Tutorial do Filtro de Kalman

Visão geral

• Sobre este tutorial

  • O algoritmo do Filtro de Kalman é uma ferramenta poderosa para estimar e prever o estado de um sistema em meio à incerteza, sendo usado como componente fundamental em diversas áreas, como rastreamento de alvos, navegação e controle.
  • O Filtro de Kalman é um conceito simples, mas muitos materiais exigem base matemática e carecem de exemplos práticos, o que pode fazer com que pareça complexo.
  • Em 2017, foi criado um tutorial online baseado em exemplos numéricos e explicações intuitivas para facilitar a compreensão do tema.
  • O tutorial aborda o Filtro de Kalman univariado (1 dimensão) e multivariado (multidimensional), e foi expandido para incluir tópicos avançados como Filtro de Kalman não linear, fusão de sensores e diretrizes práticas de implementação.
  • Com base neste tutorial, foi escrito um livro que trata desde os fundamentos até tópicos avançados, cobrindo conceitos teóricos e aplicações práticas.

• Sobre o Filtro de Kalman

  • Muitos sistemas modernos usam vários sensores para estimar estados ocultos.
  • O Filtro de Kalman é um algoritmo que estima o estado oculto de um sistema e prevê estados futuros mesmo em meio à incerteza.
  • No artigo publicado por Rudolf E. Kálmán em 1960, é descrita uma solução recursiva para o problema de filtragem linear de dados discretos.

Introdução ao Filtro de Kalman

• A necessidade de previsão
  • Para entender a necessidade de algoritmos de rastreamento e previsão, pode-se usar o exemplo de um radar de rastreamento.
  • O radar estima a posição e a velocidade atuais do alvo e prevê a posição do alvo no próximo instante do feixe de rastreamento.
  • A previsão pode ser calculada usando as equações de movimento de Newton.
  • As medições reais do radar não são precisas e incluem erros aleatórios ou incerteza.
  • Devido ao ruído de medição e ao ruído de processo, a posição estimada do alvo pode diferir bastante da posição real.
  • O Filtro de Kalman é um algoritmo que melhora a precisão do rastreamento ao considerar essas incertezas.

[GN⁺]

Comentários do Hacker News

• Para entender o Filtro de Kalman, é preciso estudar primeiro Least Squares (regressão linear) e depois Recursive Least Squares e Information Filter. Isso permite perceber que o Filtro de Kalman é uma reformulação do Recursive Least Squares que prioriza a eficiência na etapa de atualização

• Como materiais relacionados ao Filtro de Kalman, há este PDF e este repositório no GitHub

• Atualmente não existem ferramentas de cálculo simbólico para distribuições de probabilidade, o que inclui tarefas como multiplicar PDFs gaussianas multivariadas e obter matrizes de covariância

• Quando Q e R são constantes, o Filtro de Kalman se torna equivalente a um filtro exponencial com etapa de previsão. Isso é fácil de entender e corresponde à forma de otimização por ajuste manual de Q e R

• Para ajudar na compreensão do Filtro de Kalman, recomenda-se a aula de Michael van Biezem

• Há a ideia de usar o Filtro de Kalman para reforçar o valor observacional de incidentes em que só existem depoimentos de testemunhas. Nessa abordagem, mentiras e imprecisões seriam tratadas como "erro"

• O termo "rastreamento" é usado com frequência, mas muitas vezes se refere a um tipo específico de rastreamento, o que pode causar confusão

• O Filtro de Kalman recebeu esse nome em homenagem a Rudolf E. Kálmán, que em 1960 publicou um artigo descrevendo uma solução recursiva para o problema de filtragem linear de dados discretos