Kalman filter y tracking

kalman filter 1
 Introducción
• El filtro de Kalman asume un sistema
dinámico lineal y un observable corrompido
con ruido gausiano.
• Permite la estimación de estados pasados,
presentes y futuros bajo incertidumbre.
• El filtro de Kalman extendido asume un
sistema no lineal y la linealización local.

kalman filter 2
 Referencias
• An introduction to the Kalman filter. Greg
Welch, Gary Bishop,
• http://www.cs.unc.edu/~welch/kalman/kalmanIntro.html
• http://www.cs.unc.edu/~welch/kalman/

kalman filter 3
 Proceso dinámico
El filtro de kalman trata de estimar el estado de un proceso
estocástico dinámico de tiempo discreto modelado por las ecuaciones
sig.

Sujeto a observaciones calculadas mediante las ecuaciones

Las variables aleatorias modelan el ruido en el

mundo y en las observaciones.
Las matrices de
covarianza pueden
kalman filter ser constantes o no.4
La matriz A relaciona el estado con el estado anterior
La matriz B refleja la influencia del input de control o función
externa
La matriz H refleja la obtención de la medida a partir
del estado.
Q es la matriz covarianza del ruido del proceso, R es la
covarianza del ruido de la observación.
Las matrices pueden ser variables en el tiempo, pero no es el caso
habitual.

kalman filter 5
 Estimación del estado antes de conocer información
sobre el instante k. Estimación a priori.

Idem después de conocer la observación en el

instante k.

Los errores de estimación a priori y a posteriori:

Matrices de covarianza del error a priori y

del error a posteriori de clasificacion.

kalman filter 6
El objetivo inicial es dar una ecuación que calcule el
estimador a posteriori a partir del estimador a priori y el
error en la predicción de la observación.

Es el residual o innovación en la observación.

K es la ganancia o blending factor que minimiza la covarianza del

error a posteriori. Una expresión que se obtiene mediante
sustitución e igualando a cero la derivada de la covarianza
respecto de K:

kalman filter 7
El filtro de Kalman mantiene los dos primeros momentos de
la distribución de los estados.

Si el ruido es gausiano, entonces se cumple que la

distribución de los estados es también gausiana, con media
la estimación a posteriori del estado, y covarianza la del
error de la estimación:

kalman filter 8
El proceso iterativo del filtro de Kalman se descompone en
dos etapas: (1) la predicción del estado a partir del estado
anterior y las ecuaciones dinámicas y (2) la corrección de la
predicción usando la observación del estado actual.

kalman filter 9
Ecuaciones de prediccion o actualización del estado y de la
covarianza del error de predicción.
La matriz de covarianza inicial puede ser la matriz
identidad.

kalman filter 10
La corrección comienza con el cálculo de la ganancia, a
continuación realiza la estimación a posteriori y finalmente
actualiza la matriz de covarianza a posteriori.

kalman filter 11
kalman filter 12
Las matrices Q y R son críticas para el funcionamiento del
filtro:
Si son constantes y están bien estimadas mediante un proceso
de identificación, las matrices de covarianza del error a
posteriori y a priori convergen rápidamente y son constantes
que pueden ser evaluadas off-line de una vez por todas.
Si no son constantes, estimar on-line para tener resultados
aceptables, es un problema no trivial.

kalman filter 13
 Filtro extendido
La dinámica del sistema es no-lineal. Se convierte al caso lineal
realizando la linealización que da la descomposición en serie de
Taylor.
El proceso está gobernado por la ecuación estocástica no-lineal

La observación es también una función general que puede

ser no-lineal:

kalman filter 14
 Variables aleatorias con ddp normal de media
cero que modelan el ruido del proceso y de la
observación, resp.

Dado que el ruido es

desconocido se sustituye por
cero en las ecuaciones:

Es importante notar que la distribución de los estados y los

observables ya no es normal tras la transformación no-lineal
correspondiente.

kalman filter 15
Ecuaciones y esquema de cálculo del EKF:

Estado y observación actual.

Aproximaciones a priori del estado y la observación.

Estimación a posteriori del estado.
V.a de ruido del proceso y la observación

kalman filter 16
 Jacobiano de la función
dinámica no lineal respecto
del estado del proceso.
Jacobiano de la función dinámica
respecto del ruido del proceso.

Jacobiano de la función de
observación respecto del
estado del proceso.

Jacobiano de la función de
observación respecto del ruido
de observación.

kalman filter 17
 Errores de predicción.
Residual de la observación
Es posible dar las ecuaciones para un proceso que describe la
evolución de los errores de predicción y observación.

Nuevas v.a. de ruido con ddp normal de media cero

y matrices de covarianza:

Este proceso, similar al filtro de Kalman permite obtener estimaciones

del error de predicción:

kalman filter 18
 La estimación del error de predicción permite
calcular la estimación a posteriori del estado:

Las nuevas variables aleatorias

tienen distribuciones normales:

Dadas estas distribuciones podemos considerar que el valor de

la predicción del error de predicción es cero, de donde:

Por sustitución obtenemos la expresión de la predicción que no

precisa del filtro de Kalman hipotético definido sobre el error de
predicción:

kalman filter 19
Ecuaciones de predicción del estado a priori y de la
covarianza de la predicción:

kalman filter 20
kalman filter 21
kalman filter 22
 Ejemplo: una constante con ruido

Time update eq. Correction eq.

kalman filter 23
kalman filter 24
Evolución de la covarianza en el proceso de
estimación

kalman filter 25
kalman filter 26
kalman filter 27
 El objetivo es determinar
si un lanzamiento es
strike o no, y mostrar la
trayectoria de la bola
desde varios angulos.

kalman filter 28
Tracking de la bola en los lanzamientos.
La segmentación basada en el color es
muy deficiente:

kalman filter 29
kalman filter 30
Para determinar la trayectoria 3D se usa un filtro
de Kalman en 3D y las correspondencias entre
dos cámaras que están calibradas mediante la
realimentación de las posiciones de los servos de
pan, tilt y zoom.

kalman filter 31