1

Filtro de Kalman-Bucy
1. Introduccin ________________________________________________________ 1
2. Observacin de una Seal______________________________________________ 2
3. Idea de Estimacin ___________________________________________________ 4
3.1. Problema Elemental de Estimacin ______________________________________ 4
3.2. Medidas con Distinta Dispersin ________________________________________ 6
3.3. Idea de Estimacin Recurrente__________________________________________ 6
4. Estimacin de una Funcin ____________________________________________ 8
4.1. Caso de una Funcin Esttica ___________________________________________ 8
4.2. Estimacin Recurrente de Funciones Estticas ____________________________ 9
4.3. Estimacin Recursiva de Funciones Lineales Dinmicas ___________________ 11
5. Estimacin de Sistemas _______________________________________________ 14
5.1. Sistemas Estticos____________________________________________________ 14
5.2. Estimacin Recurrente de Sistemas Lineales Estticos_____________________ 15
6. Estimacin Recursiva de Sistemas Lineales Dinmicos _____________________ 16
7. Bibliografa y datos de inters _________________________________________ 19
1. Introduccin
Es de inters en el mundo del control automtico poder modelizar un proceso y que
en dicho modelo queden reflejadas, explcitamente todas las todas las variables que
intervienen en su dinmica. La forma ms popular que cumple con esta condicin es la
llamada representacin en variables de estado. Otra inquietud que surge una vez obtenido este
modelo es el poder obtener informacin de la dinmica del proceso sin necesidad de medir
todas las variables, sino que, haciendo uso del conocimiento de su dinmica poder inferir u
observar algunas de ellas. El tercer problema surge cuando intentamos utilizar este modelo
con mediciones contaminado por algn tipo de incertidumbre. Estos tres conceptos se
abordan con la llamada estimacin estadstica de seales y su versin ms conocida es el
Filtro de Kalman-Bucy que pretendemos abordar en este espacio.
El tratamiento de este tpico est ligado a dos aspectos del control: por un lado a la
observacin o estimacin de estados internos de un sistema y por otro a esta misma
observacin cuando las mediciones estn contaminadas por algn tipo de perturbacin.
Dividiremos el trabajo en tres partes: la primera ser una revisin de la representacin de un
proceso mediante variables de estado y su observacin. La segunda parte estar dedicada a
2
mostrar la estimacin de seales obtenidas con un error y por ltimo presentaremos la versin
clsica del filtrado estadstico.
2. Observacin de una Seal
La forma ms comn de expresar un sistema o modelo de una planta es por su
relacin entrada-salida forma que en muchos casos es suficiente y ofrece buenos resultados.
Por ejemplo un motor podra quedar expresado como una funcin de transferencia que
vincula la tensin de armadura, su entrada, con el ngulo girado por su eje, siendo sta su
salida. De esta forma expresado el modelo del sistema resulta cmodo pero adolece de
algunas limitaciones: por ejemplo no podemos inferir de l nada acerca de la corriente del
motor o su velocidad. Para subsanar este inconveniente se ha pensado en expresar los
sistemas de otra manera llegando as a la llamada representacin en variables de estado en
donde quedan explicitadas las variables internas del sistema. Veamos esto en un ejemplo
simple: un generador de corriente continua es controlado por campo; este generador
alimenta un motor del cual se pretende controlar el ngulo girado por su eje.
M
MG
A
V
Ie
o
Figura 1. Motor de corriente continua comandado por un Generador
Una muy simplificada versin de la funcin de transferencia de este sistema es la
presentada en la figura siguiente, en donde se explicita la tensin de excitacin, la corriente
de excitacin, la velocidad y el ngulo girado.
V
Ie
o
2
s+4
1
s+1
1
s
w
Figura 2. Funcin de Transferencia del Motor de corriente continua comandado por
un Generador
3
Si expresamos esta funcin de transferencia en forma de leyes fsicas resultar:
v I I
I w w
w
e e
e
2 4 +
+

&
&
&

-1
o escrito en forma matricial ser:
v
I
w
I
w
e e
1
1
1
]
1

+
1
1
1
]
1

1
1
1
]
1

1
1
1
]
1

2
0
0
4 0 0
1 1 0
0 1 0
&
&
&
-2
que en una escritura ms compacta resulta,
Bu t Ax t x + ) ( ) ( & -3
en donde x es el llamado vector de estados del sistema, A la matriz de transicin, B
la matriz de entrada y u la variable de entrada o actuacin. Tambin existe la versin
discreta de esta representacin en donde el modelo no se expresa en funcin de la derivada
de los estado sino en funcin del valor del mismo un instante posterior, lo cual se escribe
como:
[ ]
k k k k
k k k
k e
k
k
k e
k
k
k
Cx =
x
0 , 1 = y
Bu Ax Bv
I
w A
I
w x
K
+ +
1
1
1
]
1

1
1
1
]
1

+
+
+
+

1
1
1
1
-4
el subndice k simboliza el instante en que se considera la muestra. En esta ecuacin
se ha agregado un segundo elemento y que representa la variable de salida que no
necesariamente coincide con un estado interno. La relacin entre salida y estados est dada
por la matriz C.
De esta manera queda expresado el sistema con las variables fsicas que nos
importan explcitamente descriptas. Esta es la llamada representacin en variables de
estado. O sea que midiendo ngulo, velocidad y corriente tenemos completamente
determinada nuestra planta. Pero, incluso en forma intuitiva podemos pensar que no se
necesitara medir la velocidad ya que, midiendo el ngulo podramos derivar o tomar la
diferencia entre dos muestras sucesivas y calcular la velocidad. Si hiciramos esto,
estaramos observando uno de los estados internos del sistema. Veamos como construir un
observador de modo de no necesitar una medida real de todos los estados ya sea porque no
queremos o no podemos medirlos.
El primer observador que se nos podra ocurrir es directamente reproducir el modelo
de la planta, es decir

'

+
+
k k
k k k
x C y
Bu x A x


1
-5
4
en donde x

simboliza la observacin o estimacin del estado x e y es la

observacin de la salida del sistema. Esta ltima seal no sera necesario observarla ya que
es una medicin pero nos sera til para comprobar la bondad del observador. Si
conociramos con exactitud las matrices A y B y el punto de partida del vector de estados,
este observador funcionara sin error en la estimacin y no habra inconveniente en
utilizarlo tal como est descripto. Pero en la prctica no se cumplen estas tres condiciones
por lo que es preciso sofisticar este esquema agregndole una correccin para este
desconocimiento o error. Una forma simple o intuitiva de hacer esto es comparando la
salida real con la estimada por el observador e introducir un trmino corrector de acuerdo a
esta diferencia.
( ) ( )
k k k k k k k k k
x C y L Bu x A y y L Bu x A x

1
+ + + +
+
-6
En donde la matriz L es el factor de correccin o realimentacin. Si no hay error de
observacin, este ltimo trmino no participa en el clculo de la estimacin y el modelo
resulta como el planteado anteriormente. Se puede demostrar que este sistema observador
tiende al real con lo que, en nuestro ejemplo, obtendramos una observacin o estimacin
de la corriente y velocidad basada en el conocimiento del ngulo y la tensin de excitacin.
El nico parmetro indefinido es la matriz L, la cual se elige, para asegurar la estabilidad y
la velocidad de convergencia.
El problema se complica cuando las mediciones estn afectadas por algn tipo de
incertidumbre, como ser ruido u otra causa. En ese caso existe una generalizacin del
concepto de observacin planteado por primera vez y en forma simultnea por Kalman en
EEUU y por Bucy en Francia. Es decir, el filtro de Kalman-Bucy es un observador de
estados de un sistema en presencia de perturbaciones estocsticas o estadsticas. En una
forma muy resumida podramos decir que el filtrado estadstico nos brinda una manera de
calcular ptimamente la matriz L del observador anterior. Para comprender el concepto del
filtrado estadstico es conveniente revisar la idea de estimacin de variables medidas con
alguna incertidumbre, que es lo que explicaremos a continuacin.
3. Idea de Estimacin
Es importante rever el concepto de estimacin para el caso de tener diferentes
mediciones y queramos hallar la mejor estimacin. Convengamos que se entiende por
estimacin el mecanismo para obtener un valor a partir de una informacin incompleta y
por supuesto que es importante obtener la mejor estimacin posible. Un mtodo sencillo y
usual para su clculo es minimizar la suma de los cuadrados de las diferencias entre la
estimacin y las mediciones
( )

i
z x J -7
3.1. Problema Elemental de Estimacin
El caso elemental de estimacin es el de calcular una magnitud x a partir de
mediciones z. Cada una de las mediciones z tiene un error en la medicin v el cual no
conocemos. Es decir
i i
v x z + -8
5
Suponemos tambin que este error tiene una cierta varianza dada por la siguiente
ecuacin
2 2
} { v E -9
El caso ms elemental es tener dos mediciones. Aqu, la forma de obtener la mejor
estimacin de x es minimizando el siguiente funcional
( ) ( ) ( )
2
2
2
1
2
2
2
1
2

v v x z x z z x J
i
+ +

-10
Debemos hallar el valor de x que haga mnimo J. La forma de hacerlo es derivar J
con respecto a x
( ) ( ) 0 2 2
2 1

x z x z
x
J
x x
-11
de donde resulta, algo que ya sabemos,
2

2 1
z z
x
+
-12
El error de estimacin se calcula como la diferencia entre el valor real y el estimado
2
2 2 2

2 1
2 1 2 1
v v
x
v x v x
x
z z
x x e
+

+
+
+

+

-13
y la varianza o dispersin de la estimacin ser
2 4
} { } {
} {
2 2
2
2
1 2

v E v E
e E -14
Como es obvio, vemos que se reduce a la mitad con respecto a la de las mediciones
aisladas
Algo similar podemos plantear para n mediciones donde la estimacin es el
promedio de esas n lecturas
n
z z
x
n
+ +

L
1
-15
el error es la n-sima parte del error de cada medicin
n
v v
e
n
+ +

L
1
-16
y tambin se reduce la varianza
n
e E
2
2
} {

-17
6
3.2. Medidas con Distinta Dispersin
Supongamos ahora que nuestras mediciones tienen distinta dispersin, ya sea
porque fueron obtenidas con distintos instrumentos o en diferentes instantes de tiempo. Las
medidas son:
{ } { }
{ } { }
2
2
2
2 2 2 2
2
1
2
1 1 1 1
0
0

+
+
v E v E v x z
v E v E v x z
-18
En el caso particular de dos mediciones, el funcional a minimizar sera,
( ) ( ) ( )
2
2
2
2
2
1
2
1
2
2
2
2
2
1
2
1
2
2

x z x z v v x x
J
i
i

+

-19
derivando como en el caso anterior,
( ) ( )
0

2
2
2
2
2
1
1

x z x z
x
J
x x
-20
la mejor estimacin resulta un promedio ponderado de las muestras dando ms peso
a la de menor varianza
1
]
1

+
+

2
2
2
2
1
1
2
2
2
1
2
2
2
1

z z
x -21
En este caso el error de estimacin se calcula del siguiente modo
2
2
2
1
1
2
2 2
2
1
2
2
2
2
1
1
2
2
2
1
2
2
2
1

+
+

1
]
1

+
+

v v
x
z z
x x e -22
siendo su varianza
2
2
2
1
2
2
2
1
2
} {


+
e E -23
2
2
2
1
2
1 1
} {
1

+
e E
-24
similar a un paralelo de resistencias, siempre menor que cualquiera de las
componentes
3.3. Idea de Estimacin Recurrente
Para caso de n mediciones podramos pensar en calcular la estimacin en forma
recursiva. Es decir, si la estimacin es calculada de acuerdo a la siguiente ecuacin,
n
z z
x
n
n
+ +

L
1
-25
7
y luego, obtenemos una medicin n+1, la nueva estimacin ser:
1 1 1

1 1 1 1
1
+
+
+

+ +

+
+ +

+ +
+
n
z
n
n
n
z z
n
z z
x
n n n
n
L L
-26
con lo que se deduce que la nueva estimacin se puede expresar en funcin de la
anterior de la forma,
1 1

1
1
+
+
+

+
+
n
z
n
n
x x
n
n n
-27
1 1
1

1
1
+
+
+

+
+
n
z
n
x x x
n
n n n
-28
Si operamos algebraicamente podemos expresar la estimacin como sigue:
( )
n n n n
x z
n
x x
1
1

1 1

+
+
+ +
-29
La nueva estimacin es la anterior ms un factor de correccin proporcional al error
o diferencia entre la nueva medida y su prediccin o estimacin.
A su vez podemos interpretar esta forma de calcular la nueva estimacin como una
prediccin a partir de dos mediciones con distinta varianza, o sea:
n
x con varianza
n
2

y
1 + n
z con varianza
2

ya que, considerando esto y segn lo explicado con anterioridad, podramos calcular

la nueva estimacin como:
1
2
2
2
2
2
2
1

+ +
+
+
+

n n n
z
n
n
x
n
x

-30
lo que es lo mismo que decir,
( )
n n n n n n
x z
n
x z
n
x
n
n
x
1
1

1
1

1 1 1

+
+
+
+
+

+ + +
-31
y en este caso la varianza del error es
2 2 2 2 2
1
1 1
} {
1
} {
1

+ +
+
n
e E e E
n n
-32
o lo que es similar a:
1
} {
2
2
1
+

+
n
e E
n

-33
8
4. Estimacin de una Funcin
4.1. Caso de una Funcin Esttica
Hasta el momento hemos estimado el mejor valor de una variable a partir de n
mediciones pero qu pasara si la medicin no fuese directa sino una funcin de la
medicin? Este sera el caso de querer estimar la corriente por una resistencia a partir de la
medicin de la tensin. Aqu habra una relacin lineal entre la medicin (tensin) y la
variable a estimar (corriente).
Ahora
x es la variable a estimar por ejemplo la corriente
z es la medicin por ejemplo la tensin
v es el error cometido en la medicin de la tensin
h es la relacin entre medicin y estimacin, en nuestro caso la resistencia
De lo anterior resulta
v hx z + -34
supongamos adems que el error de medicin tiene las siguientes caractersticas
estadsticas
{ }
2 2
0 } {
v
v E
v E

-35
El problema es entonces, minimizar el error de estimacin de la corriente. Para ello
podemos tener una estimacin de la tensin medida que ser
x h z -36
con lo que el funcional a minimizar lo podremos definir como
[ ]
2
hx z J -37
Derivando e igualando a cero para minimizar,
[ ] 0 2

x h z h
x
J
x x
-38
hz x h
2
-39
de donde resulta, lo obvio que la mejor estimacin de la corriente es la tensin
medida dividida la resistencia
z
h
x
1
-40
el error ser
( ) v hx
h
x z
h
x x x e +
1 1
-41
9
kv v
h
e
1
-42
si v es el error en la medicin, kv es el error en la estimacin. Si h es grande el error
baja. Lo que es lgico si queremos medir corriente es necesario tener una resistencia grande
para tener un valor de tensin ms alto.
La dispersin en la estimacin es
{ } { }
2
2
2 2 2 2 2
1
v v
h
k v E k e E -43
Lo mismo para la dispersin: al aumentar h disminuye la varianza
4.2. Estimacin Recurrente de Funciones Estticas
Supongamos el mismo caso anterior pero tenemos n mediciones de la tensin,
estimamos la corriente para esas n mediciones y en un instante posterior obtenemos una
nueva medicin. Veamos cmo podemos calcular la nueva corriente a partir de su
estimacin anterior y la nueva medicin de tensin.
Hasta la medicin n, la dispersin en la corriente x es
( ) { }
2 2
} {
n n n
e E n x x E -44
Es decir tenemos dos formas de estimar x: una a partir de
n
x y otra a partir de la
nueva medicin
1 + n
z . Estamos en el caso de dos mediciones con distinta dispersin. Por lo
tanto el funcional a minimizar se puede definir como la suma de un error de estimacin con
dispersin n y uno de medicin con dispersin
2
v

Definimos como siempre el funcional suma de las dos formas de estimar x

( ) ( )
1
]
1

+
+
2
2
1
2
1 1

2
1
v
n
n
n
hx z
n
x x J

-45
( ) ( ) 0
1
1 1
2
1

+ + +
+
n n
v
n n
n x
x h z
h
x x
n x
J
n

-46
( )
n n
v
n
v n
n
v
n
n
n
v n
x h z
h
x
h
n
z
h
x
n
x
h
n

1

1
1
2 2
2
1
2
1
2
2
+
1
]
1

+ +
1
]
1

+
+ + +

-47
la nueva estimacin es
[ ]
( )
n n
n v
n
n n
x h z
n h
h n
x x
1
2 2
1

+
+
+ +

-48
para facilitar la notacin hagamos
10

'

+
2
2
2
1 1
v
n n
v n n
h
p w
h
n p

-49
lo que lleva a una forma cmoda de expresar recursivamente la nueva estimacin
( )
n n n n n
x h z w x x
1 1
+
+ +
-50
en este caso el error ser
( )
n n n n n n n n n
x h hx v w x x x x x x x x e

1 1 1
+ + +
+ + +
-51
[ ]( )
n n n n n
v w x x h w e +
+
1
1
-52
Si suponemos incorrelacin entre la estimacin y la nueva medicin, la dispersin
1 + n
n de la estimacin ser
{ } [ ]
1
2 2 2 2
1
1
+ +
+
n v n n n n
n w n h w e E -53
pero de la relacin entre n y p se deduce
{ } [ ]
n v n v n n v n n n n
v n n n n
p w w p w hw p p
w h w p e E
+ +
+
+
2 2 2 2 2 2
2 2 2
1
1

-54
o sea
{ }
n n
p e E
+
2
1
-55
n n
p n
+1
-56
En este caso p y n solo estn separadas una medicin
nica incgnita, p inicial.
Se considera una dispersin inicial infinita

0
n -57
0
1
0

n
-58
y segn lo anterior
2
2
0 1
1 1
v
h
p n
-59
en resumen
11
( )

'

+
+ +
n
v
n n
v
n n
n n n n n
n
h
n p
h
p w
x h z w x x
2
2
2
1 1
1
1

-60
En la tabla siguiente se ve como vara n o p es decir la dispersin de la estimacin y
el factor de correccin w a medida que se incrementa el nmero de mediciones.
w p n
0
h
1
2
2
h

1
h 2
1
2
2
2h

2
2
h

2
h 3
1
2
2
3h

2
2
2h

3
h 4
1
2
2
3h

2
2
3h

Se observa en la tabla, como era de esperar, que la dispersin disminuye al

aumentar las muestras as como el factor de correccin, es decir, estamos ms cerca del
valor verdadero.
4.3. Estimacin Recursiva de Funciones Lineales Dinmicas
Demos un paso ms en el problema de la estimacin e intentemos predecir el valor
que toma una variable que vara en el tiempo a partir de una medicin, funcin de esta
variable. Un ejemplo simple puede ser el de la figura, intentamos medir la tensin de un
capacitor que se carga a travs de una fuente un cierto ruido que puede deberse a falta de
regulacin. La tensin tampoco es medida directamente sino a travs de un instrumento con
una escala y una imprecisin.
12
V
C
R
Vcc
A
Medicin de la tensin en un condensador a travs de un amplificador
La variable y su relacin con la medicin ser

'

+
+ +
+
k k k k
k k k k k
v x c y
q bu x a x
1
-61
donde x es la tensin en el condensador que ir tendiendo a un valor final en el
tiempo con una velocidad dependiente del parmetro a. A fin de hacer ms general el
ejemplo, se agreg q que es el ruido de la fuente. La tensin o entrada del sistema es u y la
medicin de la tensin es y que se relaciona con x por una escala c. Tambin esta medicin
tiene una imprecisin v. Para asociarlo con la representacin en variables de estado,
llamemos a x estado interno del sistema, observado a partir de una salida y. Las
caractersticas estadsticas son:
{ }
{ } R v E v E
Q q E q E


2
2
0 } {
0 } {
-62
El problema ahora es determinar la mejor estimacin del estado x en funcin de las
mediciones de la salida y. Tenemos dos formas de calcular x: una a partir de las mediciones
de la salida, en este caso no necesitaramos considerar la dinmica del sistema y estaramos
en el caso esttico anterior. La segunda forma y ms atractiva es considerar las mediciones
ms la prediccin del estado a partir del conocimiento de su dinmica. Para ello se debe
conocer o fijar x estimado inicial y su varianza
[ ] { }
2
0 0 0
0 0 0 1
x x E n
q bu ax x

+ +
-63
entonces se define la estimacin en el instante 1 conocido x0 como
0 0 0 / 1
bu x a x + -64
cmo calcular la varianza de esta estimacin?
[ ] { } [ ] { } ( ) [ ] { }
( ) ( ) ( ) { }
2
0 0 0
2
0
2
0 0
2
2
0 0 0
2
0 0 0 0 0
2
1 0 / 1 1


a x x q q x x a E
q x x a E bu x a q bu ax E x x E n
+ +
+ + +
-65
13
para simplificar supongamos que la imprecisin q y x no estn correlados por lo
tanto
Q n a n +
0
2
1
-66
Recordemos que esta dispersin es introducida por la prediccin del estado a partir
de su modelo y no de la medicin de la salida por lo que no aparece R.
Si queremos estimar el estado a partir de la salida solo debemos reproducir el caso
esttico es decir: debemos calcular
1 / 1
x a partir de la estimacin
0 / 1
x y la nueva medicin
de la salida:
[ ]
R
c
n p
R
c
p w
x c y w x x
+

+
1
1
1
1
1 1
0 / 1 1 1 0 / 1 1 / 1

-67
Recordemos el significado de p y n: n es la dispersin de la estimacin debida al
modelo dinmico del sistema. En cambio p es la dispersin debida a ambos efectos, la del
modelo ms la de la medicin de la salida. La diferencia es que ahora p y n no son iguales
como en el caso esttico en que no existe modelo dinmico del estado. En resumen, el
clculo del estado ser:
[ ]
1
2
1
2
1 1

k k k k k k
k k k
k k
k k
x ax bu w y cx
n a n q
c
w p
R
c
p n
R
+
+

+ +

'

-68
Estas son las ecuaciones del filtro de Kalman-Bucy en su versin ms reducida que
es para la estimacin de un escalar. Solo se necesita conocer el valor inicial del estado y su
dispersin. Se puede considerar un valor inicial cualquiera con una dispersin alta.
Un ejemplo simple sera considerar que no existe dispersin ni en la medicin ni en
el estado. Las ecuaciones anteriores se resumiran en lo siguiente, que a su vez coincide con
la idea del observador planteado al principio:
[ ]

'

+ +
+
1
1
0 1
k
k k k k
w
x c y bu x a x
-69
El nico error que tendramos sera el desconocimiento del valor inicial. La figura
siguiente muestra que a pesar del diferente valor inicial, la estimacin tiende al verdadero
valor. En este ejemplo se eligi a=.5, b=c=1 y el estado inicial real igual a 0 y el estimado
igual a 3.
14
0 2 4 6 8 10 12 14 16
0
0.5
1
1.5
2
2.5
3
Evolucin del estado estimado y real mostrando su convergencia
5. Estimacin de Sistemas
5.1. Sistemas Estticos
Podemos generalizar el planteo anterior y considerar ya no una medicin sino un
grupo de ellas constituyendo un vector. Del mismo modo la estimacin no ser una, sino un
vector. Es decir ahora
x es un vector de dimensin m
z es un vector de dimensin p
v es un vector de dimensin p
H es una matriz de dimensin pxm que relaciona mediciones con estimaciones
Resultando
v Hx z + -70
las caractersticas del ruido son
{ }

I vv E
v E
T 2
0 } {
-71
El problema ahora es minimizar el siguiente funcional
( ) ( ) ( )

m
i
T
Hx z Hx z Hx z J
1
2
-72
[ ] 0

x H z H
X
J
T
x x
-73
z H x H H
T T
-74
15
el valor de x que minimiza este funcional es
( ) z H H H x
T T
1

-75
el error es
( ) ( ) ( ) v Hx H H H x z H H H x x x e
T T T T
+
1 1
-76
( ) Kv v H H H e
T T

1
-77
si v es el error en la medicin, Kv es el error en la estimacin. Si H es grande el
error baja siendo su varianza
{ } { } ( )
1
2 2

H H KK K vv KE ee E
T T T T T
-78
Igualmente, si H es grande la varianza se reduce
5.2. Estimacin Recurrente de Sistemas Lineales Estticos
Tambin podremos expresar la forma recursiva de la estimacin en forma matricial.
Definamos las caractersticas de la dispersin
{ } R vv E
v E
T

0 } {
-79
se conoce
n
x por una medicin anterior con una dispersin
( )( ) { }
T
n n n
T
n n
e e E N x x x x E } { -80
Es decir tenemos dos formas de estimar x: una a partir de
n
x y otra a partir de la
nueva medicin
1 + n
z . Estamos en el caso de dos mediciones con distinta dispersin. Por lo
tanto el funcional a minimizar se puede definir como la suma de un error de estimacin con
dispersin N y uno de medicin con dispersin R
( ) ( ) ( ) ( ) [ ] Hx z R Hx z x x N x x J
n n
T
n n n
T
n
+
+

1
1
1
1

2
1
-81
( ) ( ) 0
1 1
1
1
1

+ +

+
n n n
T
n n n
x
x H z R H x x N
X
J
n
-82
[ ]
[ ] ( )
n n n
T
n n
T
n
n n
T
n n n n
T
n
x H z R H x H R H N
z R H x N x H R H N


1
1 1 1
1
1 1
1
1 1
+ +
+ +
+

+

+

-83
[ ] ( )
n n n
T
n
T
n n n
x H z R H H R H N x x
1
1
1
1 1
1
+ +
+

+
-84
haciendo

'

1
1 1 1
n
T
n n
n
T
n n
R H P W
H R H N P
-85
( )
n n n n n
x H z W x x

1 1
+
+ +
-86
16
el error es
( )
n n n n n n n n n
x H v W x x x x x x x x e
1 1 1
+ +
+ + +
-87
[ ]( ) v W x x H W I e
n n n n
+
+

1
-88
la nueva dispersin
1 + n
N ser
{ } [ ] [ ]
1 1 1 + + +
+
n
T
n n
T
n n n
T
n n
N RW W H W I N H W I e e E -89
y expresada en funcin de P
{ } [ ]
n
T
n n
T
n n n
T
n n
T
n
T
n n
T
n n
T
n n
T
n n
P
RW W RW W P
RW W W H P P RW W H W I P e e E

+
+ +
+ + 1 1
-90
o sea
{ }
n
T
n n
P e e E
+ + 1 1
-91
n n
P N
+1
-92
En este caso P y N solo estn separadas por una medicin. La nica incgnita e el
valor inicial de P par el que se considera una dispersin inicial infinita, es decir
I N
0
-93
0
1
0
I N

-94
y segn lo anterior
H R H P N
T 1
0
1
0
1
1

-95
6. Estimacin Recursiva de Sistemas Lineales Dinmicos
Ahora consideremos un sistema de variables a estimar

'

+
+ +
+
k k k k
k k k k k
v x C y
q Bu x A x
1
-96
Por simplicidad asumamos en adelante que la entrada u es cero cosa que no afecta
para nada el anlisis. Las caractersticas estadsticas de la sperturbaciones son
{ }
{ } R vv E v E
Q qq E q E
T
T


0 } {
0 } {
-97
Problema: determinar la mejor estimacin del estado x en funcin de las mediciones
de la salida y. Se debe conocer o fijar x estimado inicial y su varianza
[ ][ ] { }
T
x x x x E N
q x A x
0 0 0 0 0
0 0 0 1

+
-98
entonces se define la estimacin en el instante 1 conocido x0 como
0 0 0 / 1
x A x -99
17
cmo calcular la autocorrelacin de esta estimacin?
[ ][ ] { }
[ ][ ] { }
( ) [ ] ( ) [ ] { }
( )( ) ( ) ( ) { }
T T
T
T T
T
T
T
T
W x x A A x x W W W A x x x x A E
W x x A W x x A E
x A W x A x A W x A E
x x x x E N
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0
1 0 / 1 1 0 / 1 1




+ + +
+ +
+ +

-100
se supone que w y x no estn correlados por lo tanto
Q A N A N
T
+
0 0 0 1
-101
Ahora el problema es calcular
1 / 1
x a partir de la estimacin
0 / 1
x y la nueva medicin
de la salida. Pero tal como lo hemos presentado esto es un caso esttico, por lo tanto
[ ]
1
1
1
1
1
1
1
1 1 1
0 / 1 1 1 1 0 / 1 1 / 1

+
R C N P
R C P W
x C y W x x
T
T
-102
[ ] [ ]
T T T T
N C R C N C C N N R C N P
1 1
1
1 1 1 1 1 1
1
1
1
1
1 1


+ + -103
solo se necesita saber el valor inicial de x. Si no se lo conoce, se toma un valor
cualquiera y se considera dispersin infinita
I N P
1 0
-104
1
1
1
1
1
C R C P
T
-105
Con lo que obtenemos la forma general del Filtro de Kalman-Bucy para sistemas
dinmicos
[ ]
[ ]

'

+
+
+

+
+ + + + +
1
1
1
/ 1 1 1 / 1 / 1

R C P W
N C R C N C C N N P
Q A N A N
x A C y W x A x
T
k k k
k k
T
k k k
T
k k k k
T
k k k k
k k k k k k k k k k k
-106
18
Observemos que la estructura es idntica a la del observador planteado al principio
donde W es variable segn la perturbacin en el sistema o mediciones de la salida. La
figura siguiente muestra un sistema con perturbaciones en la entrada y en la medicin al
que adems le hemos agregado una variable de comando u . Recordemos que las nicas
variables accesibles son y y u.
En la figura siguiente se muestra un ejempo en el cual tenemos tres curvas: la
medicin con ruido, el valor real si ruido y su estimacin.
0 2 4 6 8 10
-25
-20
-15
-10
-5
0
5
10
15
20
Seal con ruido, seal real sin ruido y su estimacin
Por ltimo veamos como es el Filtro de Kalman en diagrama de bloques. El sistema
original, en variables de estado se expresa como sigue:
Iz
-1
+
A
B
+
x
k
x
k-1
u
k
w
k
C
+
v
k
y
k
Sistema expresado en variables de estado con perturbaciones a la entrada y a la
salida
Con el Filtro de Kalman-Bucy podemos estimar u observar el estado interno x
considerando dentro del modelo del observador las perturbaciones existentes en la planta e
19
instrumentacin. El esquema completo planta ms observador se observa en la figura
siguiente.
Iz
-1
+
A
B
+
x
k
x
k-1
u
k
w
k
C
+
v
k
y
k
Iz
-1
+
A
B
+
xe
k
xe
k-
1
u
k
C
+
ye
k
-
W
Planta con Filtro de Kalman
Hemos introducido brevemente el concepto de estado de un sistema y su posible
estimacin u observacin a partir de la medicin de la salida y entrada de la planta.
Tambin analizamos la idea de estimacin estadstica de una variable a partir de
mediciones para pasar luego a combinar ambos casos y llegar a plantear un estimador
estadstico que lleva el nombre de sus autores. La teora y la aplicacin de la estimacin
estadstica es muy basta y su estudio excedera los lmites de este trabajo que solo pretende
ser una introduccin a las ideas fundamentales del filtrado u observacin de los estados.
7. Bibliografa y datos de inters
Kalman, R.E. and Bucy, R, S, New results in linear filtering and prediction theory,
ASME J. Basic Eng. Ser. D, 83, 95-108, 1961.
Athans, Michael, Kalman Filtering, The Control Handbook, 1996
20
Kailath, Thomas, A view of three decades of linear filtering theory, IEEE Transactions
on Information Theory, March 1974
Kailath, Thomas, An innovations approach to least-squares estimation. Part I: Linear
filtering in additive white noise, IEEE Transactions on Automatic Control, December
1968
Grewal, M. S.and Andrews, Angus P., Kalman Filtering: Theory and Practice 1993 -
Prentice Hall
Ver la demo de Matlab sobre Filtro de Kalman
http://www.innovatia.com/software/papers/kalman.html