Introducao Aos Proc. Est. e Filtros de Kalman (Slides)

Processos Estocásticos e Filtro de Kalman - Introdução Paulo Lopes dos Santos
Processos Estocásticos e Filtro de Kalman - Introdução
Paulo Lopes dos Santos (Universidade do Porto, PORTUGAL)
Faculdade de Engenharia da Universidade do Porto, 2009 Slide 1/96

Resumo
1 - Introdução
2 - Observadores determinı́sticos
3 - Modelização de perturbações como processos estocásticos ergódicos
4 - Modelos de estado de processos determinı́stico-estocásticos
5 - Estimação de estado em processos estocásticos e determinı́stico-estocásticos
6 - Conclusões

1 - Introdução
Sistema discreto linear e invariante no tempo descrito pelo modelo de estado:
x(t + 1) = Ax(t) + Bu(t)
y(t) = Cx(t) + Du(t)
y(t) ∈ IR` - Saı́da.

u(t) ∈ IRm - Entrada
x(t) ∈ IRn - Vector das variáveis de estado.
A ∈ IRn×n , B ∈ IRn×m , C ∈ IR`×n , D ∈ IR`×m - Parâmetros do sistema
/ PROBLEMA: Determinar x(t) a partir da observação de y(t)

, SOLUÇÃO: Observador de Estado

+ i O que é?
- Modelo do sistema que, a partir dos sinais de entrada e saı́da, fornece estimativas do estado
+ i Para que serve?
ó Estabilização de Sistemas utilizando a realimentação de estado.

ó Monitorização de Sistemas.
ó Soft sensor para substituir sensores de custo elevado.
ó Detecção de avarias.
ó etc.

Abordagem 1 -Observador com modelo igual ao sistema
+ Observador:
x̂(t + 1) = Ax̂(t) + Bu(t)
ŷ(t) = C x̂(t) + Du(t)

+ Erro do observador:
x̃(t) = x(t) − x̂(t)
+ Dinâmica do erro do observador
x(t + 1) − x̂(t + 1) = Ax(t) + Bu(t) − Ax̂(t) − Bu(t) = Ax(t) − Ax̂(t) = A [x(t) − x̂(t)]
Substituindo x(·) − x̂(·) por x̃(·):

x̃(t + 1) = Ax̃(t)

2 - Introdução
Dinâmica do erro do observador
à Sistema autónomo linear

à Matriz de estado igual à do sistema
à O erro anula-se se e só se o sistema for estável
à Não consegue observar sistemas instáveis
à Dinâmica de anulação do erro é imposta pelo sistema (não pode ser alterada)

Exemplo 1
Sistema (ex: Motor eléctrico).
x1 (t + 1) = x1 (t) + x2 (t)
x2 (t + 1) = 0.9x2 (t) + 10u(t)
y(t) = x1 (t)
x1 − Posição
x2 − Velocidade
y = x1 − Posição
u − Tensão de entrada

Equação Matricial:
x(t + 1) = Ax(t) + Bu(t)
y(t) = Cx(t) + Du(t)

com
     
x1 (t) 1 1 0 h i
x(t) =  , A =  , B =  , C = 1 0 , D = 0.
x2 (t) 0 0.9 10
Valores próprios de A
λA1 = 1, λA2 = 0.9
Dinâmica do erro é descrita por um sistema instável ⇒ Observador não converge (não funciona)

Sinais do sistema
y(t) = x1 (t)
3000
2000
1000
−1000
0 200 400 600 800 1000
Tempo
x2 (t)
100
50
−50
−100
0 200 400 600 800 1000
Tempo
u(t)
0.5
−0.5
−1
0 200 400 600 800 1000
Tempo

Observador (abordagem 1)
y(t) = x1 (t)
3000
2000
1000
−1000
0 200 400 600 800 1000
Tempo
$x_2(t)$
100
50
−50
−100
0 200 400 600 800 1000
Tempo
Figure 1: Estimativas do observador estão a vermelho.

Erro do observador (abordagem 1)
x̃1 (t) = x1 (t) − x̂1 (t)

1000
500
−500
0 200 400 600 800 1000
Tempo
x̃2 (t) = x2 (t) − x̂2 (t)
100
80
60
40
20
0
0 200 400 600 800 1000
Tempo

x̃1 (t) = x1 (t) − x̂1 (t)

500
−500
0 20 40 60 80 100
Tempo
x̃2 (t) = x2 (t) − x̂2 (t)
100
80
60
40
20
0
0 20 40 60 80 100
Tempo

Abordagem 2 -Observador de Luenberger
+ Observador:
x̂(t + 1) = Ax̂(t) + Bu(t) + L [y(t) − C x̂(t) − Du(t)]
ŷ(t) = C x̂(t) + Du(t)
+ Erro do observador:
x̃(t) = x(t) − x̂(t)
+ Dinâmica do erro do observador
x(t + 1) − x̂(t + 1) = Ax(t) + Bu(t) − Ax̂(t) − Bu(t) − L [y(t) − C x̂(t) − Du(t)] =
= Ax(t) − Ax̂(t) − L [Cx(t) + Du(t) − C x̂(y) − Du(t)] =
= A [x(t) − x̂(t)] − LC [x(t) − x̂(t)] = (A − LC) [x(t) − x̂(t)]
Substituindo x(·) − x̂(·) por x̃(·):
x̃(t + 1) = (A − LC) x̃(t)

Dinâmica do erro do observador
à Sistema autónomo linear.

à Matriz de estado diferente da do sistema.
à Se o par (A, C) for acessı́vel os valores próprios podem ser alocados arbitrariamente (dinâmica
não é imposta pelo sistema).
à O erro anula-se mesmo que o sistema seja instável (desde que os modos instáveis sejam acessı́veis).
à Consegue observar sistemas instáveis (desde que os modos instáveis sejam acessı́veis).

Exemplo 2
Novamente o sistema:
x1 (t + 1) = x1 (t) + x2 (t)
x2 (t + 1) = 0.9x2 (t) + 10u(t)
y(t) = x1 (t)
Na forma matricial:    
1 1 0
x(t + 1) =   x(t) +   u(t)
0 0.9 10
h i
y(t) = 1 0 x(t)

+ Pretende-se que λ1 e λ2 sejam os valores próprios de A − LC (λt1 e λt2 modos da dinâmica do

observador)
+ equação caracterı́stica de A − LC :
Ao (λ) = det [λI2 − (A − LC)] = (λ − λ1 ) (λ − λ2 ) = λ2 − (λ1 + λ2 ) λ + λ1 λ2 .

h iT
+ Cálculo de L = `1 `2
ó      
1 1 `1 h i 1 − `1 1
A − LC =  −  1 0 = 
0 0.9 `2 −`2 0.9
ó
 
λ − (1 − `1 ) −1
A0 (λ) = det [λI2 − (A − LC)] = det  
`2 λ − 0.9
= [λ1 − (1 − `1 )] (λ − 0.9) + `2 = λ2 − (1.9 − `1 ) λ + (1 − `1 ) 0.9 + `2

ó
λ2 − (1.9 − `1 ) λ + (1 − `1 ) 0.9 + `2 = λ2 − (λ1 + λ2 ) λ + λ1 λ2
ó  
 1.9 − ` = λ + λ  ` = 1.9 − (λ + λ )
1 1 2 1 1 2
⇒
 (1 − `1 ) 0.9 + `2 = λ1 λ2  `2 = 0.81 − 0.9 (λ1 + λ2 ) + λ1 λ2
λ1 λ2 `1 `2
Observador 1 0.8100 0.8100 0.2800 0.0081
Observador 2 0.6000 0.6000 0.7000 0.0900
Observador 3 0.3500 0.3500 1.2000 0.3025
Observador 4 0.0000 0.0000 1.9000 0.8100

Valor verdadeiro
Observador 1
Observador 2
Observador 3
Observador 4
x1 (t) = y(t)
3000
2000
1000
−1000
0 200 400 600 800 1000
x1 (t) = y(t) Tempo
200
−200
−400
−600
0 200 400 600 800 1000
Tempo

Valor verdadeiro
Observador 1
Observador 2
Observador 3
x1 (t) = y(t) Observador 4
1000
500
−500
−1000
0 10 20 30 40 50
x2 (t) Tempo
200
−200
−400
−600
0 10 20 30 40 50
Tempo

Observador 1
Observador 2
Observador 3
Observador 4
x̃1 (t) = x1 (t) − x̂1 (t)
1000
500
−500
0 200 400 600 800 1000
Tempo
x̃2 (t) = x2 (t) − x̂2 (t)
600
400
200
−200
0 200 400 600 800 1000
Tempo

Observador 1
Observador 2
Observador 3
x̃1 (t) = x1 (t) − x̂1 (t) Observador 4
1000
500
−500
0 10 20 30 40 50
Tempo
x̃2 (t) = x2 (t) − x̂2 (t)
600
400
200
−200
0 10 20 30 40 50
Tempo

Qual o melhor observador?
+ Todos os observadores apresentam um erro nulo em regime permanente

+ Observador 1 tem a resposta mais lenta
+ Observador 4 tem a resposta mais rápida
+ o erro máximo maxt [x̃(t)] é maior nos observadores mais rápidos
A selecção do observador deve ser o compromisso entre a velocidade e o erro na resposta a
perturbações
Será que se consegue definir um critério mais preciso na selecção do observador?
+ A resposta é afirmativa desde que se restrinja o tipo de perturbações.


Sistema com perturbações:
x(t + 1) = Ax(t) + Bu(t) + q(t)

y(t) = Cx(t) + r(t)
+ q(t) e r(t) são perturbações

+ As perturbações são sinais desconhecidos e, consequentemente, afectam o desempenho do obser-
vador
Dinâmica do erro dum observador dum sistema com perturbações:
x̃(t + 1) = (A − LC)x̃(t) + q(t) − Lr(t)
+ O observador é bom se o erro x̃(t) for pequeno

+ O projecto do observador pode ser reduzido ao da minimização dum critério do erro, como por
exemplo
N
X N
X
V = kx̃k22 = x̃T (t)x̃(t)
t=1 t=1
+ A solução deste problema depende dos tipos de perturbações consideradas

É frequente considerar-se que as pertubações são aleatórias: Neste caso são modelizadas como
Processos estocásticos ergódicos.

Processos estocásticos:
+ Funções aleatórias
+ Um processo estocástico v é função de dois argumentos:
- t, habitualmente o tempo.
- ω , evento num espaço amostral)
+ v é designado por v(t, ω)

+ v(., ω) é uma variável aleatória (instante t é fixo).
+ v(t, ·) é uma realização de v , ou seja, uma função do tempo t (num determinado evento ω )
+ Normalmente o argumento ω é descartado na designação dum processo estocástico, representando-
se v por v(t) e não por v(t, ω) (as variáveis aleatórias também não se costumam representar como
função de ω ).


Caracterização de processos estocásticos:
+ Distribuição
+ Média:
R∞
µv (t) = E {v(t)} = −∞
pv(t) [v(t)] dv(t)
pv(t) − densidade de probabilidade de v(t).
+ Função de (auto)-covariância
© ª
λvv (t, s) = E {[v(t) − µv (t)] [v(s) − µv (s)]} = E v(t)v T (s) − µv (t)µv (s)
Processo estocástico estacionário: Processo cujas propriedades estatı́sticas não mudam com o
tempo.
Se v(t) for um processo estocástico estacionário, então:
+ Média:
µv (t) = µv , não é função do tempo.
+ Função de (auto)-covariância
λvv (t, s) = λvv (t − s) = λvv (τ ), τ = t − s
Só depende do espaçamento entre os instantes de tempo.


Processo estocástico estacionário ergódico: Os valores esperados são iguais aos limites das
médias temporais quando o intervalo de tempo tende para infinito.
+ Média:
XN
1
µv = lim v(t)
N →∞ 2N + 1
t=−N
+ Função de (auto)-covariância:
XN
1
λvv (τ ) = lim [v(t + τ ) − µv ] [v(t) − µv ]T
n→∞ 2N + 1
t=−N
DENSIDADE ESPECTRAL DUM PROCESSO ESTOCÁSTICO ESTACIONÁRIO

∞
X
Φv (ω) = λvv (τ )e−jωτ
τ =−∞
+ A densidade espectral é a transformada de Fourier da função de covariância.

+ A função de covariância é a transformada inversa de Fourier da densidade espectral
Z π
1
λvv (τ ) = Φvv (ω)ejωτ dω. (1)
2π −π

+ Para τ = 0 e v(t) escalar (v(t) ∈ IR), λvv (τ ) é a variância de v(t) que pode ser calculada através
de Z π
1
σv2 = λvv (0) = Φvv (ω)dω.
2π −π
+ Se o sinal for ergódico a e de média variância também é dada por

XN
1
σv2 = λvv (0) = v 2 (t)
2N + 1 t=−N
ou seja, a variância de v(t) é a energia do sinal.
+ Podemos, então afirmar, que a densidade de espectral dum processo estocástico é a distribuição da
energia da sua componente alternada pelas diferentes frequências.
Ruı́do branco
Um processo estocástico v(t) é designado como ruı́do branco se
+
E {v(t)} = µv
+ v(t) e v(s) forem independentes para qualquer t 6= s

O ruı́do branco é um sinal fracamente estacionário (média e covarância estacionárias) e

ergódico
Ruı́do branco v(t) ∈ IRn com média nula
E {v(t)} = 0n

© T
ª © T
ª  V, τ =0
λvv (τ ) = E v(t + τ )v (t) = E v(t)v (t − τ ) = = V δ(τ )
 0n×n , τ =
6 0
δ(τ ) − Impulso de Dirac.
Densidade espectral do ruı́do branco:
∞
X
Φv (ω) = λvv (τ )e−jωτ = V
τ =−∞
O espectro do ruı́do branco é plano. A sua energia distribui-se igualmente por todas as frequências (tal
como o espectro da luz branca e daı́ o nome de ruı́do branco).


O ruı́do branco é um sinal imprevisı́vel pois o seu valor num dado instante é independente de todo o
passado e futuro.
v(t)
2.5
1.5
0.5
−0.5
−1
−1.5
−2
−2.5
0 20 40 60 80 100
Tempo
Figure 2: Ruı́do branco gaussiano de média nula.

v(t)
3
−1
−2
−3
0 10 20 30 40 50 60 70 80 90 100
Tempo
Figure 3: Ruı́do branco binário de média nula.

4 - Modelos de estado de processos determinı́stico-estocásticos
Considera-se que as perturbações q(t) e r(t) dos modelos de estado são ruı́do branco:
x(t + 1) = Ax(t) + Bu(t) + q(t)
y(t) = Cx(t) + Du(t) + r(t)
E {q(t)} = 0n
E {r(t)} = 0`
    © ª © ª 
 q(t) h i E q(t)q T (t − τ ) E q(t)rT (t − τ )
E   q (t − τ ) r (t − τ )
T T =  © ª © ª =
 r(t)  T T
E r(t)q (t − τ ) E r(t)r (t − τ )
  


  Q S , τ = 0

= ST R



 0(n+`)×(n+`) , τ 6= 0
+ q(t) - ruı́do do processo

+ r(t) - ruı́do de medição

Os ruı́dos q(t) e r(t) vão afectar o desempenho dos observadores pois o erro da estimativa de estado
passa a ser
x̃(t + 1) = (A − LC)x̃(t) + q(t) − Lr(t)
Exemplo 3
Novamente o sistema do exemplo 1 mas perturbado por ruı́do de processo e de observação:
x1 (t + 1) = x1 (t) + x2 (t)
x2 (t + 1) = 0.9x2 (t) + 10u(t) + q1 (t)
y(t) = x1 (t) + r(t)

     
0 © ª 0 0 0 0
q(t) =   ⇒ Q = E q(t)q T (t) =  = 
q1 (t) 0 E {q12 } 0 4
R = E {r2 (t)} = σr2 = 2500 ⇒ σr = 50

Observadores
λ1 λ2 `1 `2
Observador 1 0.8100 0.8100 0.2800 0.0081
Observador 2 0.6000 0.6000 0.7000 0.0900
Observador 3 0.3500 0.3500 1.2000 0.3025
Observador 4 0.0000 0.0000 1.9000 0.8100

Estimativas de estado
Valor verdadeiro
Observador 1
Observador 2
Observador 3
4000
3000
2000
1000
−1000
0 200 400 600 800 1000
Tempo
x2 (t)
200
−200
−400
−600
0 200 400 600 800 1000
Tempo

Estimativas de estado (continuação
Valor verdadeiro
Observador 1
Observador 2
Observador 3
1200
1000
800
600
400
200 210 220 230 240 250
Tempo
x2 (t)
200
100
−100
−200
200 210 220 230 240 250
Tempo

Erros das estimativas
Obsevador 1
Obsevador 2
Obsevador 3
x̃1 (t) Obsevador 4
1000
500
−500
0 200 400 600 800 1000
Tempo
x̃2 (t)
600
400
200
0
−200
−400
0 200 400 600 800 1000
Tempo

Erros das estimativas
Observador 1
Observador 2
Observador 3
x̃1 (t) Observador 4
400
200
−200
−400
200 210 220 230 240 250
Tempo
x̃2 (t)
200
100
−100
−200
200 210 220 230 240 250
Tempo

Sejam
xd (t + 1) = Ax(t) + Bu(t)
yd (t + 1) = Cxd (t) + Du(t)

e
xs (t + 1) = Ax(t) + q(t)
ys (t + 1) = Cxs (t) + r(t)

+ Se soubermos (A, B, C, D) xd (t) e yd (t) podem ser completamente conhecidos
+ ys (t) e xs (t) nunca podem ser completamente conhecidos mesmo que saibamos (A, B, C, D)
(xs (t) são processos estocásticos pois são sinais dum sistema excitado por outros processos es-
tocásticos).
Somando as equações dos dois sistemas:
xd (t + 1) + xs (t + 1) = A [xd (t) + xs (t)] + Bu(t) + q(t)
yd (t) + ys (t) = C [xd (t) + xs (t)] + Du(t) + r(t)

Se definirmos
x(t) = xd (t) + xs (t)
y(t) = yd (t) + ys (t)

Obtemos a seguinte equação
x(t + 1) = Ax(t) + Bu(t) + q(t)

y(t) = Cx(t) + Du(t) + r(t)
Ou seja o modelo de estado dum sistema perturbado por ruı́dos de processo e de observação q(t) e
r(t), respectivamente.
+ Chama-se a este sistema, Sistema Deterministico-Estocástico
+ O estado pode ser decomposto numa componente determinı́stica xd (t) e noutra estocástica xs (t)
+ A componente determinı́stica do estado pode ser completamente determinada por um observador
estável
+ A componente estocástica nunca pode ser completamente determinada

+ O que se afirmou para o estado também é válido para a saı́da

Exemplo 4 - Componentes determinı́stica, estocástica e deterministico-estocástica do estado e

da sáida do sistema apresentado no exemplo 3
xd (t)
xs (t)
xsd (t)
x1 (t)
4000
3000
2000
1000
−1000
0 200 400 600 800 1000
Tempo
x2 (t)
100
50
−50
−100
0 200 400 600 800 1000
Tempo

Exemplo 4 (continuação)
yd (t)
ys (t)
y(t) ysd (t)
3500
3000
2500
2000
1500
1000
500
−500
−1000
0 200 400 600 800 1000
Tempo

Suponhamos que conseguimos medir yd (t) sem qualquer erro. Podemos estimar xd (t) através do
observador (estável)
x̂d (t + 1) = Ax̂d (t) + Bu(t) + L [yd (t) − C x̂d (t) − Du(t)]
ŷd (t) = C x̂d (t) + Du(t)
cujo erro terá uma dinâmica descrita por
x̃d (t) = (A − LC) x̃d (t)
Se o observador for estável

lim x̃d (t) = 0n .
t→∞
Se não houver perturbações,
o erro do observador determinı́stico é nulo em regime permanente

Uilizemos o mesmo observador para estimar a componente estocástica de x(t):
x̂s (t + 1) = Ax̂s (t) + L [ys (t) − C x̂s (t)]
ŷs (t) = C x̂s (t)
A dinâmica do erro é descrita por
x̃s (t) = (A − LC) x̃s (t) + q(t) − Lr(t)
O erro x̃s (t) não se anula por causa das perturbações

Estimação dos estados do modelo determinı́stico-estocástico:
x̂(t) = x̂d (t) + x̂s (t).
Erro de estimação:
x̃(t) = x(t) − x̂(t) = [xd (t) + xs (t)] − [x̂d t + x̂s (t)] = xd (t) − x̂d (t) + xs (t) − x̂s (t) =
| {z } | {z }
x̃d (t) x̃s (t)
= x̃d (t) + x̃s (t)
Se o observador for estável:
t → ∞ ⇒ x̃(t) → x̃s (t) pois lim x̃d (t) = 0n

t→∞
Em regime permanente, o erro do observador é igual à sua componente estocástica


FILTRO DE KALMAN:
• Minimizar a covariância do erro das estimativas do estado, ou seja, um ganho L tal que a variância
de x̃(t) seja mı́nima.
• Designaremos o ganho do observador que minimiza a variância do erro por K .
Como a componente determinı́stica de x̃(t) é nula podemos determinar K através
da minimização da covariância da sua componente estocástica.
Em que é que consiste a minimização duma matriz?
RESPOSTA: Na minimização duma norma pré-definida.
Normas mais comuns de matrizes reais
• induzidas: n o
kAkp = max kAxkp : kxkp = 1
• Norma max
kAkmax = max {|aij |}

• Norma de Frobenius: v
uX
u n X
n
kAkF = t a2ij = traço(AT A)
i=1 j=1
Função traço:
n
X
traço(M ) = mii
i=1
Soma de todos os elementos da diagonal principal.

 AT A − Matriz definida positiva
¡ ¢ ⇒ Se M for semidefinida positiva então traço(M ) é uma norma de M .
 kAk = traço AT A
F
Norma minimizada pelo filtro de Kalman pode ser

¡ © ª¢
traço E x̃s (t)x̃Ts (t)

Definições de matrizes (semi)definidas positivas e negativas
+ Uma matriz simétrica M ∈ IRn×n é definida positiva e designa-se esse facto por M > 0n×n ou
M Â 0n×n , se e só
z T M z > 0, ∀z ∈ IRn tal que z 6= 0n
+ Uma matriz M ∈ IRn×n é semidefinida positiva e designa-se esse facto por M ≥ 0n×n ou
M º 0n×n , se e só
z T M z ≥ 0, ∀z ∈ IRn z 6= 0n
+ Uma matriz M ∈ IRn×n é definida negativa e designa-se esse facto por M < 0n×n ou M ≺
0n×n , se e só
z T M z < 0, ∀z ∈ IRn z 6= 0n
+ Uma matriz M ∈ IRn×n é semidefinida negativa e designa-se esse facto por M ≤ 0n×n ou
M ¹ 0n×n , se e só
z T M z ≤ 0, ∀z ∈ IRn z 6= 0n

Algumas Propriedades das matrizes (semi)definidas positivas e negativas
+ Uma matriz simétrica M ∈ IRn×n é definida positiva (negativa) se e só se todos os seus valores
próprios forem positivos (negativos).
+ Uma matriz simétrica M ∈ IRn×n é semidefinida positiva (negativa) se e só se tiver, pelo menos,
um valor próprio nulo e todos os outros não negativos (não positivos).
+ As matrizes definidas positivas (negativas) são não singulares (M Â 0n×n ou M ≺ 0n×n ⇒

det(M ) 6= 0
+ As matrizes semidefinidas positivas (negativas) são singulares (M º 0n×n ou M ¹ 0n×n ⇒
det(M ) = 0
+ Se M1 Â 0n×n e M2 º 0n×n então M1 + M2 Â 0n×n
Demonstração:
z T (M1 + M2 ) z = z T M1 z + z T M2 z > 0
pois M1 Â 0n×n e M2 º 0n×n e, consequentemente z T M1 z > 0 e z T M2 z ≥ 0 para todo
z 6= 0n .

+ Se M1 º 0n×n e M2 º 0n×n então M1 + M2 Â 0n×n ou M1 + M2 º 0n×n

∈ IRn×n , diz-se que M1 é maior (ou maior ou
Definição: Dadas duas matrizes simétricas M1 e M2
igual) do que M2 , designado-se esse facto por M1 Â M2 (ou M1 º M2 ), se e só se M1 − M2 Â
0n×n (M1 − M2 º 0n×n ), ou seja, se e só se M1 − M2 for uma matriz (semi) definida positiva.
Facto. Se M1 e M2 forem matrizes definidas positivas e M1 Â M2 (ou M1 º M2 ) então kM1 k > kM2 k
(ou kM1 k ≥ kM2 k).
Problema: Determinar o ganho K do observador
x̂(t + 1) = Ax̂(t) + Bu(t) + K(t) [y(t) − C x̂(t) − Du(t)]

© ª
Que minimize a covariância do erro P̃ (t) = E x̃(t)x̃T (t) .
Como, em regime permanente x̃(t) = x̃s (t), o ganho óptimo do observador do sistema deterministico-
estocástico é o mesmo do observador do sistema estocástico
x̂s (t + 1) = Ax̂s (t) + K(t) [y(t) − C x̂s (t)]

+ Cálculo de P̃ (t):
ó Erro da estimativa:
x̃(t + 1) = Ax̃(t) + q(t) − K(t)ỹs (t)
ỹs (t) = y(t) − C x̂s (t)

ó Variáveis auxiliares
© ª
Λ0 (t) = E ỹ(t)ỹsT (t) ∈ IR`×`
© ª
G(t) = E [Ax̃(t) + q(t)] ỹs (t) ∈ IRn×`
T
ó Cálculo do produto x̃(t + 1)x̃T (t + 1)
x̃(t + 1)x̃T (t + 1) = [Ax̃(t) + q(t) − K(t)ỹ(t)] [Ax̃(t) + q(t) − K(t)ỹs (t)]T =
= [Ax̃(t) + q(t)] [Ax̃(t) + q(t)]T − [Ax̃(t) + q(t)] ỹsT (t)K T (t)
−K(t)ỹs (t) [Ax̃(t) + q(t)]T + K(t)ỹs (t)ỹsT (t)K(t)T

+ Cálculo de P̃ (t) (continuação)

ó Cálculo de P̃ (t + 1)
© T
ª
P̃ (t + 1) = E x̃(t + 1)x̃ (t + 1) =
n o © ª
T
= E [Ax̃(t) + q(t)] [Ax̃(t) + q(t)] − E [Ax̃(t) + q(t)]ỹsT (t) K T (t)
| {z }
G(t)
© T
ª © T
ª T
−K(t) E ỹs (t)[Ax̃(t) + q(t)] +K(t) E ỹs (t)ỹs (t) K (t)
| {z } | {z }
GT (t) Λ0 (t)
© ª © ª © ª
= A E [x̃(t)x̃(t)] AT + A E x̃(t)q T (t) + E q(t)x̃T (t) AT + E q(t)q T (t)
| {z } | {z } | {z } | {z }
P̃ (t) 0n×n 0n×n Q
−G(t)K T (t) − K(t)GT (t) + K(t)Λ0 (t)K T (t) =

£ ¤
T T
= AP̃ (t)A + Q − G(t)K (t) + K(t)G (t) + K(t)Λ0 (t)K T (t)
T
ó Definir
ψ(K, t) = K(t)Λ0 (t) − G(t) ∈ IRn×`

+ Cálculo de P̃ (t) (continuação)

ó Calcular:
T
ψ(K, t)Λ−1 T −1
0 (t)ψ (K, t) =[K(t)Λ0 (t) − G(t)] Λ0 (t) [K(t)Λ0 (t) − G(t)]
£ ¤
= K(t) − G(t)Λ−10 (t) [K(t)Λ0 (t) − G(t)]T
=K(t)Λ0 (t)K T (t) − K(t)GT (t) − G(t)K T (t) + G(t)Λ−1 T

0 (t)G (t)
G(t)K T (t) + K(t)GT (t) = −ψ(K, t)Λ−1 T T −1 T

0 (t)ψ (K, t) + K(t)Λ0 (t)K (t) + G(t)Λ0 (t)G (t)
ó Rescrever a equação de P̃ (t + 1)
£ ¤
P̃ (t + 1) = AP̃ (t)AT + Q − G(t)K T (t) + K(t)GT (t) + K(t)Λ0 (t)K T (t)
= AP̃ (t)AT + Q + ψ(K, t)Λ−1 T T

0 (t)ψ (K, t) − K(t)Λ0 (t)K (t)
−G(t)Λ−1 T T
0 (t)G (t) + K(t)Λ0 (t)K (t)

° °
° °
+ Minimizar °P̃ (t)°
P̃ (t + 1) = AP̃ (t)AT + Q + ψ(K, t)Λ−1 T −1 T

0 (t)ψ (K, t) − G(t)Λ0 (t)G (t)
−1
Como ψ(K, t)Λ0 (t)ψ T (K, t) º 0n×n então
P̃ (t + 1) = AP̃ (t)AT + Q − G(t)Λ−1 T −1 T

0 (t)G (t) + ψ(K, t)Λ0 (t)ψ (K, t)
º AP̃ (t)AT + Q − G(t)Λ−1 T

0 (t)G (t).
Logo
h i
min P̃ (t + 1) = AP̃ (t)AT + Q − G(t)Λ−1 T
0 (t)G (t)
K
e
ψ(K, t) = 0n×` ⇒ K(t)Λ0 (t) − G(t) = 0n×` ⇔
K(t) = G(t)Λ−1
0 (t)

Calculemos Λ0 (t):
Λ0 (t) = E{ỹs (t) ỹsT (t)} = E{[ ys (t) −C x̂s (t)][ys (t) − C x̂s (t)]T } =
|{z} |{z}
ys (t)−C x̂s (t) Cxs (t)+r(t)
n o
T
= E [Cxs (t) + r(t) − C x̂s (t)] [Cxs (t) + r(t) − C x̂s (t)] =
£ ¤
= E{ C(xs (t) − x̂s (t)) + r(t) [C (xs (t) − x̂s (t)) + r(t)]T } =
| {z }
x̃(t)
n o
T
= E [C x̃(t) + r(t)] [C x̃(t) + r(t)] =
© ª
= E C x̃(t)x̃T (t)C T + C x̃(t)rT (t) + r(t)x̃T (t)C T + r(t)rT (t)
© ª © ª © ª © ª
= C E x̃(t)x̃T (t) C T + C E x̃(t)rT (t) + E r(t)x̃T (t) C T + E r(t)rT (t) =
| {z } | {z } | {z } | {z }
P̃ (t) 0n×` 0`×n R
= C P̃ (t)C T + R

Calculemos G(t):
G(t) = E{[Ax̃(t) + q(t)] ỹsT (t) } = E{[Ax̃(t) + q(t)] [ ys (t) −C x̂s (t)]T } =
| {z } |{z}
T
[ys (t)−C x̂ (t)]T Cxs (t)+r(t)
n o
T
= E [Ax̃(t) + q(t)] [Cxs (t) + r(t) − C x̂s (t)] =
£ ¤T
= E{[Ax̃(t) + q(t)] C(xs (t) − x̂s (t)) + r(t) } =
| {z }
x̃(t)
n o
T
= E [Ax̃(t) + q(t)] [C x̃(t) + r(t)] =
© ª
= E Ax̃(t)x̃T (t)C T + Ax̃(t)rT (t) + q(t)x̃T (t)C T + q(t)rT (t)
© ª © ª © ª © ª
= A E x̃(t)x̃T (t) C T + A E x̃(t)rT (t) + E q(t)x̃T (t) C T + E q(t)rT (t) =
| {z } | {z } | {z } | {z }
P̃ (t) 0n×` 0n×n S
= AP̃ (t)C T + S

h ih i−1
K(t) = G(t)Λ−1
0 (t)
T T
= AP̃ (t)C + S C P̃ (t)C + R
Para calcular K(t) temos que determinar P̃ (t). Sabemos que K(t) minimiza P̃ (t + 1) e que, conse-
quentemente:
h i
P̃ (t + 1) = minK P̃ (t + 1) = AP̃ (t)AT + Q − G(t)Λ−1 T
0 G (t) =
h ih i−1 h i
T T T T
= AP̃ (t)A + Q − AP̃ (t)C + S C P̃ (t)C + R AP̃ (t)C + S

ALGORITMO: - Previsor de Kalman
1 - Inicialização:
1.1 - x̂(0) = µx = E {x(t)}

n o
T
1.2 - P̃ (0) = Π(0) = E [x(0) − µ] [x(0 − µ)]
2 - Para t = 0, 1, . . .
2.1 - Calcular o ganho do previsor de Kalman:
h ih i−1
T T
K(t) = AP̃ (t)C + S C P̃ (t)C + R
2.2 - Actualizar x̂(t + 1) e P̃ (t + 1):

h iT
P̃ (t + 1) = AP̃ (t)AT + Q − K(t) AP̃ (t)C T + S
2.3 - Calcular a previsão da saı́da ŷ(t):
ŷ(t) = C x̂(t) + Du(t)

OBSERVAÇÕES:
• Entradas do algortimo:
– y(t) - Saı́da do sistema.
– Π(0) - Covariância do erro da estimativa inicial do estado.
© ª
– Q = E q(t)q T (t) .
© ª
– S = E q(t)r T (t) .
© T
ª
– R = E r(t)r (t) .
– (A, B, C, D) - Parâmetros dos sistema.

• Saı́das do algoritmo:
– x̂(t) - Previsão do estado x(t) no instante t − 1.
– ŷ(t) - Previsão da saı́da y(t) no instante t − 1.
– K(t) - Ganho do previsor de Kalman.
– P̃ (t) - Covariância do erro do previsor de Kalman
• Chama-se Previsor de Kalman porque a estimativa de x(t) é efectuada no instante x(t).

Exemplo 5
Novamente o sistema do exemplo 1 perturbado com os mesmos ruı́dos de processo e de observação:
x1 (t + 1) = x1 (t) + x2 (t)
x2 (t + 1) = 0.9x2 (t) + 10u(t) + q1 (t)
y(t) = x1 (t) + r(t)

     
0 © ª 0 0 0 0
q(t) =   ⇒ Q = E q(t)q (t) = 
T = 
2
q1 (t) 0 E {q1 } 0 4
R = E {r2 (t)} = σr2 = 2500 ⇒ σr = 50

Previsor de Kalman
Valor verdadeiro
Previsor de Kalman
x1 (t)
4000
3000
2000
1000
−1000
0 200 400 600 800 1000
Tempo
x2 (t)
100
50
−50
−100
0 200 400 600 800 1000
Tempo

Previsor de Kalman
Valor verdadeiro
Previsor de Kalman
x1 (t)
1000
900
800
700
600
200 210 220 230 240 250
Tempo
x2 (t)
40
20
−20
−40
200 210 220 230 240 250
Tempo

Erro das estimativas do Previsor de Kalman
$\tilde{x}_1(t)$
200
−200
−400
−600
0 200 400 600 800 1000
Tempo
$\tilde{x}_2(t)$
150
100
50
−50
0 200 400 600 800 1000
Tempo

Erro das estimativas do Previsor de Kalman
$\tilde{x}_1(t)$
60
40
20
−20
200 210 220 230 240 250
Tempo
$\tilde{x}_2(t)$
5
−5
−10
200 210 220 230 240 250
Tempo

Comparação do Previsor de Kalman com os observadores determinı́sticos
Valor verdadeiro
Observador 1
Observador 2
Observador 3
Observador 4
Previsor de Kalman
x1 (t)
4000
3000
2000
1000
−1000
0 200 400 600 800 1000
Tempo
x2 (t)
200
−200
−400
−600
0 200 400 600 800 1000
Tempo

Comparação do Previsor de Kalman com os observadores determinı́sticos
Valor verdadeiro
Observador 1
Observador 2
Observador 3
Observador 4
Previsor de Kalman
x1 (t)
1200
1000
800
600
200 210 220 230 240 250

Time
x2 (t)
200
100
−100
−200
200 210 220 230 240 250
Time

Comparação do erro do Previsor de Kalman com os observadores determinı́sticos
Observador 1
Observador 2
Observador 3
Observador 4
Previsor de Kalman
x̃1 (t)
1000
500
−500
0 200 400 Time 600 800 1000
x̃2 (t)
600
400
200
−200
−400
0 200 400 Time 600 800 1000

Comparação do erro do Previsor de Kalman com os observadores determinı́sticos
Observador 1
Observador 2
Observador 3
Observador 4
Previsor de Kalman
x̃1 (t)
400
200
−200
−400
200 210 220 230 240 250
Tempo
x̃2 (t)
200
100
−100
−200
200 210 220 230 240 250
Tempo

Valores eficazes dos error das estimativas

v
u1000
uX
x̃irms =t x̃2i (t), i = 1, 2.
t=1
Prev. Kalman Observador 1 Observador 2 Observador 3 Observador 4
x̃1rms 32.40 36.36 42.53 62.99 110.55
x̃2rms 8.59 9.08 10.36 19.89 61.45

O Ganho do previsor
K1 (t)
1
0.5
0
0 200 400 600 800 1000
K2 (t) Tempo
0.3
0.2
0.1
0
−0.1
0 200 400 600 800 1000
Tempo

O Ganho do previsor
K1 (t)
1
0.8
0.6
0.4
0.2
0 10 20 30 40 50
K2 (t) Tempo
0.4
0.3
0.2
0.1
0
0 10 20 30 40 50
Tempo

Matriz Covariância do erro P̃ (t)
P̃11 (t) P̃12 (t)

5000 2500
4000 2000
3000 1500
2000 1000
1000 500
0 0
0 500 1000 0 500 Tempo 1000
Tempo
P̃21 (t) P̃22 (t)
2500 2500
2000 2000
1500 1500
1000 1000
500 500
0 0
0 500 Tempo 1000 0 500 Tempo 1000

Matriz Covariância do erro P̃ (t)
P̃11 (t) P̃12 (t)

6000 3000
4000 2000
2000 1000
0 0
0 20 Tempo 40 0 20 Tempo 40
P̃21 (t) P̃22 (t)
3000 3000
2000 2000
1000 1000
0 0
0 20 Tempo 40 0 20 Tempo 40

+ Nos sistemas LTI perturbados por ruı́do branco o erro do previsor de Kalman é um processo esta-
cionário.
+ A matriz de covariância estabiliza ao fim de algum tempo e é a solução da equação de Riccati:

³ ´³ ´−1 ³ ´T
T T T T
P̃ = AP̃ A + Q − AP̃ C + S C P̃ C + R AP̃ C + S
+ Existem vários métodos para encontrar a solução desta equação

+ Embora não seja o mais eficiente o método de Jacobi onde, na iteração k + 1 P̃ (k) é actualizado
através de
³ ´³ ´−1 ³ ´T
T
P̃ (k + 1) = AP̃ (k)A + Q − AP̃ (k)C + S T T
C P̃ (k)C + R ˜ T
C P (k)C +R
+ Este método converge quase sempre.

+ As equações deste método são idênticas às de actualização do previsor não estacionário.
+ No previsor não estacionário os valores de P̃ (t) podem ser calculados offline pois não dependem
h iT
de u(t) e y(t) (só dependem da matriz de covariáncia de q T (t) r T (t) ).

+ Como consequência da estabilização de P̃ , o Ganho do Previsor de Kalman também estabiliza nos

sistemas LTI no valor
³ ´³ ´−1
T T
K = AP̃ C + S C P̃ C + S
+ O sistema LTI determinı́stico-estocástico também pode ser descrito pelo modelo
xp (t + 1) = Axp (t) + Bu(t) + Ke(t)

y(t) = Cxp (t) + Du(t) + e(t)
+ K é o ganho estacionário do filtro de Kalman

+ Este modelo é conhecido como modelo de inovação (inovation model)
+ Apesar de a parte determinı́stica ser igual xp (t) e x(t) são diferentes.

+ No instante t a quantidade de informação é superior à que possuı́amos no instante t − 1

+ A estimativa de x(t) no instante t tem um erro menor (em média) do que a estimativa no instante
t − 1, x̂(t).
+ Designaremos a estimativa de x(t) no instante t por x̂(t|t).
+ x̂(t|t) óptima, na medida em que a covariância do erro x̃(t|t) = x(t)−x̂(t|t) é mı́nima é produzida
pelo Filtro de Kalman.
FILTRO DE KALMAN:
Equação de actualização de x̂(t|t):
x̂(t|t) = x̂(t) + Kf (t)ỹ(t)
onde:
x̂(t) − Estimativa de x(t) produzida pelo filtro de Kalman
Kf (t) − Ganho do filtro de Kalman.
ỹ(t) = [ys (t) − C x̂(t)]

CÁLCULO DO GANHO DO FILTRO DE KALMAN
+ Recordar a variável auxiliar

© ª
Λ0 (t) = E ỹ(t)ỹ T (t)
e definir
© T
ª
Gf (t) = E x̃(t)ỹ (t)
+ Calcular o erro x̃(t|t):
x̃(t|t) = x(t) − x̂(t|t) = x(t) − x̂(t) −Kf (t)ỹ(t) = x̃(t) − Kf (t)ỹ(t)

| {z }
x̃(t)
+ Calcular o produto x̃(t|t)x̃T (t|t):
x̃(t|t)x̃T (t|t) = [x̃(t) − Kf (t)ỹ(t)] [x̃(t) − Kf (t)ỹ(t)]T =
= x̃(t)x̃T (t) − x̃(t)ỹ T (t)KfT (t) − Kf (t)ỹ(t)x̃T (t) + Kf (t)ỹ(t)ỹ T (t)KfT (t)

+ Calcular P̃ (t|t):
© ª © ª © ª
P̃ (t|t) = E x̃(t)x̃T (t) − E x̃(t)ỹ T (t) KfT (t) − Kf (t) E ỹ(t)x̃T (t) +
| {z } | {z } | {z }
P̃ (t) Gf (t) GT
f (t)
© T
ª T
+Kf (t) E ỹ(t)ỹ (t) Kf (t) =
| {z }
Λ0 (t)
= P̃ (t) − Gf (t)KfT (t) − Kf (t)GTf (t) + Kf (t)Λ0 (t)KfT (t) =

£ ¤
T T
= P̃ (t) − Gf (t)Kf (t) + Kf (t)Gf + Kf (t)Λ0 (t)KfT (t)
+ Definir
Φf (Kf , t) = Kf Λ0 (t) − Gf (t).

+ Calcular
T
Φf (Kf , t)Λ−1 T −1
0 (t)Φf (Kf , t) = [Kf (t)Λ0 (t) − Gf (t)] Λ0 (t) [Kf (t)Λ0 (t) − Gf (t)] =
£ ¤ T
= Kf (t) − Gf (t)Λ−10 (t) [K f (t)Λ0 (t) − Gf (t)]
= Kf Λ0 (t)KfT (t) − Kf (t)GTf (t) − Gf (t)KfT (t)+
+Gf (t)Λ−1 T
0 (t)Gf (t)
Gf (t)KfT (t+Kf (t)GTf = −Φf (Kf , t)Λ−1 T T −1 T

0 (t)Φf (Kf , t)+Kf (t)Λ0 (t)Kf (t)+Gf (t)Λ0 (t)Gf (t)
+ Reescrever a equação de P̃ (t|t)

£ ¤
P̃ (t|t) = P̃ (t) − Gf (t)Kf (t) + Kf (t)Gf + Kf (t)Λ0 (t)KfT (t) =
T T
= P̃ (t) + Φf (Kf , t)Λ−1 T T −1 T

0 (t)Φf (Kf , t) − Kf Λ0 (t)Kf (t) − Gf (t)Λ0 (t)Gf (t)+
+Kf (t)Λ0 (t)KfT (t)

° °
° °
+ Minimizar °P̃ (t|t)°
P̃ (t|t) = P̃ (t) + ψf (Kf , t)Λ−1 T −1 T

0 (t)ψf (Kf , t) − Gf (t)Λ0 (t)Gf (t)
−1
Como ψf (Kf , t)Λ0 (t)ψfT (Kf , t) º 0n×n então
P̃ (t|t) = P̃ (t) − G(t)Λ−1 T −1 T

0 (t)Gf (t) + ψf (Kf , t)Λ0 (t)ψf (Kf , t)
º P̃ (t) − Gf (t)Λ−1 T
0 (t)Gf (t).
Logo
h i
min P̃ (t|t) = P̃ (t) − Gf (t)Λ−1 T
0 (t)Gf (t)
Kf
e
ψf (Kf , t) = 0n×` ⇒ Kf (t)Λ0 (t) − Gf (t) = 0n×` ⇔
Kf (t) = Gf (t)Λ−1
0 (t)


Vimos, anteriormente que
Λ0 (t) = C P̃ (t)C T + R.
Calculemos Gf (t):
n o
T
Gf (t) = E{x̃(t) ỹsT (t) }
= E{x̃(t)[ ys (t) −C x̂s (t)]T } = E x̃(t) [Cxs (t) + r(t) − C x̂s (t)]
| {z } |{z}
T
[ys (t)−C x̂ (t)]T Cxs (t)+r(t)
£ ¤T n o
T
= E{x̃(t) C(xs (t) − x̂s (t)) + r(t) } = E x̃(t) [C x̃(t) + r(t)] =
| {z }
x̃(t)
© ª© ª
= E x̃(t)x̃T (t) C T + E x̃(t)rT (t) = P̃ (t)C T
| {z } | {z }
P̃ (t) 0n×`

h i−1
Kf (t) = Gf (t)Λ−1
0 (t)
T T
= P̃ (t)C C P̃ (t)C + R
A covariância do erro x̃(t|t) = x(t) − x̂(t|t) é
P̃ (t|t) = P̃ (t) − Gf (t)Λ−1 T

0 G (t) =
h i−1
T T
= P̃ (t) − P̃ (t)C C P̃ (t)C + R C P̃ (t)
h i−1
T T
Como P̃ (t)C C P̃ (t)C + R C P̃ (t) º 0n×n então
P̃ (t|t) ¹ P̃ (t)

ALGORITMO: - Filtro de Kalman
1 - Inicialização:
1.1 - x̂(0) = µx = E {x(t)}

n o
T
1.2 - P̃ (0) = Π(0) = E [x(0) − µ] [x(0 − µ)]
2 - Para t = 0, 1, . . .
2.1 - Calcular os ganho do previsor e do filtro de Kalman:
h ih i−1
T T
K(t) = AP̃ (t)C + S C P̃ (t)C + R
h i−1
T T
Kf (t) = P̃ (t)C C P̃ (t)C + R

ALGORITMO: - Filtro de Kalman (continuação)
2.2 - Actualizar x̂(t + 1), x̂(t|t), P̃ (t + 1) e P̃ (t|t):
x̂(t|t) = x̂(t) + Kf (t) [y(t) − C x̂(t) − Du(t)]

h iT
T T
P̃ (t + 1) = AP̃ (t)A + Q − K(t) AP̃ (t)C + S
h i−1
T T
P̃ (t|t) = P̃ (t) − P̃ (t)C C P̃ (t)C + R C P̃ (t)
2.3 - Calcular a previsão ŷ(t) e a saı́da filtrada ŷ(t|t):
ŷ(t) = C x̂(t) + Du(t)
ŷ(t|t) = C x̂(t|t) + Du(t)

OBSERVAÇÕES:
• Entradas do algortimo:
– u(t) - Entrada do sistema.
– y(t) - Saı́da do sistema.
– Π(0) - Covariância do erro da estimativa inicial do estado.
© T
ª
– Q = E q(t)q (t) .
© T
ª
– S = E q(t)r (t) .
© T
ª
– R = E r(t)r (t) .
– (A, B, C, D) - Parâmetros dos sistema.
• Saı́das do algoritmo:
– x̂(t) - Previsão do estado x(t) no instante t − 1.
– x̂(t|t) - Estimativa do estado x(t) no instante t.
– ŷ(t) - Previsão da saı́da y(t) no instante t − 1.
– ŷ(t|t) - Estimativa da saı́da y(t) no instante t.
– K(t) - Ganho do previsor de Kalman.
– Kf (t) - Ganho do filtro de Kalman.

• Saı́das do algoritmo (continuação):

– P̃ (t) - Covariância do erro do previsor de Kalman.
– P̃ (t|t) - Covariância do erro do filtro de Kalman.
• Na dedução do previsor e filtro de Kalman não foi feita nenhuma restrição relativa à estabilidade do
sistema observado.
Exemplo 6
Novamente o sistema do exemplo 1 perturbado com os mesmos ruı́dos de processo e de observação:
x1 (t + 1) = x1 (t) + x2 (t)
x2 (t + 1) = 0.9x2 (t) + 10u(t) + q1 (t)
y(t) = x1 (t) + r(t)

     
0 © ª 0 0 0 0
q(t) =   ⇒ Q = E q(t)q T (t) =  = 
2
q1 (t) 0 E {q1 } 0 4
R = E {r2 (t)} = σr2 = 2500 ⇒ σr = 50

Comparação entre o Filtro e o Previsor de Kalman
Valor verdadeiro
Previsor de Kalman
Filtro de Kalman
x1 (t)
4000
3000
2000
1000
−1000
0 200 400 Tempo 600 800 1000
x2 (t)
100
50
−50
−100
0 200 400 600 800 1000
Tempo

Valor verdadeiro
Previsor de Kalman
Filtro de Kalman
x1 (t)
1000
900
800
700
600
200 210 220 230 240 250
Tempo
x2 (t)
40
20
−20
−40
200 210 220 230 240 250
Tempo

Previsor de Kalman
Filtor de Kalman
x̃1 (t)
200
−200
−400
−600
0 200 400 Tempo 600 800 1000
x̃2 (t)
150
100
50
−50
0 200 400 600 800 1000
Tempo

Previsor de Kalman
Filtro de Kalman
x̃1 (t)
60
40
20
−20
200 210 220 230 240 250
Tempo
x̃2 (t)
10
−5
−10
200 210 220 230 240 250
Tempo

Valores eficazes dos error das estimativas

v
u1000
uX
x̃irms =t x̃2i (t), i = 1, 2.
t=1
Filtro Kalman Prev. Kalman Observador 1 Observador 2 Observador 3 Observador 4
x̃1rms 25.05 32.40 36.36 42.53 62.99 110.55
x̃2rms 8.46 8.59 9.08 10.36 19.89 61.45

O Ganhos do Previsor e do Filtro de Kalman
Previsor de Kalman
Filtro de Kalman
K1
1
0.8
0.6
0.4
0.2
0
0 200 400 Tempo 600 800 1000
K2
0.4
0.3
0.2
0.1
0
0 200 400 600 800 1000
Tempo

O Ganhos do Previsor e do Filtro de Kalman
Previsor de Kalman
Filtro de Kalman
K1
0.8
0.6
0.4
0.2
0
0 10 20 30 40 50
Tempo
K2
0.4
0.3
0.2
0.1
0
0 10 20 30 40 50
Tempo

Matrizes Covariância do erro do Previsor e do Filtro de KalmanP̃ (t)
Previsor de Kalman
Filtro de Kalman
P̃11 P̃12
5000 2500
4000 2000
3000 1500
2000 1000
1000 500
0 0
0 500 Tempo 1000 0 500 Tempo 1000
P̃21 P̃22
2500 2500
2000 2000
1500 1500
1000 1000
500 500
0 0
0 500 Tempo 1000 0 500 Tempo 1000

Matrizes Covariância do erro do Previsor e do Filtro de KalmanP̃ (t)
Previsor de Kalman
Filtro de Kalman
P̃ 11 P̃ 12
6000 3000
4000 2000
2000 1000
0 0
0 20 Tempo40 0 20 Tempo 40
P̃ 21 P̃ 22
3000 500
400
2000
300
200
1000
100
0 0
0 20 Tempo 40 0 20 Tempo 40

6 - Conclusões
+ Observadores são modelos de sistema que, a partir dos sinais de entrada e saı́da, fornecem esti-
mativas do estado.
+ Os Observadores que simplesmente repetem o modelo do sistema, sem realimentação do erro da

saı́da, têm uma dinâmica de anulação do erro idêntica à do sistema que estão a observar, não
conseguindo, por isso, estimar o estado de sistemas instáveis.
+ Ao realimentação erro da saı́da nos observadores de Luemberger permite alterar a dinâmica de

anulação do erro.
+ Se o sistema for observável existe liberdade total na alocação dos valores próprios do observador.
+ Estes observadores permitem estimar o estado de sistemas instáveis desde que os modos instáveis
sejam acessı́veis.
+ O desempenho dos observadores é afectado pelas perturbações do sistema.

+ Em geral, os observadores muito rápidos apresentam uma fraca rejeição às perturbações.

6 - Conclusões
+ As perturbações podem ser ruı́do de processo ou ruı́do de medição: O ruı́do de processo é um sinal
que perturba o estado (entra na equação de estado) e o de medição perturba unicamente o sinal de
saı́da (entra na equação de saı́da).
+ Desde que se conheçam as caracterı́sticas das perturbações o projecto de observadores pode ser
encarado como um problema de optimização.
+ Os processos estocásticos são modelos realistas de muitas perturbações.

+ O Filtro e o Previsor de Kalman são observadores de estado que minimizam a covariância do erro
da estimativa do estado quando os ruı́dos de processo e de medição são ruı́do branco de média
nula.
+ O Previsor de Kalman faz estimativas (previsões) do estado x(t), t = 1, 2, . . . nos instantes

t − 1.
+ O Filtro de Kalman faz estimativas do estado x(t) no próprio instante t.
+ Como seria de esperar o erro das estimativas do Filtro de Kalman é inferior ao das previsões.

Introducao Aos Proc. Est. e Filtros de Kalman (Slides)

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Introducao Aos Proc. Est. e Filtros de Kalman (Slides)

Uploaded by

Copyright:

Available Formats

Processos Estocásticos e Filtro de Kalman - Introdução Paulo Lopes dos Santos

Processos Estocásticos e Filtro de Kalman - Introdução

Paulo Lopes dos Santos (Universidade do Porto, PORTUGAL)

Faculdade de Engenharia da Universidade do Porto, 2009 Slide 1/96

3 - Modelização de perturbações como processos estocásticos ergódicos

4 - Modelos de estado de processos determinı́stico-estocásticos

5 - Estimação de estado em processos estocásticos e determinı́stico-estocásticos

Faculdade de Engenharia da Universidade do Porto, 2009 Slide 2/96

x(t + 1) = Ax(t) + Bu(t)

y(t) = Cx(t) + Du(t)

y(t) ∈ IR` - Saı́da.

/ PROBLEMA: Determinar x(t) a partir da observação de y(t)

Faculdade de Engenharia da Universidade do Porto, 2009 Slide 3/96

, SOLUÇÃO: Observador de Estado

+ i Para que serve?

ó Estabilização de Sistemas utilizando a realimentação de estado.

Faculdade de Engenharia da Universidade do Porto, 2009 Slide 4/96

Abordagem 1 -Observador com modelo igual ao sistema

ŷ(t) = C x̂(t) + Du(t)

+ Dinâmica do erro do observador

Substituindo x(·) − x̂(·) por x̃(·):

Faculdade de Engenharia da Universidade do Porto, 2009 Slide 5/96

Dinâmica do erro do observador

à Sistema autónomo linear

Faculdade de Engenharia da Universidade do Porto, 2009 Slide 6/96

Sistema (ex: Motor eléctrico).

x2 (t + 1) = 0.9x2 (t) + 10u(t)

Faculdade de Engenharia da Universidade do Porto, 2009 Slide 7/96

y(t) = Cx(t) + Du(t)

Faculdade de Engenharia da Universidade do Porto, 2009 Slide 8/96

Faculdade de Engenharia da Universidade do Porto, 2009 Slide 9/96

Figure 1: Estimativas do observador estão a vermelho.

Faculdade de Engenharia da Universidade do Porto, 2009 Slide 10/96

x̃1 (t) = x1 (t) − x̂1 (t)

Faculdade de Engenharia da Universidade do Porto, 2009 Slide 11/96

x̃1 (t) = x1 (t) − x̂1 (t)

Faculdade de Engenharia da Universidade do Porto, 2009 Slide 12/96

Abordagem 2 -Observador de Luenberger

x̂(t + 1) = Ax̂(t) + Bu(t) + L [y(t) − C x̂(t) − Du(t)]

ŷ(t) = C x̂(t) + Du(t)

+ Dinâmica do erro do observador

x(t + 1) − x̂(t + 1) = Ax(t) + Bu(t) − Ax̂(t) − Bu(t) − L [y(t) − C x̂(t) − Du(t)] =

= Ax(t) − Ax̂(t) − L [Cx(t) + Du(t) − C x̂(y) − Du(t)] =

= A [x(t) − x̂(t)] − LC [x(t) − x̂(t)] = (A − LC) [x(t) − x̂(t)]

Substituindo x(·) − x̂(·) por x̃(·):

x̃(t + 1) = (A − LC) x̃(t)

Faculdade de Engenharia da Universidade do Porto, 2009 Slide 13/96

Dinâmica do erro do observador

à Sistema autónomo linear.

Faculdade de Engenharia da Universidade do Porto, 2009 Slide 14/96

x2 (t + 1) = 0.9x2 (t) + 10u(t)

Faculdade de Engenharia da Universidade do Porto, 2009 Slide 15/96

+ Pretende-se que λ1 e λ2 sejam os valores próprios de A − LC (λt1 e λt2 modos da dinâmica do

Ao (λ) = det [λI2 − (A − LC)] = (λ − λ1 ) (λ − λ2 ) = λ2 − (λ1 + λ2 ) λ + λ1 λ2 .

Faculdade de Engenharia da Universidade do Porto, 2009 Slide 16/96

Observador 2 0.6000 0.6000 0.7000 0.0900

Observador 3 0.3500 0.3500 1.2000 0.3025

Observador 4 0.0000 0.0000 1.9000 0.8100

Faculdade de Engenharia da Universidade do Porto, 2009 Slide 17/96

Faculdade de Engenharia da Universidade do Porto, 2009 Slide 18/96

Faculdade de Engenharia da Universidade do Porto, 2009 Slide 19/96

Faculdade de Engenharia da Universidade do Porto, 2009 Slide 20/96

Faculdade de Engenharia da Universidade do Porto, 2009 Slide 21/96

Qual o melhor observador?