Saltar al contenido
Volver a los resultados

Filtro de Kalman Extendido

Propuesto por
Richard S. Bucy
Año
1961
Tipo
algorithm
Familia
Nonlinear Estimation

Este texto es una traducción automática y aún no se ha revisado. Leer el original en inglés

Tamaño de letra

¿Qué hace?

El Filtro de Kalman Extendido (EKF, por sus siglas en inglés) es la generalización no lineal del Filtro de Kalman, que extiende el algoritmo lineal de estimación de estado a sistemas no lineales mediante linealización local. Desarrollado por Bucy a principios de la década de 1960, el EKF se ha convertido en la herramienta principal para la estimación de estado en sistemas no lineales en robótica, aeroespacial y navegación, permitiendo el procesamiento en tiempo real de mediciones ruidosas de sensores y dinámicas no lineales.

La intuición detrás del método

El Filtro de Kalman es óptimo para sistemas lineales, pero los sistemas reales suelen ser no lineales (los sensores de robots miden ángulos, no estados; la navegación involucra relaciones trigonométricas). El EKF extiende el Filtro de Kalman lineal linealizando la dinámica del sistema no lineal y las ecuaciones de medición en torno a la estimación de estado actual. En cada paso de tiempo, el EKF calcula matrices Jacobianas (derivadas parciales) de las funciones no lineales y luego aplica las ecuaciones estándar del Filtro de Kalman lineal utilizando estas Jacobianas. El resultado es una estimación localmente óptima que maneja bien las no linealidades moderadas, aunque pierde la garantía de optimalidad global del Filtro de Kalman lineal.

Historia

Bucy desarrolló el EKF en 1961 como una extensión del Filtro de Kalman para sistemas no lineales. El método fue adoptado rápidamente para la navegación de naves espaciales (programa Apolo) y el control de aeronaves. Battin y otros refinaron la implementación numérica para sistemas embebidos. El libro de texto de Bar-Shalom (2001) se convirtió en la referencia estándar. Variantes modernas incluyen el Filtro de Kalman Unscented (UKF), que utiliza muestreo determinista en lugar de linealización, y el Filtro de Kalman de Conjunto (EnKF), utilizado en asimilación de datos a gran escala.

Cuándo usarlo

Usar el EKF cuando se tiene un sistema no lineal y se desea una estimación de estado en tiempo real a partir de mediciones ruidosas. Es ideal para robótica (fusión de sensores de datos IMU, GPS, encoders), navegación (unidades de medición inercial de aeronaves) y sistemas de control (retroalimentación de estado en plantas no lineales). El EKF funciona bien para sistemas con no linealidades leves a moderadas y ruido Gaussiano. Evitar el EKF si el sistema es altamente no lineal (curvatura fuerte), si el ruido no es Gaussiano, o si se necesitan límites garantizados para el error de estimación (usar métodos de intervalos).

Limitaciones y consideraciones

  • Subóptimo para sistemas no lineales; la linealización introduce errores de aproximación que se acumulan.
  • El cálculo de la Jacobiana puede ser propenso a errores; los errores numéricos en las derivadas degradan el rendimiento.
  • Asume ruido Gaussiano y ecuaciones de medición lineales; mediciones no Gaussianas o fuertemente no lineales causan divergencia del filtro.
  • Linealización local solamente; falla para grandes perturbaciones del estado lejos de la estimación.
  • Puede divergir si la suposición inicial está demasiado lejos del estado real o si la discrepancia del modelo es grande.

Las condiciones de la fuente no sustituyen una revisión científica independiente ni la validación por un motor de análisis.

Fortalezas

  • Extiende la optimalidad y la eficiencia recursiva del filtrado de Kalman a sistemas no lineales.
  • Implementación en tiempo real posible; escala bien a sistemas de alta dimensionalidad (utilizado en automoción y aeroespacial).
  • Teoría bien comprendida y abundantes implementaciones; ecosistema de software maduro.
  • Puede fusionar múltiples sensores no lineales (cámara, lidar, radar) en una estimación de estado unificada.
  • Proporciona una estimación de covarianza del estado, permitiendo la toma de decisiones basada en la confianza en la estimación.

Aplicaciones

  • Robótica: Localización de robots móviles fusionando odometría y observaciones de puntos de referencia, SLAM en tiempo real con sensores ruidosos.
  • Aeroespacial: Estimación de estado de aeronaves a partir de IMU y GPS (fusión de sensores), estimación de actitud de naves espaciales a partir de rastreadores de estrellas.
  • Automoción: Localización de vehículos a partir de encoders de rueda y GPS, estimación de estado de control de crucero adaptativo.
  • Navegación: Estimación de sesgo de unidad de medición inercial (IMU), integración GPS/INS para posicionamiento preciso.
  • Visión por computadora: Seguimiento de objetos 3D a partir de video, odometría visual combinando mediciones de cámara e IMU.

Cómo funciona

Cómo funciona

1

Establecer la estimación de estado inicial x_hat_0 y la estimación de covarianza P_0; estas reflejan su incertidumbre sobre la condición inicial.

2

Usar el modelo de movimiento no lineal x_{k+1} = f(x_k, u_k) para predecir el siguiente estado; calcular la Jacobiana F_k de f y propagar la covarianza usando P_{k+1|k} = F_k P_k F_k^T + Q.

3

En cada tiempo de medición, calcular la Jacobiana H_k de la función de medición h en torno al estado predicho x_hat_{k|k-1}.

4

Aplicar la actualización estándar del Filtro de Kalman: calcular la ganancia de Kalman K_k, actualizar la estimación de estado x_hat_{k|k} y actualizar la covarianza P_{k|k}.

Errores comunes

  • Calcular incorrectamente las Jacobianas (errores de signo, términos faltantes); siempre verificar numéricamente comparando con diferencias finitas.
  • Ajuste excesivo de las covarianzas de ruido Q y R; estadísticas de ruido mal especificadas causan divergencia del filtro o convergencia lenta.
  • Ignorar la observabilidad; si el sistema no es observable, las ganancias del filtro se vuelven poco fiables y las estimaciones divergen.
  • Asumir distribuciones Gaussianas; el ruido real del sensor a menudo tiene valores atípicos, lo que lleva a que el filtro se equivoque.

Preguntas frecuentes

¿Cómo calculo las matrices Jacobianas para el EKF?

Calcular la Jacobiana tomando derivadas parciales: F[i,j] = ∂f_i/∂x_j evaluada en la estimación actual. Para funciones complejas, usar herramientas de diferenciación automática (p. ej., PyTorch, JAX) para evitar errores. Siempre verificar numéricamente comparando con aproximaciones de diferencias finitas: (f(x+ε)-f(x))/ε.

¿Cuál es la diferencia entre EKF y UKF?

El EKF linealiza la función no lineal usando una expansión de Taylor (Jacobiana). El UKF en su lugar muestrea un conjunto de puntos elegidos determinísticamente (puntos sigma) alrededor de la estimación y los propaga a través de la función no lineal, capturando no linealidades de orden superior sin Jacobianas explícitas. El UKF suele ser más preciso para sistemas fuertemente no lineales pero ligeramente más costoso computacionalmente.

¿Cómo detecto la divergencia del filtro?

Monitorear la innovación normalizada (residuo de medición dividido por la covarianza de la medición predicha). Para un filtro bien ajustado, estas innovaciones deben ser blancas (media cero, varianza constante). Si las innovaciones están consistentemente sesgadas o tienen una varianza creciente, el filtro está divergiendo. También verificar que la covarianza predicha disminuye con el tiempo; si aumenta, la incertidumbre del modelo Q es demasiado grande.

¿Puedo usar EKF para sistemas con retardos de tiempo?

El EKF estándar no maneja retardos de tiempo en las mediciones. Para usar EKF con mediciones retardadas, aumentar el vector de estado para incluir estados pasados, o usar una variante de Filtro de Kalman retardado que almacena y procesa mediciones fuera de orden. Otro enfoque es aumentar la covarianza de ruido de medición R para tener en cuenta la incertidumbre del retardo.

Métodos relacionados

Fuentes

  1. Bucy, R. S. (1961). A linear approximation to the solution of nonlinear filtering equations. Technical Report No. 32-486, Jet Propulsion Laboratory.

    Abrir referencia de la publicación
    Copiado.
  2. Bar-Shalom, Y., Li, X. R., & Kirubarajan, T. (2001). Estimation with Applications to Tracking and Navigation. Wiley-Interscience.

    Abrir referencia DOI
    Copiado.
  3. Welch, G., & Bishop, G. (2006). An Introduction to the Kalman Filter. UNC-CH Technical Report.

    Abrir referencia de la publicación
    Copiado.