Escolar Documentos
Profissional Documentos
Cultura Documentos
O estado ( x̂k+ ) pode ser estimado através de uma função linear dependente somente
xˆ k+ = K k .xˆ k− + K k . y k (1)
[( ) ]
E x k − xˆ k+ . y iT = 0 para i = 1,2,K , k − 1 (2)
[( ) ]
E x k − K k .xˆ k− − K k . y k . y iT = 0 para i = 1,2,K , k − 1 (3)
yk = Hk xk +vk (4)
[( ) ]
E x k − K k .xˆ k− − K k .(H k .x k − .v k ) . y iT = 0 (5)
Expandindo a expressão:
[( ) ]
E x k − K k .xˆ k− − K k .H k .x k − K k .v k . yiT = 0 (6)
Rearranjo os termos:
[( ) ]
E x k − K k .xˆ k− − K k .H k .x k . yiT − (K k .v k ). y iT = 0 (7)
Considerando os ruídos de processo ( wk ) e de medição ( vk ) como variáveis
[ ]
E wk . y iT = 0 para i = 1,2, K , k − 1 (8)
E [v . y ] = 0
k
T
i para i = 1,2, K , k − 1 (9)
correlacionados, temos:
[( ) ]
E x k − K k .xˆ k− − K k .H k .x k . yiT − (K k .v k ). y iT = 0 (10)
Continuando:
[( ) ]
E x k − K k .xˆ k− − K k .H k .x k . yiT = 0 (11)
[( ) ]
E x k − K k .xˆ k− − K k .H k .x k + K k .x k − K k .x k . yiT = 0 (12)
[ ( ) ]
E (I − K k .H k − K k ).xk yiT + K k . xk − xˆ k− . yiT = 0 (13)
[ ] [ ( ) ]
E (I − K k .H k − K k ).xk yiT + E K k . xk − xˆ k− . yiT = 0 (14)
(I − K k [ ] [( ) ]
.H k − K k ).E xk yiT + K k .E xk − xˆ k− . yiT = 0 (15)
Aplicar o conceito de ortogonalidade entre o erro de predição dos estados ( xk − xˆ k− )
[(
E x k − xˆ k− . yiT = 0) ] (16)
(I − K k [ ] [( ) ]
.H k − K k ).E xk yiT + K k .E xk − xˆ k− . yiT = 0 (17)
(I − K k [
.H k − K k ).E xk yiT = 0 ] (18)
[ ]
E .xk yiT ≠ 0 (19)
( K k ):
(I − K .H k k − Kk ) = 0 (20)
K k = I − K k .H k (21)
xˆ k+ = K k .xˆ k− + K k . y k (22)
Substituindo a matriz ( K k ):
xˆ k+ = (I − K k .H k ).xˆ k− + K k . y k (23)
Expandindo a expressão:
xˆ k+ = xˆ k− − K k .H k .xˆ k− + K k . y k (24)
(
xˆ k+ = xˆ k− + K k . yk − H k .xˆ k− ) (25)
erro k− = (x k − xˆ k− ) (31)
[( ) ]
E x k − xˆ k+ . y kT = 0 (33)
E [(xk − xˆ k+ ). yˆ k−T ] = 0 (34)
[( ) ] [(
E xk − xˆ k+ . y kT − E x k − xˆ k+ . yˆ k−T = 0 ) ] (35)
[( ) (
E x k − xˆ k+ . y kT − x k − xˆ k+ . yˆ k−T = 0) ] (36)
[( )(
E x k − xˆ k+ . y kT − yˆ k−T = 0 )] (37)
(
erro k+ = x k − xˆ k+ ) (38)
erroy −T
k = (y T
k − yˆ −T
k ) (39)
Logo, temos a projeção:
[
E erro k+ .erroy k−T = 0 ] (40)
errok+ = xk − xˆ k+ (41)
xˆ k+ = xˆ k− + K k .( yk − H k .xˆ k− ) (42)
Expandindo a expressão:
[
E erro k+ .erroy k−T = 0 ] (50)
E [((I − K k )(
. H k ).erro k− − K k .v k . erro k− . H k + v k )
T
]= 0 (51)
Expandindo a expressão:
Pelo fato dos ruídos de medição ( vk ) não estarem correlacionados com os erros de
(x k − xˆ k− ).v kT = 0 (53)
v k .(x k − xˆ k− ) = 0
T
(54)
[
E (I − K k .H k ).errok− .errok−T .H kT − K k .vk .vkT = 0 ] (56)
Aplicando a propriedade de adição de termos do operador esperança ( E [ ]):
[ ] [ ]
E (I − K k .H k ).erro k− .erro k−T .H kT − E K k .v k .v kT = 0 (57)
É importante notar que esta última equação apresentada contém um termo de valor
[ ]
esperado para o quadrado do erro de predição dos estados ( E errok− .errok−T ) para o instante
de tempo k . Este termo é definido como sendo a matriz de covariância dos estados Pk− . De
[ ]
( E v k .v kT ).
[
Pk− = E erro k− .erro k−T ] (59)
[
Rk = E vk .vkT ] (60)
(
K k = Pk− .H kT . H k .Pk− .H kT + Rk )−1
(62)
A matriz de covariância dos erros de medição ( Pk+ ) pode ser calculada através da
seguinte equação:
[ ] [( )(
Pk+ = E erro k+ .erro k+T = E x k − xˆ k+ . x k − xˆ k+ )]
T
(63)
[
Pk+ = E ((I − K k .H k ).erro k− − K k .v k ).((I − K k .H k ).erro k− − K k .v k )
T
] (65)
Expandindo a expressão:
Pelo fato dos ruídos de medição ( vk ) não estarem correlacionados com os erros de
(x k )
− xˆ k− .v kT = 0 (67)
v k .(x k − xˆ k)
− T
=0 (68)
+
⎡(I − K k .H k ).erro k− .erro k−T .(I − K k .H k )T − K k .v k .erro k−T .(I − K k .H k )T + ⎤
P = E⎢ ⎥ (69)
− (I − K k .H k ).erro k− .v kT .K kT + K k .v k .v kT .K kT
k
⎣ ⎦
[
Pk+ = E (I − K k .H k ).errok− .errok−T .(I − K k .H k ) + K k .v k .vkT .K kT
T
] (70)
Aplicando a propriedade de adição de termos do operador esperança ( E [ ]):
[ ] [
Pk+ = E (I − K k .H k ).errok− .errok−T .(I − K k .H k ) + E K k .v k .vkT .K kT
T
] (71)
[ ] [
Pk+ = (I − K k .H k ).E errok− .errok−T .(I − K k .H k ) + K k .E vk .v kT .K kT
T
] (72)
[
Pk− = E erro k− .erro k−T ] (73)
[
Rk = E vk .vkT ] (74)
( )
Pk+ = (I − K k .H k ). Pk− − Pk− .K kT .H kT + K k .Rk .K kT (76)
(
K k = Pk− .H kT . H k .Pk− .H kT + Rk )
−1
(79)
Rearranjando a equação do Ganho de Kalman ( K k ):
(
Pk− .H kT = K k . H k .Pk− .H kT + Rk ) (80)
Expandindo os termos:
( )
Pk+ = (I − K k .H k ).Pk− − K k .H k .Pk− .H kT + K k .Rk − K k .H k .Pk− .H kT .K kT + K k .Rk .K kT (82)
( )
Pk+ = (I − K k .H k ).Pk− − K k .H k .Pk− .H kT + K k .Rk − K k .H k .Pk− .H kT .K kT + K k .Rk .K kT (83)
Indo mais além, pode-se presumir a matriz de covariância para o instante de tempo
futuro ( k + 1 ) a partir de seu atual ( k ). Para isso, é necessário definir o erro de predição dos
estados para o mesmo instante de tempo futuro ( xk +1 − xˆ k−+1 ):
x k +1 = ϕ k .x k + wk (88)
xˆ −
k +1 = ϕ k .xˆ +
k
erro k+ = x k − xˆ k+ (90)
[
Pk−+1 = E erro k−+1 .erro k−+T1 ] (92)
[
Pk−+1 = E (ϕ k .erro k+ + wk )(
. ϕ k .erro k+ + wk )
T
] (93)
Expandindo os termos:
(x k )
− xˆ k+ .wkT = 0 (95)
(
wk . x k − xˆ k)
+ T
=0 (96)
[
Pk−+1 = E ϕ k .erro k+ .erro k+T .ϕ kT + wk .wkT ] (98)
[
Pk−+1 = E ϕ k .erro k+ .erro k+T .ϕ kT + wk .wkT ] (99)
[ ]
Pk−+1 = ϕ k .E erro k+ .erro k+T .ϕ kT + E wk .wkT [ ] (100)
[
Pk+ = E erro k+ .erro k+T ] (101)
Qk = E wk .w [ T
k ] (102)
Retornando ao conceito de matriz de covariância dos erros de predição dos estados
no instante de tempo futuro ( Pk−+1 ):
Logo, temos:
Continuando a expansão:
(
K k = Pk− .H kT . H k .Pk− .H kT + Rk ) −1
(108)
( (
Pk−+1 = ϕ k .Pk− .ϕ kT − ϕ k . Pk− .H kT . H k .Pk− .H kT + Rk )
−1
).H .P .ϕ
k k
− T
k + Qk (109)
( )(
Pk−+1 = ϕ k .Pk− .ϕ kT − ϕ k .Pk− .H kT . H k .Pk− .H kT + Rk ) .(H
−1
k )
.Pk− .ϕ kT + Qk (110)
Esta última equação demonstrada é também conhecida como Matriz Dinâmica de
Riccati para sistemas tempo discretos. Esta equação é importante para determinar a
correção dos estados preditos pelo modelo do processo. Uma das vantagens de se utilizar
esta equação é que ela elimina a necessidade do cálculo da atualização da covariância a
cada instante de amostragem uma vez que isto já esta implícito no cálculo de predição.