Tutorial del filtro de Kalman

Descripción general

• Acerca de este tutorial

  • El algoritmo del filtro de Kalman es una herramienta poderosa para estimar y predecir el estado de un sistema en medio de la incertidumbre, y se utiliza como componente fundamental en diversos campos como el seguimiento de objetivos, la navegación y el control.
  • El filtro de Kalman es un concepto sencillo, pero muchos materiales requieren conocimientos matemáticos previos y carecen de ejemplos prácticos, por lo que puede sentirse complejo.
  • En 2017 se creó un tutorial en línea basado en ejemplos numéricos y explicaciones intuitivas para facilitar la comprensión del tema.
  • El tutorial cubre el filtro de Kalman univariado (1 dimensión) y multivariado (multidimensional), y se amplió para incluir temas avanzados como el filtro de Kalman no lineal, la fusión de sensores y lineamientos prácticos de implementación.
  • Con base en este tutorial se escribió un libro, y el libro trata conceptos teóricos y aplicaciones prácticas desde lo básico hasta temas avanzados.

• Acerca del filtro de Kalman

  • Muchos sistemas modernos usan varios sensores para estimar estados ocultos.
  • El filtro de Kalman es un algoritmo que estima el estado oculto de un sistema y predice estados futuros incluso en presencia de incertidumbre.
  • En un artículo publicado por Rudolf E. Kálmán en 1960 se describió una solución recursiva al problema del filtrado lineal de datos discretos.

Introducción al filtro de Kalman

• La necesidad de la predicción
  • Para entender la necesidad de los algoritmos de seguimiento y predicción, puede tomarse como ejemplo un radar de seguimiento.
  • El radar estima la posición y la velocidad actuales del objetivo, y predice la posición del objetivo en el momento del siguiente haz de seguimiento.
  • La predicción puede calcularse usando las ecuaciones de movimiento de Newton.
  • Las mediciones reales del radar no son exactas y contienen errores aleatorios o incertidumbre.
  • Debido al ruido de medición y al ruido del proceso, la posición estimada del objetivo puede diferir considerablemente de la posición real.
  • El filtro de Kalman es un algoritmo que mejora la precisión del seguimiento al tener en cuenta estas incertidumbres.

[GN⁺]

Comentarios de Hacker News

• Para entender el filtro de Kalman, primero hay que estudiar Least Squares (regresión lineal), luego Recursive Least Squares y el Information Filter. Esto permite ver que el filtro de Kalman es una reformulación de Recursive Least Squares que prioriza la eficiencia en la etapa de actualización

• Como materiales relacionados con el filtro de Kalman, están este PDF y el repositorio de GitHub

• Actualmente no existen herramientas de cálculo simbólico para distribuciones de probabilidad; esto incluye tareas como multiplicar una PDF gaussiana multivariable y obtener la matriz de covarianza

• Si Q y R son constantes, el filtro de Kalman se vuelve equivalente a un filtro exponencial con etapa de predicción. Esto es fácil de entender y coincide con la forma de optimizarlo ajustando manualmente Q y R

• Para ayudar a entender el filtro de Kalman, se recomiendan las clases de Michael van Biezem

• Existe la idea de usar el filtro de Kalman para reforzar el valor observacional de incidentes en los que solo hay testimonios de testigos. Esto trata las mentiras y las imprecisiones como "error"

• El término "seguimiento" se usa comúnmente, pero a menudo se refiere a un tipo específico de seguimiento, lo que puede generar confusión

• El filtro de Kalman lleva el nombre de Rudolf E. Kálmán, quien en 1960 publicó un artículo que describía una solución recursiva al problema de filtrado lineal de datos discretos