, Duración: 33:33
Materiales: [ Cód.: kalmtst2masas.mlx ] [ PDF ]
Este vídeo presenta cómo simular el filtro de Kalman no estacionario discutido
en el vídeo [
En concreto, dicho vídeo discutía la simulación en bucle abierto, sin
mediciones. La incorporación de sensores hace que, obviamente, la matriz de
varianzas-covarianzas del error de estimación sea mucho más peque
El modelado y revisión de conceptos de teoría abarca hasta el minuto [03:55].
Aunque el vídeo discute la simulación de un filtro no estacionario, se
comenta en el mismo que en muchas aplicaciones se implementa el filtro
estacionario (ganancias constantes, observador invariante en el tiempo) y, por
tanto, el objetivo del vídeo es una implementación “purista” de los
desarrollos teóricos para comprobar su corrección, y no la implementación
estacionaria de ganancia constante en aplicaciones, que utilizaría el
código de los observadores del vídeo [
En efecto, el código compara la solución obtenida (excepto en un transitorio de dos segundos) con la del comando dlqe y son coincidentes.
La parte final del vídeo compara la calidad de los estimados según la configuración de sensores disponible: posición 1 vs. posición 2 vs. ambas. Las desviaciones típicas (raíz cuadrada de la diagonal de la matriz de varianzas-covarianzas del error de observación) nos indican cómo de útil es cada configuración de sensores para poder estimar cada estado, según la precisión conseguida.
Colección completa [VER]:
Anterior Filtro de Kalman estacionario: ejemplo estimación temperatura de gas en tubería (Matlab)
Siguiente Suavizado no causal en representación interna (RTS smoother)