Guia básico do Filtro de Kalman » Histórico » Versão 4
Pablo Amorim, 17/05/2025 19:17 h
1 | 1 | Pablo Amorim | # Guia básico do Filtro de Kalman |
---|---|---|---|
2 | |||
3 | O tutorial que será ensinado aqui tem como base essa playlist do youtube: https://www.youtube.com/watch?v=CaCcOwJPytQ&list=PLX2gX-ftPVXU3oUFNATxGXY90AULiqnWT |
||
4 | |||
5 | O filtro funciona da seguinte maneira: |
||
6 | |||
7 | 2 | Pablo Amorim | !clipboard-202505171856-1h1ui.png! |
8 | 1 | Pablo Amorim | Primeiramente faremos uma análise mais simples, depois partiremos para uma análise mais geral, onde haverá cálculos mais complicados. |
9 | |||
10 | O *Kalman Gain* é calculado por: |
||
11 | |||
12 | 2 | Pablo Amorim | !clipboard-202505171857-f6kwq.png! |
13 | 1 | Pablo Amorim | Ele é calculado dessa forma para representarmos as seguintes características: |
14 | |||
15 | 2 | Pablo Amorim | !clipboard-202505171856-dogzk.png! |
16 | 1 | Pablo Amorim | Do *Kalman Gain* tira-se o resultado para as estimativas: |
17 | |||
18 | 2 | Pablo Amorim | !clipboard-202505171856-rsu1u.png! |
19 | 1 | Pablo Amorim | Temos ainda que calcular o erro na estimativa atual, baseando-se no erro das estimativas anteriores, isto pode ser feito desta forma: |
20 | |||
21 | 2 | Pablo Amorim | !clipboard-202505171856-nhxoy.png! |
22 | 1 | Pablo Amorim | Então, em toda iteração nesta abordagem mais simples que fizemos, temos que repetir essas 3 equações (lembrando que o erro na medição é considerado constante): |
23 | |||
24 | 2 | Pablo Amorim | !clipboard-202505171856-pit9i.png! |
25 | 1 | Pablo Amorim | Neste vídeo é feito um exemplo com todas essas equações vistas até agora: https://www.youtube.com/watch?v=PZrFFg5_Sd0 |
26 | |||
27 | Agora vamos partir para o modelo de Kalman multi-dimensional, ou seja, onde queremos determinar e prever mais de uma variável. Para uma visão mais geral do modelo, que nem foi feito no começo, observe o seguinte fluxograma do kalman: |
||
28 | |||
29 | 2 | Pablo Amorim | !clipboard-202505171858-dhnn3.png! |
30 | 1 | Pablo Amorim | A matrix de estado, que é a X, pode ter a quantidade de atributos que desejarmos (geralmente posição e velocidade), como por exemplo: |
31 | |||
32 | 2 | Pablo Amorim | !clipboard-202505171857-amjx7.png! |
33 | 1 | Pablo Amorim | As matrizes A e B vistos na determinação dos futuros estados são mudadas conforme o sistema, por exemplo, se estivermos querendo prever a altura e a velocidade de um objeto em queda livre, poderíamos atribuir os seguinte valores: |
34 | |||
35 | |||
36 | A partir disso trabalharíamos com a equação para gerar o próximo estado, que podemos relembrá-la aqui: |
||
37 | |||
38 | 2 | Pablo Amorim | !clipboard-202505171858-evpnh.png! |
39 | 1 | Pablo Amorim | Daí, é fácil ver que chegamos nas equações que estudamos em física I, do MRUV: |
40 | |||
41 | 2 | Pablo Amorim | !clipboard-202505171858-swyin.png! |
42 | 1 | Pablo Amorim | Um exemplo feito passo-a-passo, com valores reais, pode ser visto aqui: https://www.youtube.com/watch?v=mRf-cL2mjo4&t=15s |
43 | |||
44 | Da mesma forma, podemos ver um exemplo aplicado em 2D, perceba que temos que mudar as matrizes A e B, principalmente porque aumentamos o número de variáveis: |
||
45 | |||
46 | 4 | Pablo Amorim | !picture489-7.png! |
47 | 1 | Pablo Amorim | |
48 | Pode-se ver facilmente a analogia entre este exemplo acima e o anterior. Vemos novamente as equações de posição e velocidade do MRUV. Não irei escrever aqui sobre o exemplo em 3D, mas ele segue os mesmos passos do anterior, fica aqui o link para quem quiser conferir: https://www.youtube.com/watch?v=FFvQtplnnWc |
||
49 | |||
50 | Agora vamos passar para a parte das matrizes de covariância. |
||
51 | |||
52 | Temos essas novas equações que irão definir as matrizes de covariância e o *kalman gain*: |
||
53 | |||
54 | 4 | Pablo Amorim | !picture30-1.png! |
55 | 1 | Pablo Amorim | |
56 | Uma explicação mais completa do que representa cada variável pode ser vista aqui: |
||
57 | |||
58 | 4 | Pablo Amorim | !picture30-2.png! |
59 | 1 | Pablo Amorim | |
60 | Aqui está um exemplo de uma matriz de matriz de covariância em 2D, onde cada termo representa a variância (termos da diagonal) ou a covariância (termos das outras células): |
||
61 | |||
62 | 4 | Pablo Amorim | !picture30-3.png! |
63 | 1 | Pablo Amorim | |
64 | A variância e a covariância são definidas por: |
||
65 | |||
66 | 4 | Pablo Amorim | !picture30-4.png! |
67 | 1 | Pablo Amorim | |
68 | Um exemplo simples da aplicação destas últimas equações pode ser visto em: [exercicio 1](https://www.youtube.com/watch?v=xPu1m2xfhVc&t=3s), [exercicio 2 - parte 1](https://www.youtube.com/watch?v=zRHzMsV9yEo) e [exercicio 2 - parte 2](https://www.youtube.com/watch?v=LmZAwtQ6XzI&t=3s). |
||
69 | |||
70 | Aqui segue um exemplo de como calcular a matriz de covariância baseada em notas de um aluno: [exemplo](https://www.youtube.com/watch?v=9B5vEVjH2Pk) |
||
71 | |||
72 | Um fato importante sobre a matriz de covariância é que se a estimativa para uma variável, digamos *x*, é completamente independente de outra variável, digamos velocidade *v*, então nenhum ajuste é feito para as estimativas de uma variável em função do erro de outra. Ou seja, teríamos uma matriz de covariância com termos nulos fora da diagonal principal: |
||
73 | |||
74 | 4 | Pablo Amorim | !picture30-5.png! |