Filtro de Kalman explicado de forma simples

Filtro de Kalman explicado de forma simples

• A maioria dos tutoriais sobre o filtro de Kalman é difícil de entender porque exige técnicas matemáticas avançadas.
• É possível usar o filtro de Kalman sem entender como derivá-lo.
• Qualquer pessoa pode entender o filtro de Kalman quando ele é explicado em pequenas partes fáceis de digerir.

Visão geral do filtro de Kalman

• O filtro de Kalman pode ser visto como uma caixa-preta com entrada e saída.
• A entrada são medições com ruído e às vezes imprecisas, e a saída é uma estimativa com menos ruído e às vezes mais precisa.
• O filtro de Kalman pode estimar parâmetros de estado do sistema que não foram observados nem medidos.

O que é o filtro de Kalman?

• O filtro de Kalman é um algoritmo geral usado para estimar parâmetros de um sistema.
• Ao usar medições imprecisas ou com ruído, ele pode estimar com mais precisão o estado dessa variável ou de outras variáveis não observáveis.
• Por exemplo, o filtro de Kalman é usado em rastreamento de objetos, estimativa de peso corporal em balanças digitais e controle de guiagem e navegação.

Visão geral do algoritmo do filtro de Kalman

• Há um diagrama de processo que mostra o passo a passo do algoritmo do filtro de Kalman.
• É fornecida uma tabela com as variáveis usadas no algoritmo.

Tutorial de rastreamento por radar com filtro de Kalman

• Explica o processo passo a passo de como o filtro de Kalman rastreia aviões e objetos próximos a um aeroporto.
• O estado de rastreamento de saída é exibido para operadores de controle de tráfego aéreo que monitoram o espaço do aeroporto.

Notação do tutorial do filtro de Kalman

• Cada radar tem funções diferentes e fornece tipos variados de informação.
• Neste exemplo, o radar gera medições em coordenadas cartesianas 2D.

Inicialização do estado do sistema

• A inicialização do estado do sistema no filtro de Kalman varia conforme a aplicação.
• Neste tutorial, o estado do sistema é inicializado com a primeira medição.

Reinicialização do estado do sistema

• A estimativa do estado do sistema é reinicializada porque é necessária uma segunda medição de posição para estimar a velocidade.

Uma observação rápida sobre a inicialização

• A estimativa do sistema é inicializada e reinicializada usando a primeira e a segunda medição.

Previsão da estimativa do estado do sistema

• Quando a terceira medição é recebida, a estimativa do estado do sistema é prevista e propagada para se alinhar à medição e ao tempo.

Sobre a matriz Q

• A matriz Q representa o ruído de processo do modelo do sistema.

Sobre a matriz H

• O filtro de Kalman usa a matriz H para converter a estimativa do estado do sistema do espaço de estados para o espaço de medição.

Cálculo do ganho de Kalman

• O filtro de Kalman calcula o ganho de Kalman para a nova medição para determinar o quanto a medição de entrada influenciará a estimativa do estado do sistema.

Estimativa do estado do sistema e da matriz de covariância do erro do estado do sistema

• O filtro de Kalman usa o ganho de Kalman para estimar o estado do sistema e a matriz de covariância do erro no instante da medição de entrada.

Próximos passos

• O filtro de Kalman é um processo geral para obter estimativas ótimas de estado.
• Ele é usado em várias aplicações que exigem estimativas precisas.

Opinião do GN⁺:

• O filtro de Kalman é um algoritmo importante e amplamente usado em áreas como sistemas em tempo real e robótica, nas quais informações precisas são essenciais.
• É possível entender como o filtro de Kalman funciona sem recorrer a derivações matemáticas complexas, o que também o torna acessível a engenheiros de software iniciantes.
• Este texto oferece uma visão de como esse algoritmo pode ser aplicado a problemas reais ao explicar seu conceito de forma simplificada.