Adquiriendo señal…
Adquiriendo señal…
Lección 6 de 9· Control y estimación
0 de 9 lecciones · 0 %
En el laboratorio todo era cómodo: y eran los que generaban la simulación. En vuelo no es así. suele venir de la hoja de datos del sensor o de calibración en tierra (en la lección 2 se estimó con 200 medidas de un objeto quieto). , en cambio, describe lo que el modelo no sabe —maniobras, empujes residuales, perturbaciones—, y no hay hoja de datos para eso. Sintonizar es decidir cuánto confía el filtro en su modelo frente a sus medidas.
Las dos perillas actúan sobre la ganancia de régimen de la lección 5. Subir sube y con ella : el filtro sigue más de cerca a las medidas. Bajarla hace lo contrario.
Barriendo de a 10, con treinta simulaciones por punto, el error RMS dibuja una U: el error por retardo baja al subir y el error por ruido sube. En el video el mínimo cae cerca de , con 1.14 km, cerca del valor verdadero 0.005 (que da 1.22 km). Pero dibujar esa curva exige conocer la verdad. Hace falta una prueba que funcione con lo único que el filtro tiene: sus innovaciones.
Si el modelo es correcto y , son los verdaderos, la secuencia de innovaciones tiene tres propiedades comprobables.
Deducción de la tercera. Con de covarianza e independiente del ruido de medida,
Para comprobar la blancura se usa la autocorrelación muestral ; para ruido blanco con datos, el 95 % de los valores cae en : con , .
La forma escalar de la tercera propiedad es la innovación normalizada al cuadrado:
con la dimensión de la medida (aquí, 1). Si es gaussiana con covarianza , es normal estándar y su norma al cuadrado es una con grados de libertad. El promedio de valores sigue , de media 1 y desviación para .
Con el modelo del curso, no depende de las medidas: vale 9.00 km² en el paso 1, 7.40 en el 5 y 5.22 en el 100 (). Para la media del NIS:
| Ventana | Banda exacta al 95 % | Aproximación normal |
|---|---|---|
| 10 | 0.32 – 2.05 | 0.12 – 1.88 |
| 20 | 0.48 – 1.71 | 0.38 – 1.62 |
| 200 | 0.81 – 1.21 | 0.80 – 1.20 |
Con ventanas cortas la es muy asimétrica y la aproximación normal falla; el video 6.2 usa la normal para la ventana de 20 pasos (0.38 – 1.62), y aquí preferimos la banda exacta. En el video, el filtro bien sintonizado da un NIS medio de 0.97 y su innovación es blanca; el que tiene da 6.26 y una autocorrelación en el retardo 1 de 0.65: sus innovaciones tienen memoria porque el filtro se queda sistemáticamente atrás.
Un filtro diverge cuando su error real se sale de lo que cree su covarianza y no vuelve. Tres casos del video 6.3:
En la realización del programa (generador de Python, semilla 46) el eco del paso 25 llega con NIS 135. Sin compuerta el error máximo sube a 7.10 km; con compuerta se rechaza esa única medida y el máximo se queda en 2.75 km. El NIS medio del filtro bien sintonizado sale 0.99 sobre 200 pasos, dentro de la banda; con sobre la misma sonda, 10.53.
Sintonía y NIS junta las tres escenas: el error de la estimación con la banda que el filtro cree tener, el NIS medio de diez pasos con su banda , y la curva en U, sobre la que tocas para elegir . Con verás salir el error de su banda y dispararse el NIS; con la compuerta y el eco de +30 km, el filtro ni se entera. Prueba también la combinación peligrosa: compuerta con muy bajo, que rechaza la maniobra real y pierde la sonda.
Un filtro con medida escalar tiene un NIS medio de 6 en 200 pasos. ¿Qué indica?
Hasta ahora el filtro estima en tiempo real con lo que ya pasó, y el sensor mide la posición directamente. En la lección 7 rompemos esas dos restricciones: el suavizador usa también las medidas del futuro, y el filtro extendido maneja una medida no lineal, como la distancia y el ángulo desde una estación.
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».