Filtro de Kalman
Em estatística, o filtro de Kalman é um método matemático criado por Rudolf Kalman. Seu propósito é utilizar medições de grandezas realizadas ao longo do tempo e gerar resultados que tendam a se aproximar dos valores reais das grandezas medidas e valores associados. O filtro de Kalman apresenta diversas aplicações e é uma parte essencial do desenvolvimento de tecnologias espaciais e militares. Talvez o tipo mais usado e simples do filtro de Kalman seja em phase-locked loop, bastante comuns em rádios FM e na maioria dos equipamentos de telecomunicações existentes. Extensões e generalizações do método também foram desenvolvidas.
Imagem: Javi S&M · BY-SA · Openverse
O filtro é nomeado em homenagem a Rudolf Kalman, embora Thorvald Nicolai Thiele e Peter Swerling tenham desenvolvido um algoritmo similar antes. Stanley F. Schmidt é geralmente citado como tendo desenvolvido a primeira implementação do filtro de Kalman. Richard S. Bucy contribuiu com a teoria, levando à denominação ocasional do filtro de Kalman-Bucy. Durante uma visita de Kalman ao NASA Ames Research Center ele viu a aplicação de suas ideias no problema de estimação de trajetórias para o Projeto Apollo, levando à incorporação do filtro no computador de navegação do projeto Apollo. O filtro de Kalman foi primeiramente descrito e desenvolvido parcialmente nos artigos acadêmicos de Swerling (1958), Kalman (1960) e Kalman e Bucy (1961). Os filtros de Kalman tem sido vitais na implementação de sistemas de navegação de submarinos e nos sistemas de guiamento e navegação de mísseis de cruzeiro como o Tomahawk da marinha americana, e o AGM-86 ALCM da força aérea americana. O filtro de Kalman também é utilizado no guiamento e navegação dos Ônibus Espacias da NASA e no controle de atitude da Estação Espacial Internacional.
O filtro de Kalman é um eficiente filtro recursivo que estima o estado de um sistema dinâmico linear a partir de uma série de medições ruidosas. O filtro é utilizado em uma grande variedade de aplicações em engenharia e econometria, desde radar e visão computacional até modelos macroeconômicos e é um tópico importante na teoria de sistemas de controle. O filtro de Kalman é utilizado, em conjunto com o regulador quadrático linear (linear quadratic regulator - LQR), para resolver o problema de controle gaussiano quadrático linear (linear-quadratic-Gaussian control - LQG). O filtro de Kalman, o regulador quadrático linear e o controlador gaussiano quadrático linear são soluções para os problemas mais fundamentais da teoria de controle. Na maioria das aplicações, o estado completo do sistema é muito maior (apresenta mais graus de liberdade) que os poucos parâmetros passíveis de serem medidos. Porém, ao combinar uma série de medições, o filtro de Kalman é capaz de estimar o estado completo. Uma grande variedade de filtros de Kalman foi desenvolvida, desde a forma original de Kalman, o filtro de Kalman-Bucy, o filtro estendido de Schmidt, o filtro de informação (information filter) e uma variedade de filtros baseados em raízes quadradas desenvolvidos por Bierman, Thornton e muitos outros. Talvez o tipo mais usado e simples do filtro de Kalman seja em phase-locked loop (malhas de captura de fase), bastante comuns em rádios FM e na maioria dos equipamentos de telecomunicações existentes.
Visão geral
O filtro de Kalman utiliza um modelo dinâmico de um sistema (as equações do movimento, por exemplo), entradas de controle conhecidas e medições (como as de sensores) para gerar uma estimativa das grandezas variáveis do sistema (seus estados). A estimativa obtida desta forma é melhor que a estimativa obtida utilizando-se qualquer uma das medidas unicamente. Assim, é um algoritmo usual para fusão de sensores. Todas as medições e cálculos baseados em modelos são, de certo modo, estimativas. Sinais ruidosos de sensores, aproximações nas equações que descrevem o comportamento do sistema e fatores externos não considerados introduzem incerteza sobre os valores inferidos para o estado de um sistema. O filtro de Kalman combina uma predição do estado de um sistema com uma nova medida usando uma média ponderada. A ideia dos pesos é que valores com menor incerteza estimada sejam mais "confiados". Os pesos são calculados através da covariância, uma medida da incerteza estimada da predição do estado do sistema. O resultado da média ponderada é uma nova estimativa do estado, que se localiza entre o estado predito e o estado medido, apresentando uma melhor incerteza estimada que qualquer um dos dois unicamente. Este processo é repetido a cada passo de tempo, com a nova estimativa e sua covariância gerando a predição usada na próxima iteração. Isto significa que o filtro de Kalman funciona recursivamente e requer apenas a última estimativa - não o histórico completo - do estado de um sistema para calcular o próximo estado.
Modelo de sistema dinâmico considerado
Os filtros de Kalman são baseados em sistemas dinâmicos lineares discretizados no domínio do tempo. Eles são modelados em uma cadeia de Markov sobre operadores lineares perturbados por distribuições normais. O estado do sistema é representado como um vetor de números reais. A cada passo de tempo, um operador linear é aplicado ao estado para gerar o próximo estado, com adição de ruído e, opcionalmente, alguma informação sobre as entradas de controle, caso sejam conhecidas. Depois, outro operador linear com mais adição de ruído gera as observações do estado real. O filtro de Kalman pode ser visto como análogo ao modelo oculto de Markov, com a diferença principal que as variáveis ocultas pertencem a um espaço contínuo (ao contrário do espaço de estados discreto do modelo oculto de Markov. Além disso, o modelo oculto de Markov pode representar uma distribuição arbitrária para o próximo valor das variáveis de estado, ao contrário do modelo de ruído Gaussiano utilizado para o filtro de Kalman. Há uma significativa dualidade entre as equações do filtro de Kalman e do modelo oculto de Markov, como mostrado por Roweis and Ghahramani (1999).
Equações
O filtro de Kalman é um estimador recursivo. Isto significa que apenas a estimativa do estado no passo anterior e a medição atual são necessários para computar a estimativa do estado atual. Ao contrário de outras técnicas de estimação, nem o histórico de observações, nem o histórico das estimativas são necessários. No restante do texto, a notação x ^ n | m {\displaystyle {\hat {\textbf {x}}}_{n|m}} representa a estimativa de x {\displaystyle {\textbf {x}}} no tempo n, dadas as observações até o tempo m, inclusive. O estado do filtro é representado por duas variáveis: O filtro de Kalman pode ser escrito como uma única equação, porém ele é mais comumente descrito em duas fases distintas: Predição e Atualização. A fase de predição usa a estimativa do estado no passo anterior para obter uma estimativa do estado no tempo atual. Esta predição é chamada de estimativa a priori, pois não inclui a informação vinda da observação do estado atual. Na fase de atualização, a predição a priori é combinada com a observação atual para refinar a estimativa do estado. A estimativa refinada é chamada de estimativa a posteriori.
Derivações
Começando com a invariante da covariância do erro Pk|k substituindo a definição de x ^ k | k {\displaystyle {\hat {\textbf {x}}}_{k|k}} e substituindo y ~ k {\displaystyle {\tilde {\textbf {y}}}_{k}} como o erro de medição vk não tem correlação com os outros termos, temos o que, pelas propriedades da covariância, se torna o que, usando a invariante Pk|k-1 e a definição de Rk se torna Esta fórmula é válida para qualquer valor de Kk. Quando Kk é o ganho ótimo de Kalman, a fórmula pode ser simplificada como é mostrado abaixo. O filtro de Kalman é um estimador de mínimo erro quadrático. O erro na estimativa 'a posteriori' do estado é A ideia é minimizar o valor esperado do quadrado do módulo deste vetor, E [ | x k − x ^ k | k | 2 ] {\displaystyle {\textrm {E}}[|{\textbf {x}}_{k}-{\hat {\textbf {x}}}_{k|k}|^{2}]} . Isto é equivalente a minimizar o traço da estimativa a posteriori da matriz de covariância P k | k {\displaystyle {\textbf {P}}_{k|k}} . Expandindo os termos da equação de P k | k {\displaystyle {\textbf {P}}_{k|k}} e reescrevendo, temos:
O filtro de Kalman é utilizado em fusão de sensores e fusão de dados. Tipicamente, sistemas de tempo real realizam múltiplas medições sequenciais ao invés de uma única medição para obter o estado do sistema. Essas múltiplas medições são combinadas matematicamente para gerar o estado no sistema naquele instante. Como um exemplo de aplicação, consideremos o problema de determinar a localização precisa de um carro. O carro pode estar equipado com um receptor GPS que provê uma estimativa de posição com precisão de alguns metros. A estimativa do GPS é comumente ruidosa; as medições apresentam saltos rápidos, porém sempre dentro de alguns metros da posição real. A posição também pode ser estimada integrando-se sua velocidade e direção ao longo do tempo, conhecendo-se as posições do acelerador e do volante. Esta técnica é conhecida como dead reckoning. Tipicamente, esta técnica gera uma estimativa suave da posição do carro, mas irá se afastar do valor real com o tempo, devido ao acúmulo de pequenos erros. Também sabe-se que o carro deve seguir as leis da física, com sua posição variando proporcionalmente à sua velocidade.
Visão computacional
Fusão de dados utilizando filtro de Kalman pode ajudar computadores a seguir objetos em vídeos com baixa latência. O problema de seguir objetos é dinâmico, utilizando dados de sensores e imagens de câmeras que sempre estão contaminados com ruído. Desta forma normalmente é desejável utilizar algum método para redução de ruído. O esquema iterativo de predição-atualização do filtro de Kalman pode ser útil, pois a cada passo de tempo apenas uma informação sobre a variável de estado deve ser considerada. Este processo é repetido, considerando uma informação diferente a cada passo de tempo. As informações de todas as medições são acumuladas com o tempo e ajudam na predição do estado.
Considere um vagão sobre trilhos retilíneos infinitos e sem atrito. Inicialmente o vagão está parado na posição 0, mas é empurrado por acelerações aleatórias nos dois sentidos. A posição do vagão é medida a cada Δt segundos, mas as medidas são imprecisas; o objetivo é obter um modelo da posição e velocidade do vagão. Será mostrado como derivar o modelo sobre o qual é criado o filtro de Kalman. Como F, H, R e Q são constantes, os índices temporais são ignorados. A posição e velocidade do vagão são descritos pelo seguinte espaço de estados linear onde x ˙ {\displaystyle {\dot {x}}} é a velocidade, ou seja, a derivada da posição no tempo. Assume-se que entre os passos de tempo (k − 1) e k o vagão sofre uma aceleração constante de ak, que é normalmente distribuída com média zero e desvio padrão σa. Das equações do movimento, conclui-se que (note que não há o termo B u {\displaystyle {\textbf {B}}u} pois não há entradas de controle) onde


