Fundamentos de los filtros de Kalman
Descubra situaciones del mundo real en las que puede utilizar filtros de Kalman. Los filtros de Kalman se suelen utilizan para estimar de forma óptima los estados internos de un sistema en presencia de mediciones desconocidas e indirectas. Aprenda los principios de funcionamiento de los filtros de Kalman con estos ejemplos introductorios.
Explorará en qué situaciones los filtros de Kalman suelen ser más utilizados. Cuando el estado de un sistema solo se puede medir de forma indirecta, un filtro de Kalman es la mejor opción para estimar estados. Y cuando las mediciones de diferentes sensores disponibles están sujetas a ruido, puede utilizar un filtro de Kalman para combinar datos sensoriales de diversas fuentes (conocido como fusión de sensores) para obtener la mejor estimación del parámetro de interés.
También aprenderá sobre observadores de estado a través de ejemplos con matemáticas simples. Esto le ayudará a comprender qué es un filtro de Kalman y cómo funciona; en líneas generales, los filtros de Kalman son un tipo de estimador óptimo del estado. Los vídeos de la serie incluyen información sobre estimadores de estado no lineales, como los filtros de Kalman unscented y extendidos.
Finalmente, un ejemplo demuestra cómo estimar los estados de un sistema lineal utilizando filtros de Kalman, MATLAB® y Simulink®.
Relevancia de los filtros de Kalman
Descubra los usos frecuentes de los filtros de Kalman a través de ejemplos. Un filtro de Kalman es un algoritmo de estimación óptima que se utiliza para estimar los estados de un sistema a partir de mediciones indirectas y inciertas.
Aprenda los principios de funcionamiento de los observadores de estado y descubra los fundamentos matemáticos que los sustentan. Los observadores de estado se utilizan para estimar los estados internos de un sistema cuando no se pueden medir directamente.
Aprenda cómo funcionan los filtros de Kalman. Los filtros de Kalman combinan dos fuentes de información, los estados previstos y las mediciones con ruido, para generar estimaciones de estado óptimas no sesgadas.
Algoritmo de estimación de estado óptima
Descubra las ecuaciones necesarias para implementar un algoritmo de filtro de Kalman.
Estimadores de estados no lineales
Este vídeo explica los conceptos básicos de los estimadores de estados no lineales e incluye filtros de Kalman extendidos, filtros de Kalman unscented y filtros de partículas.
Estime la posición angular de un sistema de péndulo simple utilizando un filtro de Kalman en Simulink. Aprenderá a configurar los parámetros del bloque del filtro de Kalman, que comprende el modelo del sistema, las estimaciones iniciales del estado y las características del ruido.
Filtros de Kalman extendidos en Simulink
Estime la posición angular de un sistema de péndulo no lineal utilizando un filtro de Kalman extendido. Aprenderá a especificar los parámetros del bloque de filtro de Kalman extendido, que comprende las funciones de transición de estado y de medición, y generar código en C/C++.
