D I S E O D E U N F I L T R O K A L M A N

D I S E O D E U N F I L T R O K A L M A N

MODELADO DE UN FILTRO Y PREDICTOR KALMAN

INTRODUCCIN: La descripcin estadstica y el anlisis del comportamiento del ruido dentro de los sistemas conducen al desarrollo de lo que se conoce como Filtros Adaptivos, cuya mejor representacin es el Filtro Kalman. Intuitivamente, el concepto de filtrado se refiere al proceso de rechazar o atenuar seales espurias, a fin de obtener la seal deseada o informacin de la mejor manera posible. El concepto intuitivo de filtrado mencionado en el prrafo anterior requiere ser tratado con mayor detalle, por ello se brinda a continuacin- las ideas involucradas en tres tcnicas distintas: FILTRADO, SUAVIZADO Y PREDICCIN. Consideremos un sistema como el de la diapositiva siguiente.

D I S E O D E U N F I L T R O K A L M A N

MODELADO DE UN FILTRO Y PREDICTOR KALMAN

Este sistema recibe la accin de entradas indeseables (ruido) que afectan a determinadas variables internas (voltajes, corrientes, etc.) que se describen mediante la funcin vectorial x(*) (* puede ser t, n, distancia, etc.). Nuestro inters radica en conocer los detalles de x(*), para lo cual utilizamos un proceso de medicin, el mismo que por no ser perfecto afecta de ruido a las variables de inters, obtenindose, finalmente, un conjunto de valores representados por z(*).

D I S E O D E U N F I L T R O K A L M A N

MODELADO DE UN FILTRO Y PREDICTOR KALMAN FILTRADO: Significa que a partir de las mediciones z(0), z(1),,z(n0), obtendremos informacin sobre x(n0); informacin que debe estar disponible en n= n0. Ntese que en el filtrado aparecen tres ideas importantes:

Se quiere obtener informacin de x(n) para n = n0. Se usan mediciones de z(*) en n n0. La informacin debe quedar disponible en n = n0.
Un ejemplo de filtrado se produce en la etapa de recepcin en las radios. La seal de inters es una seal de voz. Esta seal modula una portadora de alta frecuencia, para transmitirla al receptor. La seal que se recibe est inevitablemente corrompida por ruido y, por esta razn, al demodularse se la filtra para recuperar la seal original de la mejor manera posible.

D I S E O D E U N F I L T R O K A L M A N

MODELADO DE UN FILTRO Y PREDICTOR KALMAN SUAVIZADO:

Significa que a partir de las mediciones z(0), z(1),, z(n0),, z(n), se obtendr informacin sobre x(n0). Obviamente, dicha informacin no puede estar disponible en n= n0. Tambin es correcto esperar que en cierto sentido, el proceso de suavizado genere mejores resultados que el de filtrado.
Un ejemplo del proceso de suavizado es la forma en que la mente humana enfoca el problema de leer un documento manuscrito y encontrar una palabra ilegible. Cuando esto sucede, solemos leer palabras posteriores as como las anteriores, a fin de deducir la palabra en cuestin.

D I S E O D E U N F I L T R O K A L M A N

MODELADO DE UN FILTRO Y PREDICTOR KALMAN PREDICCIN: Significa que a partir de las mediciones z(0), z(1),, z(n0), se obtendr informacin acerca de x(n0+m), es decir, intentamos predecir el comportamiento de x(*).

Un ejemplo del proceso de prediccin se produce cuando tratamos de agarrar con las manos una pelota lanzada por alguien. Nuestra mente debe predecir la trayectoria futura para posicionar las manos correctamente. Puede suceder que exista viento fuerte (ruido) y que el proceso de prediccin sea an ms difcil. En general, si el ambiente es ms ruidoso, la prediccin se hace ms difcil.

D I S E O D E U N F I L T R O K A L M A N

MODELADO DE UN FILTRO Y PREDICTOR KALMAN DEFINICIN DE PARMETROS VECTORIALES: Para el tratamiento de dos variables aleatorias, los parmetros que se manejan son: Las Medias o Esperanzas Matemticas de ambas. Las Varianzas de ambas. La Covarianza entre ambas. Consideremos, ahora, dos vectores cuyas componentes son variables aleatorias:

La media del vector u es un vector definido:

D I S E O D E U N F I L T R O K A L M A N

MODELADO DE UN FILTRO Y PREDICTOR KALMAN DEFINICIN DE PARMETROS VECTORIALES: Anlogamente, para el vector v: Definimos, adems, la matriz de Covarianza:

D I S E O D E U N F I L T R O K A L M A N

MODELADO DE UN FILTRO Y PREDICTOR KALMAN DEFINICIN DE PARMETROS VECTORIALES: En sntesis, la matriz de covarianza ahocicada a dos vectores no es ms que las covarianzas de cada uno de los elementos del primer vector con los elementos del segundo vector.. Ahora si el vector u es igual al vector v, entonces se tiene lo siguiente:

D I S E O D E U N F I L T R O K A L M A N

MODELADO DE UN FILTRO Y PREDICTOR KALMAN DEFINICIN DE PARMETROS VECTORIALES: Por lo tanto, podemos decir que la matriz de covarianzas asociada a un vector tiene como diagonal principal a las varianzas de las variables que lo componen; mientras que, los elementos restantes son las covarianzas de las variables que lo forman. En virtud a este ltimo resultado, podemos decir que, para describir un proceso aleatorio de n variables es necesario tener el vector de medias y la matriz de covarianzas de dicho proceso n-dimensional.

D I S E O D E U N F I L T R O K A L M A N

MODELADO DE UN FILTRO Y PREDICTOR KALMAN ANLISIS DEL MODELO EMPLEADO PARA EL SISTEMA PROPIEDAD GAUSS MARKOV:

Se propone, ahora, describir el modelo a emplear para el sistema bajo estudio que se mostr en la figura anterior. Para representar dicho sistema, usaremos la tcnica de las ecuaciones de estado que corresponden a un sistema lineal que puede ser variante o no en el tiempo.
Como se est estudiando procesamiento digital, ser ms conveniente utilizar la representacin de estado en su forma discreta:

xk+1 = Fkxk + Gkuk y k = H kx k

(1) (2)

xk: vector de estados en un tiempo discreto k. uk: vector de entradas en un tiempo discreto k. yk: vector de salidas en un tiempo discreto k.
Fk, Gk y Hk son las matrices asociadas que llevan el subndice k, pues como se dijo anteriormente, el sistema puede ser o no variante en el tiempo.

D I S E O D E U N F I L T R O K A L M A N

MODELADO DE UN FILTRO Y PREDICTOR KALMAN ANLISIS DEL MODELO EMPLEADO PARA EL SISTEMA PROPIEDAD GAUSS MARKOV:

Ahora bien, las entradas pueden ser ruido o seales contaminadas con ruido. Por lo tanto, nuestro vector de entradas uk ser entonces resultado de un proceso aleatorio.
En el proceso de medicin, el canal de medicin introduce ruido que se describir mediante el proceso aleatorio , siendo vk una muestra o resultado del mismo en el tiempo discreto k. Por tanto, se tiene:

zk = yk + vk = Hkxk + vk (4)
zk corresponde obviamente al vector de valores medidos. Por todo lo anterior, nuestro sistema se describir por las siguientes ecuaciones: xk+1 = Fkxk + Gkuk (5) zk = Hkxk + vk (6)

D I S E O D E U N F I L T R O K A L M A N

MODELADO DE UN FILTRO Y PREDICTOR KALMAN ANLISIS DEL MODELO EMPLEADO PARA EL SISTEMA PROPIEDAD GAUSS MARKOV:

Es conveniente recordar que xk, vk, uk, yk y zk representan vectores. Adems, debido a que uk y vk son resultados de procesos aleatorios, entonces xk, yk y zk son tambin de naturaleza aleatoria. Por lo tanto: , y ser la notacin usada para los procesos asociados.
Nuestro objetivo es entonces medir z(0), z(1),, z(n0) para estimar el valor de x(n0), debiendo estar disponible dicho valor en n = n0. es decir, vamos a tratar de disear un filtro que nos permita obtener x(n0). Dicho filtro se basar en las propiedades y comportamiento estadstico de y ser desarrollado ms adelante.

D I S E O D E U N F I L T R O K A L M A N

MODELADO DE UN FILTRO Y PREDICTOR KALMAN DESCRIPCIN DEL RUIDO: Tanto para como vamos a hacer las siguientes suposiciones:

son cada uno procesos de ruido blanco, es decir, vk y vl son resultados de experimentos aleatorios independientes. (Vale la misma afirmacin tambin para uk y ul). son cada uno procesos gaussianos, es decir que, la funcin de densidad conjunta p(vk1, vk2, , vkn) es gaussiana, cualquiera sea el valor de n. La media en ambos procesos ser cero y las covarianzas asociadas conocidas. (Vale la misma afirmacin tambin para uk y ul). son uno respecto del otro, procesos independientes. La funcin de densidad conjunta p(vk1, vk2, , vkn) es simplemente igual a: p(vk1, vk2, , vkn) = p(vk1) p(vk2) p(vkn)

En virtud a la propiedad de independencia mencionada en 1.

D I S E O D E U N F I L T R O K A L M A N

MODELADO DE UN FILTRO Y PREDICTOR KALMAN DESCRIPCIN DEL RUIDO: Por otra parte, la covarianza del un proceso se define como:

pero: ,
si k l:

,, entonces: cov(vk, vl) = E[vkvlT]

cov(vk, vl) = E[vk]E[vl], por la independencia asumida, pero:

Entonces se tiene que la cov(vk, vl) = 0 para k l.

Si k = l: cov(vk, vk) = E[vkvkT] = Rk: matriz que suponemos conocida.

D I S E O D E U N F I L T R O K A L M A N

MODELADO DE UN FILTRO Y PREDICTOR KALMAN DESCRIPCIN DEL RUIDO: Por lo tanto,

Tambin podemos usar las propiedades del Delta de Kronecker:

y establecer: cov(vk, vl) = Rkkl

En forma similar tendremos para uk: cov(uk, ul) = Qkkl Siendo Qk = cov(uk, uk) = E[ukukT] En resumen, y son cada uno procesos blancos, gaussianos de media cero y covarianzas definidas. Tanto como son procesos independientes el uno del otro.

D I S E O D E U N F I L T R O K A L M A N

MODELADO DE UN FILTRO Y PREDICTOR KALMAN DESCRIPCIN DEL ESTADO INICIAL: La ecuacin en diferencias finitas que representa nuestro sistema se inicia indudablemente con las condiciones iniciales x0. Como hemos mencionado, no es posible una medicin exacta de xk, por lo tanto, probablemente sea tambin imposible conocer x0 exactamente. Ser necesario, entonces, considerar a x0 como una variable aleatoria para la cual efectuaremos las siguientes suposiciones: x0 es una variable gaussiana aleatoria de media y covarianza conocidas.

x0 es independiente de vk y uk, cualquiera sea el valor de k.

D I S E O D E U N F I L T R O K A L M A N

MODELADO DE UN FILTRO Y PREDICTOR KALMAN PROPIEDAD GAUSS MARKOV ASOCIADA AL SISTEMA: A partir de las hiptesis presentadas anteriormente, analizaremos ahora las caractersticas del proceso . Inicialmente indiquemos que la solucin a las ecuaciones de estado discretas: xk+1 = Fkxk + Gkuk zk = Hkxk + vk tiene la forma:

o tambin

D I S E O D E U N F I L T R O K A L M A N

MODELADO DE UN FILTRO Y PREDICTOR KALMAN PROPIEDAD GAUSS MARKOV ASOCIADA AL SISTEMA: donde es la Matriz de Transicin Asociada que se define segn:

De la primera ecuacin de solucin se ve que xk depende de x0, uo, u1, , uk-1; como todos ellos son variables gaussianas y por ser la combinacin lineal de variables gaussianas, podemos concluir que xk es una variable gaussiana.

El anterior concepto se puede ampliar y demostrarse que todo el proceso es gaussiano. Habra que demostrar que xk1, xk2, , xkn producen una funcin de densidad conjunta gaussiana. De manera similar, podemos concluir que es tambin gaussiano.

D I S E O D E U N F I L T R O K A L M A N

MODELADO DE UN FILTRO Y PREDICTOR KALMAN PROPIEDAD GAUSS MARKOV ASOCIADA AL SISTEMA: Tambin de la segunda ecuacin de solucin se observa que el conocer x0, x1, , xm produce igual informacin sobre xk que si conociramos xm solamente. Note que el hecho de que ui es independiente de xj, cualquiera sea i y j, juega un papel importante en lo que acabamos de mencionar. Por ello se cumplir en nuestro sistema la siguiente propiedad:

p(xk/x0,x1,,xm) = p(xk/xm)
Por ser el estado del sistema gaussiano, se dice que el sistema bajo estudio es tambin gaussiano y por cumplirse la propiedad anterior, se dice que el sistema bajo estudio es Markoviano de primer orden.

D I S E O D E U N F I L T R O K A L M A N

MODELADO DE UN FILTRO Y PREDICTOR KALMAN PROPAGACIN EN EL SISTEMA DE MEDIAS Y COVARIANZAS: A la ecuacin:

xk+1 = Fkxk + Gkuk

saquemos la Esperanza matemtica, de la forma: E[xk+1] = FkE[xk] + GkE[uk], pero E[uk] = 0, entonces se tiene:

Es decir

, etctera.

Una forma no recursiva similar a la anterior se obtiene sacando la Esperanza matemtica a la primera solucin:

D I S E O D E U N F I L T R O K A L M A N

MODELADO DE UN FILTRO Y PREDICTOR KALMAN PROPAGACIN EN EL SISTEMA DE MEDIAS Y COVARIANZAS: que es igual a:

Para la segunda ecuacin se tiene:

zk = H kx k + v k

E[zk] = HkE[xk] + E[vk] E[zk] = HkE[xk] o

es decir:

, etctera.

Para el caso de las covarianzas, usaremos la siguiente notacin:

D I S E O D E U N F I L T R O K A L M A N

MODELADO DE UN FILTRO Y PREDICTOR KALMAN PROPAGACIN EN EL SISTEMA DE MEDIAS Y COVARIANZAS: Si k = l, entonces se tiene: cov(xk,xk) = Pk,k y lo denotaremos solamente como Pk.

A continuacin se presenta los resultados finales nicamente. (El lector interesado debe remitirse al libro base Optimal Filtering de Anderson y Moore para las demostraciones correspondientes).

Las expresiones anteriores proveen la manera recursiva de calcular las covarianzas. La forma no recursiva viene dada por la siguiente expresin:

Pk se obtiene en forma no recursiva haciendo l = k en la anterior ecuacin.

D I S E O D E U N F I L T R O K A L M A N

MODELADO DE UN FILTRO Y PREDICTOR KALMAN PROPAGACIN EN EL SISTEMA DE MEDIAS Y COVARIANZAS: En cuanto a la covarianza de la variable medida en la salida, tenemos la siguiente expresin:

Esta ecuacin es obviamente la covarianza del proceso.

La covarianza de la seal vectorial zk se obtiene indudablemente haciendo l = k en la expresin anterior, resultando:

Estas dos ltimas ecuaciones son de naturaleza recursiva.

D I S E O D E U N F I L T R O K A L M A N

MODELADO DE UN FILTRO Y PREDICTOR KALMAN CRITERIOS DE ESTIMACIN: Volviendo al esquema general de la primera figura y recordando el concepto de filtrado, se intenta a continuacin definir una tcnica para obtener x(*) a partir de los valores disponibles de z(*). Dicha tcnica se denomina Estimacin de x(*) a partir de z(*). En general debemos mencionar que la teora de la estimacin es una parte bsica del tratamiento estadstico y tiene aplicacin en muchos campos. Ms adelante, aplicaremos esta tcnica de la estimacin al sistema desarrollado en las partes segunda y tercera para obtener el Filtro Kalman.

Consideremos las variables aleatorias i y j, las cuales no son independientes, es decir que, si por ejemplo j adopta un determinado valor, ciertos valores de i sern ms probables que otros. Eso es exactamente lo que sucede en nuestro sistema, si z(*) adopta ciertos valores, algunos valores de x(*) tendrn mayor probabilidad de ser los buscados.

D I S E O D E U N F I L T R O K A L M A N

MODELADO DE UN FILTRO Y PREDICTOR KALMAN CRITERIOS DE ESTIMACIN: Si j adopta un valor en especial, entonces la funcin que describe las probabilidades que adoptan los valores de i es la funcin de densidad de probabilidad condicional definida por:

Definicin que es vlida obviamente slo si Pj(j) es distinta de cero.

La funcin de densidad de probabilidad condicional debe ser calculada, para lo cual se proponen los siguientes ejemplos:

D I S E O D E U N F I L T R O K A L M A N

MODELADO DE UN FILTRO Y PREDICTOR KALMAN EJEMPLO 1: Considere la siguiente relacin: y = x + n, donde x y n son procesos aleatorios gaussianos de medias y varianzas conocidas. Sea adems la media de ambas igual a cero. Supongamos que podemos, en este caso, medir el valor que toma y; nuestra intencin es hallar la densidad de probabilidad condicional de x dado que Y ha tomado el valor de y. Utilizando la expresin anterior:

Aplicando la Regla de Bayes: Utilizando el concepto de funcin de densidad marginal y de Bayes:

D I S E O D E U N F I L T R O K A L M A N

MODELADO DE UN FILTRO Y PREDICTOR KALMAN EJEMPLO 1: Considerando py/x(y/x), podemos decir que si x toma un valor, entonces la aleatoriedad de y depende solamente de la aleatoriedad de n. Por tanto: py/x(y/x) = pN(n) Reemplazando en la anterior ecuacin:

pero x y N son gaussianos, es decir:

D I S E O D E U N F I L T R O K A L M A N

MODELADO DE UN FILTRO Y PREDICTOR KALMAN EJEMPLO 1: Reemplazando ambas ecuaciones en las anteriores, pero previamente en lugar de n escribiremos y-x (esto por el hecho de que py/x(y/x) debe ser funcin slo de x e y).

Reemplazando:

D I S E O D E U N F I L T R O K A L M A N

MODELADO DE UN FILTRO Y PREDICTOR KALMAN EJEMPLO 1: Resolviendo la integral y luego de la manipulacin algebraica debida se llega a:

Analizando el resultado obtenido, vemos que px/y(x/y) tambin es gaussiano, siendo la media:

y la varianza:

D I S E O D E U N F I L T R O K A L M A N

MODELADO DE UN FILTRO Y PREDICTOR KALMAN EJEMPLO 1: Resumiendo, si Y toma el valor de y, entonces x se distribuye en forma gaussiana con media y varianza expresadas por las dos ltimas ecuaciones. Para introducir el concepto de valor estimado, formulmonos la siguiente pregunta. Si por medicin directa sabemos que Y=y, entonces cul ser o cmo elegimos un x que se acerque lo ms posible al verdadero valor que tiene x?

La anterior pregunta planteada formalmente viene a ser: cmo elegir el valor de xe (x estimado)? El valor que tiene ms probabilidad de ser el verdadero x es cuando x = x/y. Es decir:

D I S E O D E U N F I L T R O K A L M A N

MODELADO DE UN FILTRO Y PREDICTOR KALMAN EJEMPLO 1: Ahora bien, mientras menor sea el ancho del lbulo de la curva de Gauss obtenida, ms confiable ser la estimacin. Por esa razn la expresin de la varianza da un parmetro con el cual analizar la calidad de estimacin. A mayor varianza el ancho es mayor y la estimacin se hace ms pobre. Vale la pena mencionar que implcitamente se ha usado el concepto denominado Ley de Mxima Verosimilitud que seala: se verificar aquel evento que tenga la ms alta probabilidad para un experimento cualquiera. El estimador usado toma la media de la densidad de probabilidad condicional, por ello se denomina Estimador de Media Condicional y se puede demostrar que corresponde tambin al estimador de varianza mnima condicional.

D I S E O D E U N F I L T R O K A L M A N

MODELADO DE UN FILTRO Y PREDICTOR KALMAN EJEMPLO 2: Consideremos un par de vectores X e Y, los cuales son gaussianos en forma conjunta. Formemos un nuevo vector Z definido de la siguiente manera:

La media y covarianza vienen dadas por:

Es posible demostrar que X condicionado a Y = y es tambin gaussiano, estando la media y covarianza definidas de la siguiente manera:

D I S E O D E U N F I L T R O K A L M A N

MODELADO DE UN FILTRO Y PREDICTOR KALMAN EJEMPLO 2:

Nuevamente, si queremos estimar el valor de x sabiendo por medicin directaque Y ha tomado el valor de y, haremos:

D I S E O D E U N F I L T R O K A L M A N

MODELADO DE UN FILTRO Y PREDICTOR KALMAN DERIVACIN DE LAS ECUACIONES DEL FILTRO KALMAN: A partir de todo lo visto en las secciones anteriores, procederemos a continuacin a desarrollar las ecuaciones recursivas que caracterizan al Filtro Kalman. En lo que sigue, se trabajar con los vectores x (estado del sistema) y z (valores de medicin). Debe recordarse la figura 1 y el esquema general del sistema.

D I S E O D E U N F I L T R O K A L M A N

MODELADO DE UN FILTRO Y PREDICTOR KALMAN DERIVACIN DE LAS ECUACIONES DEL FILTRO KALMAN: Adems, es posible demostrar:

D I S E O D E U N F I L T R O K A L M A N

MODELADO DE UN FILTRO Y PREDICTOR KALMAN DERIVACIN DE LAS ECUACIONES DEL FILTRO KALMAN: Apliquemos, ahora, el resultado obtenido en el ejemplo 2. Segn el mismo, podemos obtener la estimacin de x0:

Esta ltima expresin obtiene un valor de filtrado de x0, teniendo como dato z0; por ello usamos la siguiente notacin:

Quedando la ecuacin anterior como sigue:

D I S E O D E U N F I L T R O K A L M A N

MODELADO DE UN FILTRO Y PREDICTOR KALMAN DERIVACIN DE LAS ECUACIONES DEL FILTRO KALMAN: La covarianza asociada a la estimacin se obtiene de:

Y tambin podemos estimar los parmetros de salida. Para esto utilizamos las ecuaciones siguientes:

D I S E O D E U N F I L T R O K A L M A N

MODELADO DE UN FILTRO Y PREDICTOR KALMAN DERIVACIN DE LAS ECUACIONES DEL FILTRO KALMAN:

En forma absolutamente similar a lo efectuado para x0, podemos ahora, a partir de las dos ecuaciones anteriores estimar el valor de x1 para filtrar:

D I S E O D E U N F I L T R O K A L M A N

MODELADO DE UN FILTRO Y PREDICTOR KALMAN

DERIVACIN DE LAS ECUACIONES DEL FILTRO KALMAN:

Siendo su covarianza asociada:

Predecimos, ahora, el siguiente punto:

Generalizando el proceso, se tienen las ecuaciones de la siguiente diapositiva:

D I S E O D E U N F I L T R O K A L M A N

MODELADO DE UN FILTRO Y PREDICTOR KALMAN

DERIVACIN DE LAS ECUACIONES DEL FILTRO KALMAN:

Ecuaciones que por recurrencia van generando los valores que, en trminos comunes, corresponden a los valores filtrados. Adems la ecuacin de define una prediccin de un paso del comportamiento de la variable (vector) x. Tales ecuaciones se conocen como FILTRO KALMAN.

D I S E O D E U N F I L T R O K A L M A N

MODELADO DE UN FILTRO Y PREDICTOR KALMAN

DERIVACIN DE LAS ECUACIONES DEL FILTRO KALMAN:

Como ya se vio, las ecuaciones de dicho filtro se inicializan con los parmetros de las condiciones iniciales:

Reemplazando en las ecuaciones anteriores del filtro Kalman, obtendremos la Ganancia del mismo de la forma:

D I S E O D E U N F I L T R O K A L M A N

MODELADO DE UN FILTRO Y PREDICTOR KALMAN

DERIVACIN DE LAS ECUACIONES DEL FILTRO KALMAN:

Ecuaciones que se suelen adoptar como Filtro y Predictor Kalman y cuyo diagrama de bloques viene a ser:

D I S E O D E U N F I L T R O K A L M A N