La gaussiana multidimensional: elipses, propagación y fusión · Estimación y filtro de Kalman: seguir un objeto con medidas ruidosas · CO.DE Academy
Lección 3 de 9· Control y estimación
La gaussiana multidimensional: elipses, propagación y fusión
0 de 9 lecciones · 0 %
01 / 03
En los videos
3.1 La gaussiana multidimensional: 400 estados posibles de la sonda, la matriz de covarianza, la elipse de una sigma (39.3 %, no 68 %) y cómo la correlación inclina la elipse.
3.2 Propagar la covarianza: P→ΦPΦ⊤ como una cizalla que conserva el área, el ruido de proceso que la engorda y la incertidumbre que crece como t3/2.
3.3 Fusionar dos gaussianas: una predicción y una medida como dos elipses, sumar informaciones, la elipse fusionada más pequeña que ambas y el caso de medir solo una variable.
Dos variables inciertas a la vez
La sonda tiene posición y velocidad, y ninguna se conoce con exactitud. Si las trataras por separado —una campana para cada una— perderías lo más importante: que van juntas. Una sonda que parece estar más adelante de lo esperado probablemente va también más rápido. Esa relación es la que permite, en la lección 5, que medir la posición corrija la velocidad.
La gaussiana de dimensión n con media μ y covarianza P es
p(x)=(2π)n/2detP1exp(−21(x−μ)⊤P−1(x−μ)).
En dos dimensiones,
P=[σp2ρσpσvρσpσvσv2].
La diagonal guarda las varianzas; fuera de ella, la covarianza, que dice si las dos variables suben juntas. El ejemplo del video 3.1: posición 10±2 m, velocidad 3±1 m/s y covarianza 1.2, es decir ρ=0.6. En la nube de 400 muestras, 275 puntos caen en cuadrantes de producto positivo.
La elipse de incertidumbre
Las curvas de nivel de la gaussiana son los puntos con la misma distancia de Mahalanobisd2=(x−μ)⊤P−1(x−μ). Para verlas, diagonalizamos: como P es simétrica, P=VΛV⊤ con V ortogonal. En las coordenadas u=V⊤(x−μ),
d2=λ1u12+λ2u22,
que es una elipse con ejes en las direcciones de los autovectores y semiejes kλi para d=k. Con P=[41.21.21]: traza 5, determinante 4−1.44=2.56, autovalores 2.5±6.25−2.56=4.42 y 0.58, semiejes 2.10 y 0.76, eje mayor inclinado 19.3°.
Deducción del 39.3 %. En las coordenadas u normalizadas, si=ui/λi son dos normales estándar independientes y d2=s12+s22. En polares, s1=rcosϕ, s2=rsinϕ:
Pr(d≤k)=∫02π∫0k2π1e−r2/2rdrdϕ=1−e−k2/2.
Para k=1 da 39.3 %; para k=2, 86.5 %. El 68 % que conoces vale por eje; la elipse de una sigma de una gaussiana 2D contiene bastante menos.
Condicionar: saber una variable afina la otra
Si de pronto conoces la velocidad, la posición deja de ser 10±2. La media condicionada es μp+P22P12(v−μv) y la varianza, σp2(1−ρ2). Con v=4 m/s: media 10+1.2⋅1=11.2 m y σ=21−0.36=1.60 m. Con ρ=0 no cambiaría nada.
Propagar la covarianza
Deducción. Si y=Φx, su media es Φμ y su covarianza
Cov(y)=E[Φ(x−μ)(x−μ)⊤Φ⊤]=ΦPΦ⊤.
Si además se suma un ruido independiente w de covarianza Q, los términos cruzados se anulan y queda P−=ΦPΦ⊤+Q.
Ejemplo resuelto: la cizalla
Con Φ=[1011] y P=diag(1,0.25), primero ΦP suma la segunda fila a la primera: [100.250.25]. Luego por Φ⊤ se suma la segunda columna a la primera:
ΦPΦ⊤=[1.250.250.250.25].
La σ de la posición sube de 1 a 1.12: hereda la incertidumbre de la velocidad. Como detΦ=1, el área de la elipse (proporcional a detP) no cambia: es una cizalla. Al sumar Q con q=0.05 el área crece un 10 %. Encadenando pasos desde un estado conocido, σ vale 0.13 m tras uno, 1.44 tras cinco y 4.08 tras diez: crece como k3/2, de modo que de 1 a 10 pasos se multiplica por 101.5=31.6.
Fusionar dos gaussianas
Dos estimaciones independientes del mismo estado: A (la predicción) y B (la medida). La densidad conjunta es proporcional a su producto, y el producto de dos gaussianas es otra gaussiana. Deducción: sumando los exponentes,
Completando el cuadrado se leen la covarianza y la media de la fusión:
PF=(PA−1+PB−1)−1,xF=PF(PA−1a+PB−1b).
La inversa de la covarianza es la información: fusionar es sumar informaciones.
Ejemplo resuelto: las dos elipses del video
A=(10,5) km con PA=diag(4,1), precisa en vertical; B=(12,6) con PB=diag(1,4), precisa en horizontal. En cada eje, 0.25+1=1.25, así que PF=0.8I. La media: x=0.8(0.25⋅10+1⋅12)=11.6 y y=0.8(1⋅5+0.25⋅6)=5.2; no es el punto medio (11,5.5). El área baja de π⋅2=6.28 a π⋅0.8=2.51, el 40 %. Incluso con una B 25 veces peor, la fusión no empeora: la información nunca resta.
Medir solo una variable
El sensor de posición no da una elipse sino una banda: H=[10]. Con la predicción μ=(10,3), P=[4222] y una medida z=12±1, la fusión es una corrección de Kalman: ganancia (4/5,2/5)=(0.8,0.4), nueva media (11.6,3.8), σp de 2 a 0.89 y —por la correlación— σv de 1.41 a 1.10, aunque la velocidad no se midió.
Playground · python
El laboratorio
Elipse de covarianza tiene tres modos. En «Nube» mueves σp, σv y ρ, comparas el recuento de muestras dentro de la elipse con 1−e−k2/2 y arrastras una velocidad conocida para ver la posición condicionada. En «Propagar» la elipse se cizalla y crece paso a paso. En «Fusionar» arrastras los centros de A y B y la elipse verde de la fusión aparece siempre más pequeña que ambas; con «Solo posición» reproduces el último ejemplo.
1 de 6
Fusionas A con PA=diag(4,1) y B con PB=diag(1,4). ¿Cuál es la covarianza fusionada?
Qué deja fuera este modelo
Gaussianidad. Todo lo anterior es exacto solo si las incertidumbres son gaussianas. Una nube en forma de banana —la de una medida de rango y ángulo, lección 7— no se describe bien con una elipse.
Independencia. La regla de sumar informaciones supone que A y B no comparten errores. Si dos estimaciones vienen de las mismas medidas, sumarlas cuenta la información dos veces y el filtro se vuelve demasiado seguro.
Linealidad.ΦPΦ⊤ es exacta para transformaciones lineales; para una no lineal es solo la primera aproximación.
Muestras finitas. Los porcentajes medidos en una nube fluctúan: con 400 puntos, la fracción dentro de la elipse tiene un error típico de unos 2.4 puntos porcentuales.
Lo que sigue
Propagar y fusionar son las dos mitades del filtro de Kalman. En la lección 4 las encadenamos: predecir con Φ y Q, corregir con la medida, y repetir en cada paso para seguir a la sonda.
Laboratorio interactivo
La elipse de covarianza: verla, propagarla y fusionarla
Cierre de la lección
Lo que sigue: video
Sigue el recorrido de la lección paso a paso.
Crea una cuenta gratis para continuar
Con una cuenta desbloqueas el cuestionario, el foro de dudas y el tutor con IA de esta lección, además del registro de progreso y el certificado verificable al terminar «Estimación y filtro de Kalman: seguir un objeto con medidas ruidosas».