Filtros Kalman

El filtro de Kalman es un método que permite estimar variables de estado no observables a partir
de variables observables que pueden contener algún error de medición.

Es un algoritmo que requiere dos tipos de ecuaciones: las que relacionan las variables de estado
con las variables observables (ecuaciones principales) y las que determinan la estructura temporal
de las variables de estado (ecuaciones de estado).

Las estimaciones de las variables de estado se realizan en base a la dinámica de estas variables
(dimensión temporal) así como de las mediciones de las variables observables que se van
obteniendo en cada instante del tiempo (dimensión transversal). Es decir, la dinámica se resume en
dos pasos:

Estimar las variables de estado utilizando su propia dinámica (etapa de predicción) .

Mejorar esa primera estimación utilizando la información de las variables observables (etapa de
corrección).

Una característica muy atractiva de la metodología que nos ocupa es que tiene carácter recursivo.
Una vez que el algoritmo pronostica el nuevo estado en el momento t , añade un término de
corrección y el nuevo estado “corregido” sirve como condición inicial en la siguiente etapa, t+1. De
esta forma, la estimación de las variables de estado utiliza toda la información disponible hasta
ese momento y no sólo la información hasta la etapa anterior al momento en el cual se realiza la
estimación (esto es lo que se conoce como “extracción de señales”).

Algoritmo

Supongamos la ecuación principal siguiente:

Zt es un vector de variables observables, xt es el vector de las variables de estado y Ht es la matriz

que relaciona las variables observables con las de estado. El término de error ut se incluye para
albergar la posibilidad de que las variables observables puedan contener algún error de medición.
Es un término correlacionado con las variables observables y que tampoco presenta
autocorrelación. Además, se asume que sigue una distribución normal de media nula.

Supongamos por otro lado que la dinámica de las variables de estado viene determinada por la
siguiente ecuación de estado:
et es un vector de errores que se incluye para modelar la incertidumbre de las variables de estado.
Es un término tal que sus componentes no están correlacionadas entre sí, no presentan
autocorrelación ni guardan correlación tampoco con el error de la ecuación principal. Un supuesto
es que sigue una distribución gaussiana de media nula:

donde Q denota la matriz covarianzas de las componentes del término de error (ésta puede ser
constante o variable con el tiempo).

I) Ecuaciones de predicción: sea xt,opt un estimador óptimo del vector y Pt la varianza del vector
de estados, las ecuaciones de predicción son:

II) Ecuaciones de corrección: mejoramos los datos predichos utilizando la información de las
variables observables para t+1, que es conocida:

donde Kt es el término que se conoce como la ganancia de Kalman:

Vemos que es un algoritmo sencillo de implementar, simplemente en cada etapa t ha de ejecutarse

la predicción seguida de la posterior corrección. Este proceso requiere la elección de unas buenas
condiciones iniciales para el vector de estados y su varianza, así como la elección de modelos que
describan la dinámica de las variables de estado y modelos para la varianza de los errores de las
ecuaciones principal y de estado.