Skip to content
Voltar aos resultados

Filtro de Kalman Estendido

Proposto por
Richard S. Bucy
Ano
1961
Tipo
algorithm
Família
Nonlinear Estimation

Este texto é uma tradução automática e ainda não foi revisado. Ler o original em inglês

Tamanho da fonte

O que ele faz?

O Filtro de Kalman Estendido (EKF) é a generalização não linear do Filtro de Kalman, estendendo o algoritmo linear de estimação de estado para sistemas não lineares através de linearização local. Desenvolvido por Bucy no início dos anos 1960, o EKF tornou-se a ferramenta principal para estimação de estado em sistemas não lineares em robótica, aeroespacial e navegação, permitindo o processamento em tempo real de medições ruidosas de sensores e dinâmicas não lineares.

A intuição por trás do método

O Filtro de Kalman é ótimo para sistemas lineares, mas sistemas reais são frequentemente não lineares (sensores de robôs medem ângulos, não estados; navegação envolve relações trigonométricas). O EKF estende o Filtro de Kalman linear linearizando as equações de dinâmica do sistema não linear e de medição em torno da estimativa de estado atual. A cada passo de tempo, o EKF calcula matrizes Jacobianas (derivadas parciais) das funções não lineares, e então aplica as equações padrão do Filtro de Kalman linear usando essas Jacobianas. O resultado é uma estimativa localmente ótima que lida bem com não linearidades moderadas, embora perca a garantia de otimalidade global do Filtro de Kalman linear.

História

Bucy desenvolveu o EKF em 1961 como uma extensão do Filtro de Kalman para sistemas não lineares. O método foi rapidamente adotado para navegação de espaçonaves (programa Apollo) e controle de aeronaves. Battin e outros refinaram a implementação numérica para sistemas embarcados. O livro de Bar-Shalom (2001) tornou-se a referência padrão. Variantes modernas incluem o Filtro de Kalman Não-Atenuado (UKF), que usa amostragem determinística em vez de linearização, e o Filtro de Kalman de Ensemble (EnKF), usado em assimilação de dados em larga escala.

Quando usar

Use o EKF quando você tem um sistema não linear e deseja estimação de estado em tempo real a partir de medições ruidosas. É ideal para robótica (fusão de sensores de dados IMU, GPS, encoder), navegação (unidades de medição inercial de aeronaves), e sistemas de controle (feedback de estado em plantas não lineares). O EKF funciona bem para sistemas com não linearidades leves a moderadas e ruído Gaussiano. Evite o EKF se o sistema for altamente não linear (curvatura forte), se o ruído for não Gaussiano, ou se você precisar de limites garantidos para o erro de estimação (use métodos de intervalo).

Limitações e considerações

  • Subótimo para sistemas não lineares; a linearização introduz erros de aproximação que se acumulam.
  • O cálculo da Jacobiana pode ser propenso a erros; erros numéricos em derivadas degradam o desempenho.
  • Assume ruído Gaussiano e equações de medição lineares; medições não Gaussianas ou fortemente não lineares causam divergência do filtro.
  • Linearização local apenas; falha para grandes perturbações de estado longe da estimativa.
  • Pode divergir se a estimativa inicial estiver muito longe do estado verdadeiro ou se a incompatibilidade do modelo for grande.

As condições da fonte não substituem a revisão científica independente nem a validação por um motor de análise.

Pontos fortes

  • Estende a otimalidade e a eficiência recursiva da filtragem de Kalman para sistemas não lineares.
  • Implementação em tempo real possível; escala bem para sistemas de alta dimensionalidade (usado em automotivo e aeroespacial).
  • Teoria bem compreendida e implementações abundantes; ecossistema de software maduro.
  • Pode fundir múltiplos sensores não lineares (câmera, lidar, radar) em uma estimativa de estado unificada.
  • Fornece estimativa de covariância de estado, permitindo a tomada de decisão baseada na confiança na estimativa.

Aplicações

  • Robótica: Localização de robôs móveis fundindo odometria e observações de marcos, SLAM em tempo real com sensores ruidosos.
  • Aeroespacial: Estimação de estado de aeronaves a partir de IMU e GPS (fusão de sensores), estimação de atitude de espaçonaves a partir de rastreadores de estrelas.
  • Automotivo: Localização de veículos a partir de encoders de roda e GPS, estimação de estado de controle de cruzeiro adaptativo.
  • Navegação: Estimação de viés de unidade de medição inercial (IMU), integração GPS/INS para posicionamento preciso.
  • Visão computacional: Rastreamento de objetos 3D a partir de vídeo, odometria visual combinando medições de câmera e IMU.

Como funciona

Como funciona

1

Defina a estimativa de estado inicial x_hat_0 e a estimativa de covariância P_0; estas refletem sua incerteza sobre a condição inicial.

2

Use o modelo de movimento não linear x_{k+1} = f(x_k, u_k) para prever o próximo estado; compute a Jacobiana F_k de f e propague a covariância usando P_{k+1|k} = F_k P_k F_k^T + Q.

3

A cada tempo de medição, compute a Jacobiana H_k da função de medição h em torno do estado previsto x_hat_{k|k-1}.

4

Aplique a atualização padrão do Filtro de Kalman: compute o ganho de Kalman K_k, atualize a estimativa de estado x_hat_{k|k}, e atualize a covariância P_{k|k}.

Erros comuns

  • Computar Jacobianas incorretamente (erros de sinal, termos ausentes); sempre verifique numericamente contra diferenças finitas.
  • Ajuste excessivo das covariâncias de ruído Q e R; estatísticas de ruído mal especificadas causam divergência do filtro ou convergência lenta.
  • Ignorar a observabilidade; se o sistema não for observável, os ganhos do filtro tornam-se não confiáveis e as estimativas divergem.
  • Assumir distribuições Gaussianas; o ruído real do sensor frequentemente tem outliers, levando o filtro a ser enganado.

Perguntas frequentes

Como calculo as matrizes Jacobianas para o EKF?

Calcule a Jacobiana tomando derivadas parciais: F[i,j] = ∂f_i/∂x_j avaliada na estimativa atual. Para funções complexas, use ferramentas de diferenciação automática (por exemplo, PyTorch, JAX) para evitar erros. Sempre verifique numericamente comparando com aproximações de diferenças finitas: (f(x+ε)-f(x))/ε.

Qual a diferença entre EKF e UKF?

O EKF lineariza a função não linear usando uma expansão de Taylor (Jacobiana). O UKF, em vez disso, amostra um conjunto de pontos escolhidos deterministicamente (pontos sigma) em torno da estimativa e os propaga através da função não linear, capturando não linearidade de ordem superior sem Jacobianas explícitas. O UKF é frequentemente mais preciso para sistemas fortemente não lineares, mas ligeiramente mais caro computacionalmente.

Como detecto a divergência do filtro?

Monitore a inovação normalizada (resíduo de medição dividido pela covariância de medição prevista). Para um filtro bem ajustado, essas inovações devem ser brancas (média zero, variância constante). Se as inovações forem consistentemente enviesadas ou tiverem variância crescente, o filtro está divergindo. Verifique também se a covariância prevista diminui ao longo do tempo; se aumentar, a incerteza do modelo Q é muito grande.

Posso usar EKF para sistemas com atrasos de tempo?

O EKF padrão não lida com atrasos de tempo em medições. Para usar o EKF com medições atrasadas, aumente o vetor de estado para incluir estados passados, ou use uma variante do Filtro de Kalman atrasado que armazena e processa medições fora de ordem. Outra abordagem é aumentar a covariância de ruído de medição R para contabilizar a incerteza do atraso.

Métodos relacionados

Fontes

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

    Abrir referência da publicação
    Copiado.
  2. Bar-Shalom, Y., Li, X. R., & Kirubarajan, T. (2001). Estimation with Applications to Tracking and Navigation. Wiley-Interscience.

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

    Abrir referência da publicação
    Copiado.