Introducción a los filtros de Kalman
El filtro de Kalman es un algoritmo que estima el estado de un sistema a partir de datos medidos. Lo desarrolló principalmente el ingeniero húngaro Rudolf Kalman, de quien toma su nombre. El algoritmo del filtro es un proceso de dos pasos. El primer paso predice el estado del sistema y el segundo paso utiliza mediciones con ruido para optimizar la estimación del estado del sistema.
Actualmente existen diversas variantes del filtro de Kalman original. Estos filtros se utilizan ampliamente en aplicaciones que se basan en estimación, como visión artificial, sistemas de orientación y navegación, econometría y procesamiento de señales.
Orientación, navegación y control
Los filtros de Kalman se utilizan comúnmente en sistemas GNC, como fusión de sensores, donde sintetizan señales de posición y velocidad fusionando mediciones de GPS e IMU (unidad de medición inercial). Estos filtros se suelen utilizar para estimar el valor de una señal que no se puede medir, como la temperatura de la turbina del motor de una aeronave, donde cualquier sensor de temperatura fallaría. También se utilizan junto con compensadores LQR (regulador lineal cuadrático) para control LQG (lineal cuadrático gaussiano).
Uso del filtro de Kalman para estimar la posición de una aeronave. Consulte un ejemplo para más información.
Visión artificial
En aplicaciones de visión artificial, los filtros de Kalman se utilizan para seguimiento de objetos a fin de predecir la ubicación futura de un objeto, tener en cuenta el ruido en la ubicación detectada de un objeto y ayudar a asociar múltiples objetos a sus trayectorias correspondientes.
Seguimiento de la trayectoria de una pelota. La salida del filtro de Kalman se indica con círculos rojos y la detección del objeto se muestra en negro. Observe que cuando la pelota queda oculta y no hay detecciones se utiliza el filtro para predecir su ubicación. Consulte un ejemplo para más información.
Ejemplos y procedimientos
Sistemas de control
Visión artificial
Fusión de datos de sensores y seguimiento de objetos
Referencias de software
Sistemas de control
Bloques de Simulink
Funciones de MATLAB
Visión artificial
Procesamiento de señales
Fusión de datos de sensores y seguimiento de objetos
También puede consultar estos temas: Reconocimiento de objetos, Procesamiento de vídeo, Control PID, Estimación de parámetros, Nube de puntos, Estado de carga de una batería, SLAM (localización y mapeo simultáneos)
