Adquiriendo señal…
Adquiriendo señal…
Lección 7 de 9· Control y estimación
0 de 9 lecciones · 0 %
El filtro de Kalman responde a una pregunta de tiempo real: ¿dónde está la sonda ahora, con lo que he medido hasta ahora? Muchas veces la pregunta es otra. Terminado un sobrevuelo, el equipo de navegación quiere reconstruir la trayectoria para calibrar el modelo o determinar la órbita con precisión; ahí puede usar todas las medidas, también las que llegaron después de cada instante. Eso es suavizar.
Primero se corre el filtro hacia adelante guardando, en cada paso, , , y . Luego una pasada hacia atrás, desde el último paso (donde suavizado y filtrado coinciden), corrige cada estimación con lo que vino después:
Deducción. Con el par gaussiano condicionado a las medidas hasta , la covarianza cruzada es . Por la regla de condicionar de la lección 3, . Las medidas futuras solo informan sobre a través de (el modelo es de Markov), así que basta sustituir por su mejor estimación suavizada y propagar su incertidumbre con la misma : salen las dos ecuaciones.
Ejemplo resuelto. Con el modelo del curso y cuarenta pasos, las covarianzas tampoco dependen de las medidas:
| Paso | filtro (km) | suavizado (km) |
|---|---|---|
| 5 | 1.36 | 0.58 |
| 20 | 0.97 | 0.52 |
| 40 | 0.97 | 0.97 |
En medio del registro la incertidumbre casi se divide entre dos; en el último paso no hay futuro y no mejora nada. En la simulación del video, el error RMS de posición baja de 1.13 a 0.28 km (con otras semillas la mejora es menor). El precio es memoria: 12 números por paso, 480 para cuarenta pasos. Además del intervalo fijo existen el suavizado de retardo fijo (estimar el pasado reciente con unas pocas medidas de espera; con 5 pasos, el error de velocidad baja de 0.27 a 0.15 en el video) y el de punto fijo.
Una estación en el origen no mide la posición de la sonda: mide su distancia y su ángulo,
No hay matriz tal que . El filtro de Kalman extendido (EKF) usa la recta tangente en la estimación: predice con y usa como el jacobiano evaluado en ; el resto de las ecuaciones no cambia.
Deducción del jacobiano. Con , y . Para el ángulo, da y . En la sonda km, a 50 km y 53.13°:
Las diferencias finitas coinciden con un error de . La linealización solo vale cerca: en el ejemplo 1D del video, la tangente a una raíz se equivoca una centésima a distancia 1 del punto y un cuarto a distancia 5. Cuando el arranque está lejos y el filtro se cree preciso (arranque B del video 7.2: 30 km de error con una pequeña), la primera corrección usa una tangente equivocada y el NIS se dispara a 9.20. Con una inicial honesta de 30 km (arranque C) converge. El EKF no lo arregla todo.
Con rango km y ángulo rad, la nube de posiciones cartesianas se curva en forma de banana. Linealizar pone la media en , pero la media verdadera está más cerca de la estación. Deducción: para , (es la parte real de la función característica, ). Con independiente,
La transformada sin perfume (UKF) evita las derivadas: elige puntos —la media y en cada eje—, los pasa por y rehace media y covarianza con pesos y para . Captura el término de segundo orden que la linealización tira: frente a Monte Carlo, el EKF falla la media en 0.56 km; los puntos sigma, en 0.01.
Si la distribución ni siquiera es aproximadamente gaussiana, el filtro de partículas representa la creencia con cientos de hipótesis: las mueve con el modelo, las pesa por la verosimilitud de la medida y remuestrea. En el video, de 500 partículas el número efectivo cae a 171 tras pesar. Coste, en evaluaciones de por paso: Kalman lineal 1, EKF 1 más el jacobiano, UKF 5, partículas 500.
Suavizado y no lineal tiene dos modos. En «Suavizar» ves el error del filtro y del suavizado con sus bandas a lo largo de cuarenta pasos y, arrastrando el cursor, las dos gaussianas del instante elegido. En «No lineal» arrastras la sonda y cambias y : la nube de 1500 muestras, la elipse roja del EKF, la verde de los cinco puntos sigma y la exacta. Con rad las tres coinciden; con 0.35 la roja se despega de la nube.
¿Por qué en el último paso de un registro el suavizado RTS coincide exactamente con el filtro?
Hasta ahora había un solo sensor. En la lección 8 llegan varios a la vez, a ritmos distintos, a veces tarde y a veces nunca: la fusión de sensores, del giroscopio y el acelerómetro al filtro complementario y su versión óptima.
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».