Adquiriendo señal…
Adquiriendo señal…
Lección 5 de 9· Control y estimación
0 de 9 lecciones · 0 %
Con dos estados y una medida de posición, y la ganancia de la lección 4 se escribe componente a componente:
La primera componente, , es la fracción de la innovación que va a la posición: un número entre 0 y 1 que compara la duda del modelo con la del sensor. En el primer paso del curso, : con un sensor casi perfecto (), ; con el del curso (), 0.556; con uno ruidoso (), 0.048.
La segunda, , solo existe porque la predicción correlaciona posición y velocidad. ¿Quién crea esa covarianza? La predicción: con ,
y el término aparece aunque al principio posición y velocidad fueran independientes: una sonda que va más rápido llega más lejos. En el paso 1, . En el video 5.1 la innovación de 1.66 km se reparte en 0.92 km para la posición y 0.18 km/s para la velocidad. Un filtro que ignorara no tocaría la velocidad con una medida de posición: su error de velocidad sube de 0.27 a 0.71 km/s en el ejemplo del video.
La velocidad no se mide y aun así se estima. ¿Vale lo mismo al revés? Si el sensor mide solo la velocidad (un Doppler), la posición nunca se recupera: medir la velocidad solo da cambios de posición, y de los cambios no sale el punto de partida. En el video 5.2, tras treinta pasos, la de posición es 0.97 km si se mide la posición y 10.50 km —y creciendo— si se mide la velocidad.
Deducción de la prueba. Sin ruido, las dos primeras medidas son y . Apilándolas,
El estado inicial se puede despejar si y solo si tiene rango 2: si el rango fuera menor, habría un con , invisible para todas las medidas. Más medidas no ayudan, porque por Cayley-Hamilton es combinación de y . Para estados, .
Ejemplo resuelto. Con :
El video 5.2 lo ilustra también con dos sesgos de reloj casi constantes (): dos sensores que miden la suma de los sesgos dan una sola dirección de información (un autovalor de baja a 0.07 y el otro se queda en 4.20); medir la suma y la diferencia cierra la elipse (0.10 y 0.10). Importa que los sensores miren direcciones distintas.
Fíjate en las cinco ecuaciones: , y no dependen de las medidas, solo de , , y . La covarianza del filtro se puede calcular antes del vuelo. Encadenando predicción y corrección aparece la ecuación de Riccati discreta para :
Si el par es observable y excita todos los estados, la iteración converge a un punto fijo , el mismo desde cualquier , y con él la ganancia .
Ejemplo resuelto con el modelo del curso. Iterando:
| Paso | posición (km) | ||
|---|---|---|---|
| 1 | 1.49 | 0.556 | 0.111 |
| 5 | 1.36 | 0.460 | 0.118 |
| 10 | 1.13 | 0.321 | 0.050 |
| 20 | 0.97 | 0.237 | 0.031 |
| 60 | 0.97 | 0.233 | 0.031 |
El punto fijo es km² y . Depende de : 0.65 km² con , 1.22 con 0.005, 2.42 con 0.05 y 5.27 con 0.5. Sin ruido de proceso () no hay punto fijo útil: la ganancia sigue bajando hacia cero como el promedio de la lección 1. Es quien mantiene despierto al filtro.
Si acaba quieta, ¿para qué recalcularla? Un filtro que usa desde el principio —el clásico filtro -, con y — cuesta unas 8 operaciones por paso frente a 36 del filtro completo. Al principio es peor (en el video, error de 2.70 km frente a 1.29 en los diez primeros pasos), porque no sabe que al arrancar debía fiarse más de las medidas; a partir del paso 37 las dos estimaciones coinciden. Es la misma idea que el LQR estacionario del curso Control óptimo LQR: Riccati aparece en control y en estimación porque los dos problemas son duales.
Ganancia y Riccati itera solo la covarianza: no hay medidas en pantalla. Ves el diente de sierra de , las dos componentes de convergiendo a y, arrastrando el cursor, la elipse de error de cualquier paso frente a la de régimen. La cabecera calcula en vivo la matriz de observabilidad: con «Solo velocidad» el rango cae a 1, no hay punto fijo y la de posición llega a 10.5 km en el paso 30 y a 15.2 km en el 60.
Un sensor mide solo la velocidad de la sonda con . ¿Qué dice la prueba de observabilidad?
y fijan la ganancia de régimen, y hasta ahora los hemos supuesto conocidos. En la lección 6 los sintonizamos: qué pasa si el filtro confía demasiado en su modelo o en su sensor, y cómo la innovación permite comprobarlo sin conocer la verdad.
Cierre de la lección
Sigue el recorrido de la lección paso a paso.
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».