Filtro de Kalman - Tiempo Continuo

Control Avanzado
Marcos A. Gonzalez

Filtro de Kalman
Dado un sistema perturbado
x = Ax + Bu + E , y = Cx + Du +

donde = ... es una perturbaci

on y

q
1
..
= . es el ruido de medici
on
q

Filtro de Kalman
Dado un sistema perturbado
x = Ax + Bu + E , y = Cx + Du +

donde = ... es una perturbaci

on y

q
1
..
= . es el ruido de medici
on
q
La forma matricial del sistema es


A B E
:
, E <nq
C D I

(1)

Filtro de Kalman
Dado un sistema perturbado
x = Ax + Bu + E , y = Cx + Du +

donde = ... es una perturbaci

on y

q
1
..
= . es el ruido de medici
on
q
La forma matricial del sistema es


A B E
:
, E <nq
C D I

Notese que ahora el error de observaci

on (si D = 0), dado
x = (A LC )
x + Bu + Ly
resulta en:

(1)

Filtro de Kalman

Dado el sistema perturbado

x = Ax + Bu + E , y = Cx +
el Filtro de Kalman es un observador lineal
x = (A LC )
x + Bu + Ly
que busca optimizar el dise
no de la matriz de ganancias del
observador L de modo que rechace en forma
optima tanto a las
perturbaciones como al ruido

Ejemplo
Considere el sistema mostrado:

k1 +k2

m1

0
:

mk22
1

2
b1m+b
1
0

k2
m1

b2
m2

0
mk22
0

1
b2
m
2
0

b2
m2

0
0
0
1
m2

0
1
0
1
1

Conceptos de probabilidad
Senales aleatorias gaussianas
Una se
nal aleatoria gaussiana i (t) es caracterizada por una
funcion de densidad de probabilidad normal

fd (i ) =

1
e
2i

(i )2
i
2 2
i

donde i es el valor esperado o media, y 2i la varianza.

(2)

Conceptos de probabilidad

Operador Esperanza matematica

El operador Esperanza matematica se define
Z
E{i } =
i fd (i )di

la cual tiene las propiedades:

1. Operador lineal
2. E{1} = 1
3. E{i } = i
4. E{(i i )} = 2i

(3)

Conceptos de probabilidad
Covarianza
Sean dos variables aleatorias i y j , con media y varianza i , j ,
i y j . La covarianza i,j entre ellas se define como
2
i,j
= E {(i i )(j j )}

(4)

= E{i j i j j i + i j }

(5)

= E{i j } i E{j } j E{i } + i j }E{1}

(6)

= E{i j } i j

(7)

Notese que
2
i,j

Si dos se
nales son independientes, entonces
E{i j } = E{i }E{j } = i j
2 = 0 si y son independientes
Por lo tanto i,j
i
j
2
i,j 6= 0 si i y j son dependientes

Conceptos de probabilidad
Covarianza
I

La covarianza de una se
nal consigo misma es igual a su
varianza:
2
i,i

= i2

(8)

La covarianza entre dos se

nales indica su dependencia lineal.
Por ejemplo, sean 1 , 2 y 3 tres se
nales aleatorias, donde 1
y 2 son independientes con varianza 12 y 22 , y sea
3 = a1 1 + a2 2
Entonces 32 = a12 12 + a22 22

Comandos en Matlab
I

var: Calculo de la varianza

cov: Calculo de covarianza (entre varias se

nales)

Conceptos de probabilidad: Matriz de covarianza

La matriz de covarianza para un vector (t) =

matriz que contiene las covarianzas entre

i, j = 1, . . . , q
2
2
1,1 1,2

2
2
2,1 2,2

..

W = .
2
..
i,j

2
q,1
q,2

1
2
..
.

es aquella

q
las se
nales i , j ,

2
1,q
2

2,q

..
.

2
q,q

(9)

Notese que W = W T <qq y que al menos W 0. En el caso

de , V = cov {} > 0.

Ejemplo

En Matlab, definir las se

nales aleatorias 1 , 2 , 3 con al menos
100,000 muestras, donde
I

Las varianzas de 1 y 2 son 12 = 2, 22 = 3

1 y 2 son independientes

3 depende linealmente de 1 y x2
3 = 41 + 52

(10)

Filtro de Kalman
Dado el sistema perturbado
x = Ax + Bu + E , y = Cx +
el Filtro de Kalman es un observador lineal
x = (A LC )
x + Bu + Ly
que busca optimizar el dise
no de la matriz de ganancias del
observador L de modo que rechace en forma
optima tanto a las
perturbaciones como al ruido , con
2
1,1

..
..
= cov {} = .
.
2
1,q

2
1,1
..
..
= cov {} = .
.
2
1,q

2
1,q
..
.
2
q,q

2
1,q
..
.
2
q,q

(11)

(12)

Filtro de Kalman: Diseno

El filtro de Kalman toma la informaci

on de las covarianzas de y
de las matrices W y V , y minimiza el error de observacion en y ,
mediante la solucion de la Ecuaci
on de Ricatti para Filtros:
AP + PAT PC T V 1 CP + EWE T

= 0

(13)
T

L = PC V

(14)