Clase 56, - PowerPoint PPT Presentation

1 / 21
About This Presentation
Title:

Clase 56,

Description:

... en el tiempo, pero se asume que son constantes. Filtro de Kalman ... R usualmente se mide antes de poner el filtro en operaci n. Esto es generalmente posible. ... – PowerPoint PPT presentation

Number of Views:26
Avg rating:3.0/5.0
Slides: 22
Provided by: roboticaL
Category:
Tags: clase | el | filtro

less

Transcript and Presenter's Notes

Title: Clase 56,


1
Clase 5-6,
  • Fusión de datos, Kalman, etc.
  • Juan Cristóbal Zagal

2
Fusión 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).

3
Estimación 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.
4
Estimación 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!.

5
Filtro 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.

6
Filtro 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.

7
Filtro 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.

8
Filtro 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.
9
Filtro 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

10
Filtro 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.

11
Filtro de Kalman
  • Realizando estas operaciones se obtienen las
    siguientes ecuaciones de recurrencia

12
Filtro 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.

13
Filtro de Kalmanen funcionamiento
14
Filtro 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.

15
Filtro 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.

16
Filtro de Kalmanen funcionamiento ejemplo1
17
Filtro de Kalmanen funcionamiento ejemplo1
  • Q 1e-5 suponiendo una varianza muy pequeña del
    proceso.
  • Valores iniciales

18
Filtro de Kalmanen funcionamiento ejemplo1
  • Simulación 1, R constante

19
Filtro de Kalmanen funcionamiento ejemplo1
  • Convergencia de Pk

20
Filtro de Kalmanen funcionamiento ejemplo1
  • Simulación 2, R incrementado en factor 100

21
Filtro de Kalmanen funcionamiento ejemplo1
  • Simulación 3, R decrece en factor 100
Write a Comment
User Comments (0)
About PowerShow.com