Академический Документы
Профессиональный Документы
Культура Документы
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.
kalman filter 5
Estimación del estado antes de conocer información
sobre el instante k. Estimación a priori.
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.
kalman filter 7
El filtro de Kalman mantiene los dos primeros momentos de
la distribución de los estados.
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
kalman filter 14
Variables aleatorias con ddp normal de media
cero que modelan el ruido del proceso y de la
observación, resp.
kalman filter 15
Ecuaciones y esquema de cálculo del EKF:
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.
kalman filter 18
La estimación del error de predicción permite
calcular la estimación a posteriori del estado:
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
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