobabilidadcondicional
DosvariablesaleatoriascontinuasXyYsonllamadasestadsticamenteindependientessi
suprobabilidadconjunta f xy(x, y) esigualalasumadesusprobabilidadesmarginales,es
decir,seconsideraindependientesi f xy(x, y) = f x(x)f y(y) .
Adicionalmentela
RegladeBayes,
tomandolaecuacinde
probabilidadcondicional,
ofreceunamaneradeespecificarla
densidaddeprobabilidadcondicional
deuna
variablealeatoriaXdada(enlapresenciade)Y(Variablealeatoria).EnestecasolaRegla
deBayesestdadapor:
DadounprocesodiscretoXyunprocesocontinuoY,lafuncindiscretademasade
probabilidadparaXcondicionadosobreY=yestdadapor:
EspaciovsEspectro(seales)
Sepuededecirquelamagnituddelavarianzadeunasealindicacuntoruidotienela
seal.Sinembargo,lavarianzadeunasealnodicenadaacercadelespaciamientoola
tasadecambioconelpasodeltiempo.
Unacaractersticatiltiemporelacindeunasealaleatoriaessu
funcinde
autocorrelacinRx
,su
relacinconsmismaatravsdeltiempo
.Formalmentesepuede
definirlafuncindeautocorrelacindeunasealaleatoriaX(t)delasiguienteforma:
Paralostiemposdemuestrat1yt2.Sielprocesoes
estacionario,
esdecirquelafuncinde
densidadnovaraconeltiempo,laecuacinslodependedeladiferencia = t1 t2 .En
estecasolaautocorrelacinseescribecomo:
Dosfuncionesdeautocorrelacinsemuestranenlafigurasiguiente,seobservaqueen
comparacinconlasealaleatoriaX2,lasealaleatoriaX1esrelativamentemspequea
ymsancha.Mientras| |aumenta(cuandosemuevelejosde = 0 enelcentrodela
curva)lasealdeautocorrelacinparaX2bajarelativamenterpido.EstoindicaqueX2
estmenoscorrelacionadaconsmismaqueX1.
Caractersticaseneldominiodefrecuencia.
Sepuedeverquela
autocorrelacinesunafuncindeltiempo.
Estosignificaque
tambintieneunainterpretacinespectraleneldominiodelafrecuencia.Nuevamentepara
unprocesoestacionario,existeunaimportanterelacintemporalespectralconocidacomo
larelacinoel
teoremaWienerKhinchine:
SD:powerspectraldensityfunction)
delaseal
aleatoriapuedeserobtenidaporlatransformadadeFourier(
F[Rx(t)]
)delafuncinde
autocorrelacindelasealaleatoria,donde indicaelnmerodeciclosporsegundo(2 f).
Comosepuedever,estarelacinenlazalasrepresentacionesdelespectrodetiempoyde
frecuenciadelamismaseal.
EstafuncinPSDmuestracuntapotenciaestalmacenadaencadacomponentedel
espectro.Porejemplo,paraunaondasinusoidalconfrecuenciafija,elgrficodePSD
contendrslouncomponentedelespectropresenteenlafrecuenciadada.
Unprocesoaleatorio(oseal)conunafuncinPSDconstanteesunprocesoderuido
blanco
.
RuidoBlanco.
Unasealderuidoblanco(proceso)estconstituidaporun
conjuntodevariables
aleatoriasindependienteseidnticamentedistribuidas
(IID).Ensentidodiscreto,la
sealderuidoblancoconstituyeunaseriedemuestrasquesonindependientesygenerada
apartirdelamismadistribucindeprobabilidad.
Unimportantecasodeunasealaleatoriaescuandolafuncindeautocorrelacinesuna
funcinDiracdelta () quetienevalorceroentodaspartesexceptocuando = 0 .Enotras
palabrasdonde:
paraalgunamagnitudconstanteA.Enestecasoespecialdondelaautocorrelacinesun
pulso,latransformadadeFourierresultaenunespectrodefrecuenciaconstantecomose
muestraenlafigura.
Estaesunadescripcinde
ruidoblanco
,dondetodaslasfrecuenciassonigualmente
importantesotienenlamismapotenciaespectral,yestncompletamenteno
correlacionadas,exceptoeneltiempoactualcuando = 0 .Estaporestoquesedenominan
independientes
alassealesderuidoblanco.Cualquiermuestradelasealenuninstante
tiempoescompletamenteindependiente(sincorrelacin)deotramuestraenotroinstante
detiempo.
Aunquenoesposiblevernialcanzarenlaprctica(ningnsistemapuedeexhibirenerga
infinitaatravsdeunespectroinfinito),elruidoblancoesunaparteimportanteeneldiseo
yelanlisis.Lassealesaleatoriaspuedensermodeladascomoruidoblancofiltrado.
Literalmenteestoquieredecirqueunopodrafiltrarlasalidadeuna(hipottica)fuentede
ruidoblancoparalograrunafuentederuidonoblancao
colorida
queesdelimitadaenel
dominiodelafrecuencia,ymscorrelacionadaconeldominiodetiempo.
Porejemplo,sepuedegenerarunasealderuidoblancoutilizandoungeneradorde
nmerosaleatoriosdondetodaslasmuestrassiguenunadistribucindeGaussdada.Esto
seconocecomoruidoblancogaussianooruidoblancocondistribucinnormal.Delmismo
modo,unasealderuidoblancogeneradoapartirdeunadistribucinuniformese
denominaruidoblancouniforme.Ruidoblancogaussianoyruidoblancouniformeseutilizan
confrecuenciaenelmodeladodelsistema.Ruidoblancogaussianosepuedegenerar
utilizandolafuncin"randn"enMatlabquegeneranmerosaleatoriosquesiguenuna
distribucindeGauss.Delmismomodo,funcin"rand"sepuedeutilizarparagenerarruido
blancouniformeenMatlabquesigueunadistribucinuniforme.
Porejemplo,generamosunruidoblancocondistribucingaussianadelongitudL=100000,
media0ydesviacinestndar=1(enMatlabconlafuncinrandn).
Paracalcularlafuncindedensidaddelavariablealeatoria:
Enelgrficodeautocorrelacin,seobservaqueelpulsoalcanzadoessigma^2=1ent=0
loculseverificalafuncindeautocorrelacin.
ElgrficodePSDnosmuestracasiunapotenciafijaentodaslasfrecuencias.Oseaque
paraunasealderuidoblancolaPSDesconstanteentodaslasfrecuencias(infinito
+infinito).Elejeyestexpresadoen[dB/Hz].
Funcin/MatrizCovarianza.
La
funcindecovarianza
sedefinecomo:
Seutilizaporqueestamostratandoconprocesosaleatorioscompuestospornvariables
aleatorias(10enelejanterior).
Dichoprocesoesvistocomovectoraleatoriomultivariadoovariablealeatoriomultivariada.
Paraestasvariablesaleatoriasmultivariadas,lafuncindecovarianzaespecificacmo
cadaunadelasnvariablesenelprocesoaleatoriosecomportarespectoalaotra.La
funcindecovarianzageneralizaelconceptodevarianzaenmltiplesdimensiones.
Larepresentacinmatricialsellamala
matrizdecovarianza
delasealaleatoriaderuido
blanco:
Dadoquelasvariablesaleatoriasenlasealderuidoblancosonindependientes(no
correlacionadas)lafuncindecovarianzacontienevaloresalolargodesudiagonal.La
matrizanteriormuestraquesloexistelafuncindeautocorrelacinparacadavariable
aleatoria.Losvaloresfueradeladiagonalsoncero.Loselementosdeladiagonalsonigual
alavarianza.Lafuncindelconjuntoautocorrelacionadoderuidoblancoestdadapor:
Estoindicaquelafuncindeautocorrelacindelasealderuidoblancoesceroentodas
partesexceptoenelretardo = 0 .
Estimacinestocstica
ModelosEspacioEstado
Problemadediseodelobservador
Ruidodemedicionesyproceso.
FiltrodeKalman
Definiciones
ElfiltrodeKalman,peseaserllamadofiltro,esunalgoritmodeestimacin.Fueinventado
porRudolphE.Kalman,quienen1960publicunartculodescribiendounasolucin
recursivaparaelproblemadefiltradolinealdedatosdiscretos(Kalman1960).
Esbsicamenteunconjuntodeecuacionesmatemticasqueimplementanunestimadordel
tipopredictorcorrector,ptimoenelsentidoqueminimizalacovarianzadeerrorestimado
(cuandoalgunascondicionessupuestassecumplen).
ElfiltrodeKalmansehautilizadoampliamenteparaelseguimientointeractivopor
computadora.Tambinutilizadoparapredecirmovimientoyparalafusindemltiples
sensores(inerciales).
EsunmodelomatemticoentrminosdeEspacioEstado.
ElfiltrodeKalmanesunaampliacindelalgoritmoLMSdeMnimoscuadrados,peroms
sofisticado.
Esunasolucinrecursiva,vlidatantoparaambientesestacionariosynoestacionarios,que
tericamenteesidealparafusionarlosdatosconruido.
Sirvecomobaseparaungrannmerodealgoritmosdeestimacinutilizadosen
navegacin.Susfuncionesincluyenlademantenerunasolucindenavegacinporsatlite
suavizada,elalineamientoycalibracindeINS.Estaintegracinesclaveenlaobtencin
deunasolucindenavegacinptimaapartirdelasmedicionesdisponiblesenelsistema
denavegacin.
Realizaestimacionesentiemporealdedistintosparmetrosdeunsistema,comopor
ejemploposicinyvelocidad,quepuedencambiarcontinuamente.Lasestimacionesson
actualizadasapartirdedistintasmedicionesrealizadassobreelsistema,quepueden
contenerruidos.Estasmedicionessonrealizadasporsensores,yhandeserfuncindelos
parmetrosestimados.Noesnecesarioquelasmedicionescontenganentodoslospasos
detiemposuficienteinformacinparadeterminarlosvaloresdelosparmetros.
ElFKutilizaelconocimientodelaspropiedadesdeterminsticasyestadsticasdelos
parmetrosdelsistemaydelasmedicionesparaobtenerestimacionesptimasdesus
estadosapartirdelainformacindisponible.ElFKincluyeunaincertidumbresobrelas
estimacionesrealizadasyunamedidadelascorrelacionesentreloserroresenlas
estimacionesdelosdistintosparmetros.
ElFKesunatcnicadeestimacionesBayesiana.Seleproporcionaungrupode
estimacionesinicialesyesteoperadeformarecursiva,actualizandolasestimacionesen
funcindelosvalorespreviosydelosnuevosobtenidosdelasltimasmediciones.Este
asumequeelsistemaenestudioeslineal,loquellevaarealizarciertasasunciones
descritasposteriormente.Paraaplicacionesentiemporeal,comoeselcasodela
navegacin,elenfoquerecursivodeestealgoritmoesmseficiente,dadoquesolose
debenprocesarlosdatosdelasnuevasmedicionesencadaiteracin.
Principalmenteminimizaelerror,perolohacebasndoseenmsparmetros.Adems
prediceculdeberaserlasalidaparaelestadosiguienteydaunaestimacinapartirde
lasmedidasenelmismoinstantedetiempo.Todasestasmedidastienensupropia
estadsticaydependiendodecualseamsfiable,seotorgamspesoalaprediccinoala
estimacin.Enelfondoseintegranestadosredundantesparaobtenerinformacinms
precisa.
Paranuestroproyecto,seutilizarelfiltrodeKalmanparaobtenerlaposicin,lavelocidady
elrumbodelmvil(en3D).PorunladoestnlasmedidasdelaIMU,quesonmuyprecisas
enunespaciodetiemporeducidoyporotrolasmedidasdelmagnetmetroydelGPS(en
casodeusaruno)cuyoserroresnoaumentanconeltiemposinoqueesconstante,pero
tienenunerrormsgrande.
ElementosyfasesdelFK
Estcompuestopor5elementosprincipales:
vectordeestadosysucovarianza
modelodelsistema
vectordemedicionesysucovarianza
modelodemediciones
algoritmo
El
vectordeestados
esungrupodeparmetrosquedescribenelsistema,conocidas
comoestados,queelfiltrodeKalmanutilizaparaestimarunasolucinptima.Unestado
puedeserconstanteovariableeneltiempo.
x = [x1x2x3...xn] T
Elvectordeestadoincluyenoslolosparmetrosdeseados,sinoademsaquellosquese
hanaadidoalfiltrocontaldeintroducirredundanciaalproblema.
Asociadaaestevectordeestadosvala
matrizdecovarianzadelerror
,querepresentala
incertidumbresobrelasestimacionesdelosestadosdelFK,yelgradodecorrelacinentre
loserroresenesasestimaciones.Conocerestascorrelacionesesdevitalimportanciaen
algunoscasos,dadoqueenocasionesnoexistesuficienteinformacinparaestimarcada
unodelosestadosdeformaindependiente.DadoqueelFKesunprocedimientoiterativo,
losvaloresinicialesdelvectordeestadoylosdelamatrizdecovarianzahandeser
proporcionadosporelusuarioodeterminadosporunprocesoexternoalFK.
El
modelodelsistema
,omodelodetransicineneltiempo,describelavariacinenel
tiempodelvectordeestadosydesumatrizdecovarianza.Aplicaelefectodecada
parmetrodeestadodelsistemadeiteracionespreviasalestadoactualdelsistema.Por
ejemplo,unestadodeposicinvaraconeltiempocomolaintegraldelestadodevelocidad,
laincertidumbredelaposicinaumentaconeltiempocomolaintegraldelaincertidumbre
delavelocidad.Conesto,sepuedeverqueloserroresenlaestimacindelavelocidadyla
posicinestncorrelacionados.Elmodelodelsistemaesdeterministaparalosestados,
dadoqueestbasadoenpropiedadesdelsistemaconocidas.Asociadoaestemodeloest
elruidodelsistema,quehacequelaincertidumbredelosestadospuedaaumentarconel
tiempodebidoacambiosdesconocidosenelsistema,quehacenquelaestimacindelos
estadosseaerrnea.Esteruidosuelevenirdelossensoresodeparmetrosdinmicosde
loscualesnotenemosinformacin.Esteruidoysuspropiedadesestadsticashandeser
definidosyestimadospreviamentealaimplementacindelFiltrodeKalman(porel
diseador).
El
vectordemediciones
estformadoporungrupodevariablescuyamedidaest
disponible,realizadasenelmismopasodetiempo,quesonfuncindelvectordeestados.A
partirdelainformacindeestevectorsecalculanlasestimacionesdelosestadosdespus
delainicializacin.
z = [z1z2z3...zm]
Sesueledarelcasodequeladimensin(
n
)delvectordeestados
x
seamsgrandequela
dimensin(
m
)delvectordemedidas
z
.Ambosvectoresestnrelacionadosdemanera
linealtalqueapartirdelvectordeestados,secalculaelvectordevariables.
Asociadaaestevectorestla
matrizdecovarianzadelruido
enlasmediciones,que
definelaspropiedadesestadsticasdelruidoenlasmedicionesrealizadas.
El
modelodemediciones
ode
observacin
describelavariacindelvectorde
medicionescomofuncindelvectordeestadosreal(noelestimado)enausenciaderuido
enlasmediciones.Aligualqueelmodelodelsistema,esteesdeterminista,dadoquese
basaenpropiedadesconocidasdelsistema.Mapealosparmetrosdelvectordeestadoen
eldominiodelamedicin.
ElalgoritmodelKFempleaelvectordemediciones,elmodelodemediciones,yelmodelo
delsistemaparacalcularlasestimacionesptimasdelvectordeestados.Cuentacondos
etapas:
1) Prediccin
Actualizacindeltiempo
2) Correccin
Actualizacindelamedicin
Encadaiteracin,elalgoritmorealiza10pasos,dondelos4primerosformanlafasede
prediccin,ylos6siguienteslafasedeactualizacin.
FiltrodeKalmanDiscreto
Sedescribeacontinuacinelfiltro,segnlaformulacinoriginalenKalman1960,enelque
seproducenlasmedicionesyelestadoesestimadoenpuntosdiscretoseneltiempo.
Elprocesoaestimar
Modelos
Modelodelsistema
Modelodelamedicin
Modeloapriori
OrigencomputacionaldelFK
OrigenprobabilsticodelFK
ElAlgoritmodelFKD
FiltrodeKalmanExtendido(FKE)