Title: Clase 56,
1Clase 5-6,
- Fusión de datos, Kalman, etc.
- Juan Cristóbal Zagal
2Fusión de datos
- Cómo combinar datos de diversas fuentes, y
distintos grados de precisión? - Diferentes sensores.
- Diferentes posiciones.
- Medidas obtenidas en diferentes instantes.
- En general deseamos
- Contar con un estimador X de lo que buscamos.
- Conocer el grado de confianza del estimador
(varianza, covarianza).
3Estimación de pose
- Supongamos que contamos con cierto modelo del
mundo (mapa). - El desafío de localización consiste en realizar
asociaciones correctas entre datos sensoriales y
nuestro modelo. - Estimación de pose X f (Zk,,M)
- En general se divide en dos pasos
- Predicción de la nueva pose
- Actualización de las mediciones.
Sensores
Predicción
Odomet.
Actualización
Modelo M.
4Estimación de pose
- Ojo I El paso de predicción no es necesario si
el robot puede derivar su posición directamente
de los datos sensoriales. - Ojo II En la realidad esto casi nunca sucede!.
5Filtro de Kalman
- Una buena herramienta para estimar la pose de un
robot y realizar fusión de datos. - Es un algoritmo recursivo de procesamiento de
datos, bajo ciertas condiciones permite estimar
el estado de un sistema en forma óptima. - Entrega el estimador óptimo de X dado un conjunto
de medidas Z sólo si se cumplen las siguientes
condiciones - El sistema es lineal
- El ruido asociado con el modelo del proceso y las
mediciones es blanco y Gaussiano.
6Filtro de Kalman
- Caso general
- xk Fxk-1,uk-1wk-1 (Modelo de la planta
predicción) - zk Hxk,Cvk (Modelo de mediciones
corrección, actualización de mediciones) - xk pose en tiempo k (estado)
- uk señal de entrada al sistema. (acciones de
control) - zk mediciones en tiempo k (datos de los sensores)
- w y v se asumen independientes.
7Filtro de Kalman
- Caso lineal
- xk Axk-1 Buk-1wk-1 (Modelo de la planta
predicción) - zk Hxkvk (Modelo de mediciones
corrección, actualización de mediciones) - xk pose en tiempo k (estado)
- uk señal de entrada al sistema. (acciones de
control) - zk mediciones en tiempo k (datos de los sensores)
- w y v se asumen independientes.
8Filtro de Kalman
W corresponde al ruido del proceso con covarianza
Q. V corresponde al ruido en la medición con
covarianza R.
Se asume que poseen las siguientes distribuciones
Ojo A, B, y H podrían cambiar en el tiempo,
pero se asume que son constantes.
9Filtro de Kalman
- Los orígenes del filtro
- Definimos
- el estimador a priori del estado,
i.e. función del conocimiento del proceso previo
al paso k. - el estimador a posteriori del
estado, i.e. función de los pasos hasta k y de la
medición efectuada en el paso k. - Se definen errores de estimación a priori y a
posteriori - Y las correspondientes matrices de covarianza a
priori y a posteriori
10Filtro de Kalman
- Objetivo Encontrar una ecuación que exprese el
estimador a posteriori del estado como una
combinación lineal del estimador a priori del
estado y la diferencia entre la medida actual y
la predicción de la medida -
() - corresponde al residuo o
innovación de la medición. -
- Cómo elegir K?
- El objetivo es encontrar K tal que se minimice la
covarianza del error a posteriori. - Es posible encontrar una expresión para K
reemplazando () en la expresión del error ek y
luego en la expresión de la covarianza del error
a posteriori. Derivando el resultado c/r a K y
despejando K.
11Filtro de Kalman
- Realizando estas operaciones se obtienen las
siguientes ecuaciones de recurrencia
12Filtro de Kalman
- Es importante notar lo siguiente
- 1. Si la covarianza del error en la medición se
aproxima a cero, la ganancia K otorga mayor peso
a la innovación de la medición, i.e. se confía
más en la medición - 2. Si el estimador a priori de la covarianza del
error se aproxima a cero, la ganancia K otorga
menor importancia a la innovación de la medición.
13Filtro de Kalmanen funcionamiento
14Filtro de Kalmanen funcionamiento
- Hay que tener en cuenta lo siguiente
- R usualmente se mide antes de poner el filtro en
operación. Esto es generalmente posible. - Determinar Q es en general más difícil.
- También es posible ajustar los parámetros R y Q
del filtro, empleando otro filtro de Kalman. - Pk y Kk se estabilizaran rápidamente y
encontraran en general un valor de régimen
permanente. Si esto ocurre, podrían determinarse
antes de la ejecución del filtro y dejarse como
constantes.
15Filtro de Kalmanen funcionamiento ejemplo1
- Estimar una constante escalar sujeta a ruido.
Caso de un tester ruidoso y la determinación de
un voltaje. - Las medidas son corrompidas por un ruido blanco
de amplitud 0.1 volts RMS.
16Filtro de Kalmanen funcionamiento ejemplo1
17Filtro de Kalmanen funcionamiento ejemplo1
- Q 1e-5 suponiendo una varianza muy pequeña del
proceso. - Valores iniciales
18Filtro de Kalmanen funcionamiento ejemplo1
- Simulación 1, R constante
19Filtro de Kalmanen funcionamiento ejemplo1
20Filtro de Kalmanen funcionamiento ejemplo1
- Simulación 2, R incrementado en factor 100
21Filtro de Kalmanen funcionamiento ejemplo1
- Simulación 3, R decrece en factor 100