Sistemas de navegación integrados. El filtro de Kalman.
Transcripción
Sistemas de navegación integrados. El filtro de Kalman.
Sistemas de navegación integrados Filtrado óptimo de sistemas lineales: el filtro de Kalman. Navegación Aérea Tema 6: Sistemas de navegación integrados. El filtro de Kalman. Rafael Vázquez Valenzuela Departamento de Ingenierı́a Aeroespacial Escuela Superior de Ingenieros, Universidad de Sevilla [email protected] 26 de abril de 2010 Sistemas de navegación integrados Filtrado óptimo de sistemas lineales: el filtro de Kalman. Fusión de sensores. Ejemplo: el canal vertical. INS-GPS Fusión de sensores. Una aeronave actual dispone de una gran diversidad de sensores y sistemas de navegación, que pueden obtener total o parcialmente las variables de navegación PVAT. Por ejemplo hemos visto el INS, que a partir de las medidas de la IMU, el modelo de Tierra y gravedad, y una estimación inicial, nos da posición, velocidad y actitud en todo momento. También hemos visto el GPS, que igualmente es capaz de darnos todos éstos datos, o al menos (si no disponemos de múltiples antenas), la posición y la velocidad. Puede haber otros sistemas (DME-DME, etc...) Cada sistema dará una estimación diferente, sujeta a error. La idea de fusión de sensores y de los sistemas de navegación integrados, consiste en obtener una única estimación PVAT a partir de todas las anteriores, tal que el error sea el menor posible. 2 / 26 Sistemas de navegación integrados Filtrado óptimo de sistemas lineales: el filtro de Kalman. Fusión de sensores. Ejemplo: el canal vertical. INS-GPS Ejemplo: el canal vertical. Se vio en el tema 4 que el canal vertical del INS es inestable. Una forma de estabilizar el canal es usar la medida de altitud obtenida de medidas barométricas, hB . Se denomina “estimador baro-inercial de la altitud”. Recordemos que las ecuaciones del canal vertical venı́an dadas por: ĥ˙ = −V̂D , V̂˙ D = ρ̂z + µe (Re + ĥ)2 , donde ρ̂z es la componente z de −(ω̂ nn/e + 2ω̂ ne/i )× v̂ n + ânNG . 3 / 26 Sistemas de navegación integrados Filtrado óptimo de sistemas lineales: el filtro de Kalman. Fusión de sensores. Ejemplo: el canal vertical. INS-GPS Estimador baro-inercial de la altitud I Se modifica el canal vertical del INS de la siguiente forma, usando hB : ĥ˙ = −V̂D − C1 (ĥ − hB ), Z t µe ˙ V̂D = ρ̂z + + C2 (ĥ − hB ) + C3 (ĥ(τ ) − hB (τ ))dτ, 2 (Re + ĥ) 0 donde C1 , C2 y C3 son ganancias a determinar. Calculando como en el tema 4 el error de altitud y despreciando el error en el término ρz , obtenemos: δ ḣ = −δVD + C1 (ĥ − hB ), Z t 2g0 δ V̇D ≈ − δh − C2 (ĥ − hB ) − C3 (ĥ(τ ) − hB (τ ))dτ, Re 0 y obsérvese que ĥ − hB = ĥ − h + h − hB = −(δh − δhB ), donde δhB es el error de estimación barométrico, que suponemos aproximadamente constante. 4 / 26 Sistemas de navegación integrados Filtrado óptimo de sistemas lineales: el filtro de Kalman. Fusión de sensores. Ejemplo: el canal vertical. INS-GPS Estimador baro-inercial de la altitud II Por tanto: δ ḣ = −δVD − C1 (δh − δhB ), Z t 2g0 δ V̇D ≈ − δh + C2 (δh − δhB ) + C3 (δh − δhB )dτ, Re 0 y tomando derivada en la primera ecuación y sustituyendo la segunda, obtenemos: Z t 2g0 δ ḧ = δh − C2 (δh − δhB ) − C3 (δh − δhB )dτ − C1 δ ḣ. Re 0 Tomando otra derivada y reescribiendo la ecuación: ... 2g0 δ h + C1 δ ḧ + (C2 − )δ ḣ + C3 δh = C3 δhB . Re Los autovalores de esta ecuación vienen dados por las raı́ces 0 del polinomio s 3 + C1 s 2 + (C2 − 2g Re )s + C3 . 5 / 26 Sistemas de navegación integrados Filtrado óptimo de sistemas lineales: el filtro de Kalman. Fusión de sensores. Ejemplo: el canal vertical. INS-GPS Estimador baro-inercial de la altitud III Tı́picamente se eligen lo valores de C1 , C2 y C3 para que los autovalores tengan parte real negativa (es decir, la ecuación de δh sea estable). Una elección clásica es fijar un autovalor al valor −λ y los otros dos a los valores −λ + jλ y −λ − jλ. El polinomio caracterı́stico serı́a entonces: (s + λ)(s + λ − jλ)(s + λ + jλ) = (s + λ)(s 2 + 2λs + 2λ2 ) = s 3 + 3λs 2 + 4λ2 s + 2λ3 Sustituyendo en el polinomio en función de los coeficientes 3. estos valores, se llega a: C1 = 3λ, C2 = 4λ2 + 2g , C = 2λ 3 Re Un valor tı́pico elegido de λ es λ = 0,01. 6 / 26 Sistemas de navegación integrados Filtrado óptimo de sistemas lineales: el filtro de Kalman. Fusión de sensores. Ejemplo: el canal vertical. INS-GPS El caso INS-GPS El sistema de navegación INS y el GPS son particularmente complementarios. El INS: Da una estimación continua en el tiempo. Su error crece con el tiempo. Posee un elevado ancho de banda (KHz). El GPS: Proporciona una medida de alta precisión pero discreta en el tiempo. El error está acotado. Posee un bajo ancho de banda (Hz). Una primera solución serı́a resetear el INS cada vez que se obtenga una medida GPS. Pero la medida GPS tampoco es exacta. Por tanto hay que intentar, de algún modo, combinar el INS y el GPS para minimizar el error final. 7 / 26 Sistemas de navegación integrados Filtrado óptimo de sistemas lineales: el filtro de Kalman. Fusión de sensores. Ejemplo: el canal vertical. INS-GPS Tight Integration y Loose Integration Existen dos formas de llevar a cabo la integración: Loose Integration: Éste tipo de integración permite tomar dos sistemas separados, un INS y un GPS, y a partir de las salidas de ambos, obtener una estimación común. Es la forma más simple de integrar GPS e INS. No requiere modificar las estimaciones internas de ambos sistemas. Tight Integration: Éste tipo de integración emplea las señales de entrada al INS y GPS, es decir, las medidas de giróscopos y acelerómetros y los observables GPS, y los integra directamente. Es más complejo de desarrollar. No se emplean los algoritmos que hemos visto de GPS e INS, sino un único algoritmo que integra los dos sistemas a la vez. Se obtienen estimaciones más precisas que en la tipo loose. En ambos casos, la herramienta clave para desarrollar la integración es el Filtro de Kalman y sus extensiones (Filtro Extendido de Kalman). 8 / 26 Sistemas de navegación integrados Filtrado óptimo de sistemas lineales: el filtro de Kalman. Deducción del filtro de Kalman. Ecuaciones. Ejemplo de un filtro de Kalman El filtro de Kalman El filtro de Kalman (KF) fue desarrollado por Rudolph E. Kalman, un ingeniero húngaro nacionalizado estadounidense. Presentó su filtro a la NASA en 1960; la NASA buscaba un algoritmo de fusión de sensores para el programa espacial Apollo. Finalmente una versión del KF fue utilizada en las misiones Apollo para integrar las diferentes medidas de los sensores del vehı́culo espacial. A dı́a de hoy, el KF se emplea no sólo en navegación sino en multitud de sistemas en los que se desea reconstruir una señal que evoluciona en el tiempo, a partir de medidas con ruido, por ejemplo en teléfonos móviles. Realmente el KF sólo sirve para sistemas lineales. Puesto que muchos sistemas reales son no lineales, se han desarrollado extensiones no lineales, conocidas como Filtro Extendido de Kalman (EKF); en Navegación se emplean éste tipo de filtros. Nos limitaremos a entender el KF lineal y sus fundamentos. 9 / 26 Sistemas de navegación integrados Filtrado óptimo de sistemas lineales: el filtro de Kalman. Deducción del filtro de Kalman. Ecuaciones. Ejemplo de un filtro de Kalman Procesos dinámicos discretos con medidas PROCESO: Consideremos el siguiente modelo discreto de un proceso: x(tk+1 ) = Ak x(tk ) + Bk (tk ), donde x es un proceso gaussiano con dimensión nx , Ak es una matriz (que puede cambiar en cada instante de tiempo tk ) de dimensión nx × nx , (tk ) es ruido blanco gaussiano de dimensión n y varianza Qk (el ruido del proceso), y Bk es una matriz (que puede cambiar en cada instante de tiempo tk ) de dimensión nx × n . MEDIDA: En cada instante también consideramos que se realiza una medida, representada por z, y definida de la siguiente forma: z(tk+1 ) = Hk+1 x(tk+1 ) + ν(tk+1 ), donde z es la medida, de dimensión nz , Hk es una matriz (que puede cambiar en cada instante de tiempo tk ) de dimensión nz × nx , y ν(tk ) es ruido blanco gaussiano de dimensión nν y varianza Rk (el ruido de medida). Además suponemos que ν(tk ) y (tk ) son independientes, y que sabemos que la condición inicial de x es x(t0 ) ∼ Nnx (x̂0 , P0 ). 10 / 26 Sistemas de navegación integrados Filtrado óptimo de sistemas lineales: el filtro de Kalman. Deducción del filtro de Kalman. Ecuaciones. Ejemplo de un filtro de Kalman Ecuaciones del proceso y la medida Resumiendo las ecuaciones: x(tk+1 ) = Ak x(tk ) + Bk (tk ), z(tk+1 ) = Hk+1 x(tk+1 ) + ν(tk+1 ), E [(tk )] = E [ν(tk )] = 0, E [(tk )T (tj )] = δkj Qk , E [ν(tk )ν T (tj )] = δkj Rk , E [(tk )ν T (tj )] = 0, x(t0 ) ∼ Nnx (x̂0 , P0 ). Definimos la estimación en tk de x(tk ) como x̂(tk ). Definimos la covarianza del error de estimación como P(tk ) = E [(x(tk ) − x̂(tk ))(x(tk ) − x̂(tk ))T ]. El objetivo del filtro de Kalman es, empleando el conocimiento de las ecuaciones arriba formuladas, y a partir de las medidas z(tk ), obtener la mejor estimación posible, es decir, el valor de x̂(tk ) que minimiza P(tk ). 11 / 26 Sistemas de navegación integrados Filtrado óptimo de sistemas lineales: el filtro de Kalman. Deducción del filtro de Kalman. Ecuaciones. Ejemplo de un filtro de Kalman El filtro de Kalman I Si sólo tuviéramos el proceso, podemos calcular su media y tomamos x̂ como dicha media; por tanto, x(tk ) ∼ Nnx (x̂(tk ), Pk ), donde: x̂(tk+1 ) = Ak x̂(tk ), T Pk+1 = Ak Pk AT + B Q B k k k . k La idea de Kalman es decir: la estimación arriba escrita es válida antes de tomar la medida z(tk+1 ). Denotamos dicha estimación “a priori” como x̂ − (tk+1 ) y su covarianza como − Pk+1 . Ahora, si la estimación fuera perfecta y la medida no tuviera error, se tendrı́a que z(tk+1 ) = Hk+1 x̂ − (tk+1 ). Como no es ası́, se actualiza la estimación (“a posteriori”) de forma proporcional a la discrepancia: x̂ + (tk+1 ) = x̂ − (tk+1 ) + Kk+1 (z(tk+1 ) − Hk+1 x̂ − (tk+1 )). 12 / 26 Sistemas de navegación integrados Filtrado óptimo de sistemas lineales: el filtro de Kalman. Deducción del filtro de Kalman. Ecuaciones. Ejemplo de un filtro de Kalman El filtro de Kalman II En la ecuación x̂ + (tk+1 ) = x̂ − (tk+1 ) + Kk+1 (z(tk+1 ) − Hk+1 x̂ − (tk+1 )) lo único que no conocemos es Kk+1 , que es la ganancia de Kalman. Ésta se determina para garantizar que la covarianza + , sea la menor posible. de x̂ + (tk+1 ), Pk+1 + Calculemos Pk+1 : + Pk+1 = E [(x(tk+1 ) − x̂ + (tk+1 ))(x(tk+1 ) − x̂ + (tk+1 ))T ], y sustituyendo la ecuación de x̂ + (tk+1 ): + Pk+1 = E = E "„ + »„ − „ − x(tk+1 ) − x̂ × x(tk+1 ) − x̂ x(tk+1 ) − x̂ «„ (tk+1 ) x(tk+1 ) − x̂ + « (tk+1 ) T # (tk+1 ) − Kk+1 (z(tk+1 ) − Hk+1 x̂ (tk+1 ) − Kk+1 (z(tk+1 ) − Hk+1 x̂ − − « (tk+1 ) « (tk+1 )) T # Sustituyendo ahora z(tk+1 ) = Hk+1 x(tk+1 ) + ν(tk+1 ): + Pk+1 = E h“ ” − − x(tk+1 ) − x̂ (tk+1 ) − Kk+1 (Hk+1 x(tk+1 ) + ν(tk+1 ) − Hk+1 x̂ (tk+1 ) “ ”T – − − × x(tk+1 ) − x̂ (tk+1 ) − Kk+1 (Hk+1 x(tk+1 ) + ν(tk+1 ) − Hk+1 x̂ (tk+1 )) 13 / 26 Sistemas de navegación integrados Filtrado óptimo de sistemas lineales: el filtro de Kalman. Deducción del filtro de Kalman. Ecuaciones. Ejemplo de un filtro de Kalman El filtro de Kalman III Simplificando, obtenemos: + Pk+1 = E h“ (I − Kk+1 Hk+1 )(x(tk+1 ) − x̂ − ) − Kk+1 ν(tk+1 ) ” “ ”T – − × (I − Kk+1 Hk+1 )(x(tk+1 ) − x̂ ) − Kk+1 ν(tk+1 ) = − (I − Kk+1 Hk+1 )Pk+1 (I − Kk+1 Hk+1 ) T T + Kk+1 Rk+1 Kk+1 Es necesario encontrar el valor de Kk+1 que minimiza la anterior expresión. Usando cálculo matricial, se encuentra que −1 − − T T Kk+1 = Pk+1 Hk+1 Hk+1 Pk+1 Hk+1 + Rk+1 Sustituyendo ésta expresión se llega a que: + − Pk+1 = (I − Kk+1 Hk+1 )Pk+1 . Ésta es la covarianza mı́nima. 14 / 26 Sistemas de navegación integrados Filtrado óptimo de sistemas lineales: el filtro de Kalman. Deducción del filtro de Kalman. Ecuaciones. Ejemplo de un filtro de Kalman Algoritmo del filtro de Kalman El algoritmo queda como sigue: En el instante de tiempo tk+1 , suponemos que tenemos la anterior estimación que incluyó también la última medida: x̂ + (tk ) y su covarianza P + tk . Para k = 0 tomamos x̂ + (t0 ) = x̂ 0 y P0+ = P0 . 2 Fase de propagación; usamos la ecuación del sistema dinámico para calcular la estimación a priori: 1 x̂ − (tk+1 ) − Pk+1 = Ak x̂ + (tk ), T = Ak Pk+ AT + B Q B k k k k . Preparándonos para la medida, calculamos la ganacia de −1 − − T T Kalman: Kk+1 = Pk+1 Hk+1 Hk+1 Pk+1 Hk+1 + Rk+1 . 4 Tomamos la medida y calculamos la estimación a posteriori: 3 5 x̂ + (tk+1 ) = x̂ − (tk+1 ) + Kk+1 (z(tk+1 ) − Hk+1 x̂ − (tk+1 )), + Pk+1 = − (I − Kk+1 Hk+1 )Pk+1 . Iteramos para los siguientes valores de k. 15 / 26 Sistemas de navegación integrados Filtrado óptimo de sistemas lineales: el filtro de Kalman. Deducción del filtro de Kalman. Ecuaciones. Ejemplo de un filtro de Kalman Sobre las medidas Observación: es posible que no se realice una medida cada tk , sino que en ciertos instantes se hagan medidas, y en otros no se haga ninguna medida. Por ejemplo podemos tener un sensor con bajo ancho de banda (como el GPS) mientras que nuestro tiempo de muestreo ∆t representa una elevada frecuencia. Una forma de solucionarlo es tomar Hk = 0, luego Kk = 0 en los instantes tk en los que no se realizan medidas. Por tanto no es necesario realizar ninguna actualización y x̂ + (tk ) = x̂ − (tk ), P + (tk ) = P − (tk ). 16 / 26 Sistemas de navegación integrados Filtrado óptimo de sistemas lineales: el filtro de Kalman. Deducción del filtro de Kalman. Ecuaciones. Ejemplo de un filtro de Kalman El caso INS-GPS En el caso INS-GPS no podemos aplicar el Filtro de Kalman directamente porque los sistemas y medidas son no lineales. Lo que se hace es aplicar la solución al error de navegación. Recordemos que derivamos para el INS una ecuación de la forma: δx(tk+1 ) = Ak δx(tk ) + Bk (tk ), donde el vector δx(tk ) contiene los errores de posición, velocidad y actitud en tk y (tk ) son las fuentes de error. Por otro lado en el tema del GPS obtuvimos ecuaciones de la forma: ∆ρ(tk+1 ) = Hk+1 ∆x(tk+1 ) + ν(tk+1 ), donde ∆x(tk+1 ) eran errores de posición (y velocidad, si también estimamos velocidad) respecto a una estimación inicial y ∆ρ(tk+1 ) las diferencias entre los observables medidos y los estimados. Por tanto usando la medida del INS como estimación para el GPS, ya tenemos los errores linealizados escritos de una forma adecuada para implementar el filtro de Kalman! El error estimado se suma a la posición estimada por el INS, para conseguir la mejor estimación final posible. 17 / 26 Sistemas de navegación integrados Filtrado óptimo de sistemas lineales: el filtro de Kalman. Deducción del filtro de Kalman. Ecuaciones. Ejemplo de un filtro de Kalman El caso INS-GPS Esquema de la integración INS-GPS (loose): 18 / 26 Sistemas de navegación integrados Filtrado óptimo de sistemas lineales: el filtro de Kalman. Deducción del filtro de Kalman. Ecuaciones. Ejemplo de un filtro de Kalman Ejemplo 1-D del filtro de Kalman I Para entender mejor el filtro de Kalman consideremos un sistema sencillo. Imaginemos un vehı́culo que sólo se puede mover en una dirección, con un acelerómetro de un ancho de banda de 100Hz que mide la aceleración en dicha dirección, y con un sensor con un ancho de banda de 1Hz que estima la posición en dicha dirección. El modelo del sistema será:ẍ = a. Llamando v a la velocidad: d » – x v dt » 0 0 = –» 1 0 x v – δx δv – » 0 a – » 0 1 – + El modelo del error será: d » dt δx δv – » = 0 0 1 0 –» + δa Pasando a tiempo discreto y teniendo en cuenta que x(tk+1 )−x(tk ) d x(t) ≈ : dt ∆t » δx(tk+1 ) δv (tk+1 ) – » = 1 0 ∆t 1 –» δx(tk ) δv (tk ) – » + 0 ∆t – δa(tk ) 19 / 26 Sistemas de navegación integrados Filtrado óptimo de sistemas lineales: el filtro de Kalman. Deducción del filtro de Kalman. Ecuaciones. Ejemplo de un filtro de Kalman Ejemplo 1-D del filtro de Kalman II Por otro lado el modelo de medida será: z = x + ν, luego el modelo de error será: δz = δx + ν. Escribiéndolo todo: » δx(tk+1 ) δv (tk+1 ) – » = δz(tk+1 ) = 1 0 ∆t 1 –» δx(tk ) δv (tk ) – » + 0 ∆t – δa(tk+1 ) δx(tk+1 ) + ν(tk+1 ) Además las medidas sólo se hacen con una frecuencia de 1Hz (cada segundo), mientras que la frecuencia del acelerómetro es 100 Hz con lo que deberı́amos tomar ∆t = 0,01. Supongamos además que la precisión de los instrumentos es: 2 = 0,1, σ 2 = 0,01, y que se verifican las hipótesis del KF σδa ν (ruidos blancos gaussianos, independientes, etc...). En la nomenclatura que hemos usado para el KF, tendremos: » Ak = 1 0 0,01 1 – » , Bk = 0 0,01 – ˆ , Qk = 0,1, Rk = 0,01, Hk = 1 ˜ 0 , tk = n 0, tk = 6 n. donde n es cualquier entero (para modelar que se toman medidas cada segundo, pero no en fracciones de segundo). 20 / 26 Sistemas de navegación integrados Filtrado óptimo de sistemas lineales: el filtro de Kalman. Deducción del filtro de Kalman. Ecuaciones. Ejemplo de un filtro de Kalman Ejemplo 1-D del filtro de Kalman III Por tanto las ecuaciones del filtro de Kalman dirán, para cada instante de tiempo tk+1 : » δx̂ − (tk+1 ) δv̂ − (tk+1 ) – » 1 0 » 1 0 = − Pk+1 = δx̂ + (tk ) δv̂ + (tk ) – » 0,01 1 + Pk 1 0,01 0,01 1 –» – 0 1 – » + 0,1 – 0 0,01 ˆ 0 0,01 ˜ Si tk+1 = n, es decir, tiene un valor entero, significa que ha habido medida. Entonces,» calcular la ganancia de Kalman: » –„ – « Kk+1 = 1 0 − Pk+1 ˆ 0 −1 0 1 ˜ − 1 Pk+1 + 0,01 . Tomamos la medida y calculamos la estimación a posteriori: » δx̂ + (tk+1 ) δv̂ + (tk+1 ) – δx̂ − (tk+1 ) δv̂ − (tk+1 ) ˆ 1 (I − Kk+1 » = + Pk+1 = – + Kk+1 (δz(tk+1 ) − 0 ˜ ˆ 1 0 ˜ » δx̂ − (tk+1 ) δv̂ − (tk+1 ) – , − )Pk+1 . donde δz(tk+1 ) = z(tk+1 ) − Hk+1 (x̂(tk+1 ) + δx̂ − (tk+1 )). Si no hubo medida, entonces simplemente: » δx̂ + (tk+1 ) δv̂ + (tk+1 ) – » = δx̂ − (tk+1 ) δv̂ − (tk+1 ) – + − , Pk+1 = Pk+1 . Actualizamos x̂(tk+1 ) = x̂(tk+1 ) + δx̂ + (tk+1 ). Iteramos para los siguientes valores de k. 21 / 26 Sistemas de navegación integrados Filtrado óptimo de sistemas lineales: el filtro de Kalman. Deducción del filtro de Kalman. Ecuaciones. Ejemplo de un filtro de Kalman Ejemplo 1-D del filtro de Kalman: simulación I Simulación de la posición (exacta) y medidas: 350 posicion medidas 300 250 200 150 100 50 0 0 20 40 60 t 80 100 120 22 / 26 Sistemas de navegación integrados Filtrado óptimo de sistemas lineales: el filtro de Kalman. Deducción del filtro de Kalman. Ecuaciones. Ejemplo de un filtro de Kalman Ejemplo 1-D del filtro de Kalman: simulación II ('! * (!! "'! "!! &'! &!! Usando las medidas para estimar la posición, el resultado es bueno porque el sensor es preciso y el movimiento en x es lento. '! ! !'!* ! Si intentamos estimar la velocidad con la fórmula x(t )−x(t ) v (tk ) = k ∆t k−1 se obtiene una estimación muy mala: ,-./0/-1 234/45. "! #! $! ) %! &!! % &"! * 637-0/454 6*3.)/2545*43*234/45. + $ ' # ( " & ! !& !"* ! "! #! $! ) %! &!! &"! 23 / 26 Sistemas de navegación integrados Filtrado óptimo de sistemas lineales: el filtro de Kalman. Deducción del filtro de Kalman. Ecuaciones. Ejemplo de un filtro de Kalman Ejemplo 1-D del filtro de Kalman: simulación III Comportamiento de la estimación y del error sin filtro de Kalman: 400 posicion estimacion de posicion 300 200 100 0 0 20 40 60 t 80 100 120 60 t 80 100 120 8 velocidad estimacion de velocidad 6 4 2 0 −2 0 20 40 24 / 26 Sistemas de navegación integrados Filtrado óptimo de sistemas lineales: el filtro de Kalman. Deducción del filtro de Kalman. Ecuaciones. Ejemplo de un filtro de Kalman Ejemplo 1-D del filtro de Kalman: simulación IV Comportamiento de la estimación y del error con filtro de Kalman: 400 300 200 100 0 posicion estimacion de posicion (KF) 0 20 40 60 t 80 100 120 6 4 2 0 −2 velocidad estimacion de velocidad (KF) 0 20 40 60 t 80 100 120 25 / 26 Sistemas de navegación integrados Filtrado óptimo de sistemas lineales: el filtro de Kalman. Deducción del filtro de Kalman. Ecuaciones. Ejemplo de un filtro de Kalman Ejemplo 1-D del filtro de Kalman: simulación V Comparación de errores con y sin filtro de Kalman: 40 error de posicion (sin KF) error de posicion (con KF) 30 20 10 0 0 20 40 60 t 80 100 120 60 t 80 100 120 1.5 error de velocidad (sin KF) error de velocidad (con KF) 1 0.5 0 0 20 40 26 / 26