O Filtro Alpha - Beta - Gamma

O filtro alpha - beta - gamma https://www.kalmanfilter.net/PT/alphabeta_pt.
html
KalmanFilter.NET SUPORTE
O FILTRO α − β − γ
EXEMPLO 1 – PESANDO O OURO

Agora, estamos prontos para o primeiro exemplo simples. Neste exemplo, nós vamos estimar o estado de um sistema estático. O
sistema estático é aquele que não muda seu estado durante um período de tempo considerável. Por exemplo, o sistema estático
pode ser uma torre, e o estado ser sua altura.
Neste exemplo, nós vamos estimar o peso de uma barra de ouro. Usaremos escalas imparciais, isto é, as medidas não possuem erro
sistemático, mas contêm um ruído aleatório.
Em nosso exemplo, o sistema é a barra de ouro e seu estado é o peso da barra. O modelo dinâmico do sistema é constante, desde
que assumamos que o peso não varia durante intervalos curtos de tempo.
A �m de estimar o estado do sistema (isto é, o valor do peso), nós podemos fazer várias medições e calcular a média.
1 of 27 7/8/22, 22:41
O filtro alpha - beta - gamma https://www.kalmanfilter.net/PT/alphabeta_pt.html
^n,n seria a média de todas as medições anteriores:

No tempo n, a estimativa x
1 1 n
^n,n =
x (z1 + z2 + … + zn−1 + zn ) = ∑ (zi )
n n i=1
Notação do exemplo:
x é o valor real do peso
zn é o valor medido do peso no tempo n
^n,n
x é a estimativa de x no tempo n (a estimativa é feita depois da medição zn )
^n,n−1 é a estimativa anterior de x que foi feita no tempo n − 1 (a estimativa foi feita depois da medição zn−1 )
x
^n+1,n é a estimativa do estado futuro (n + 1 ) de x. A estimativa é feita no tempo n, logo após a medição zn . Em outras
x
palavras, x^n+1,n é o estado previsto
Nota: Na literatura, o acento circun�exo sobre uma variável é usado para indicar valor estimado.
^n+1,n
O modelo dinâmico nesse exemplo é dinâmico, por isso x ^n,n .
=x
Para estimar ^n,n , precisamos lembrar de todo o histórico de medições. Suponha que nós não temos caneta e papel para escrever
x
as medições, também não podemos con�ar em nossa memória e lembrar de todas elas. Apenas queremos usar a estimativa anterior
e adicionar um pequeno ajuste (em aplicações reais, queremos economizar a memória do computador). Nós podemos fazer isso com
um pequeno truque matemático:
Notas
^n,n =
x 1
n ∑ni=1 (zi ) = Fórmula da média: soma de n medições dividida por n
n (∑i=1 (zi ) + zn ) =
= 1 n−1 Soma de n − 1 medições mais a última medição dividida por n
= 1
n ∑n−1
i=1 (zi ) +
1
n zn = Expansão da expressão
= 1 n−1
n n−1 ∑n−1
i=1 (zi ) +
1
n zn = Multiplica e divide pelo termo n − 1
2 of 27 7/8/22, 22:41
KalmanFilter.NET Notas SUPORTE
n−1 1
n n−1 ∑n−1
i=1 (zi ) +
1
n zn = Reordenando
O termo 'laranja' é a estimativa anterior
n−1 1
= ^ + = Reescrevendo a soma
n xn−1,n−1 n zn
1 1 n−1
^n−1,n−1 −
=x ^
n xn−1,n−1 + n zn = Separando o termo n
=x ^n−1,n−1
^n−1,n−1
x + n1 estimado
é o estado ^n−1,n−1
(z n − x de x at)tno momento n
Reordenando
− 1, based ocom base na medição no momento n − 1.
Vamos encontrar x ^n−1,n−1 (a estimativa no momento n − 1). Em

^n,n−1 (o estado previsto de x no momento n ), com base em x
^n−1,n−1 para o momento n.
outras palavras, gostaríamos de extrapolar x
Como o modelo dinâmico neste exemplo é estático, ou seja, o peso da barra de ouro não muda ao longo do tempo, o estado previsto
^n,n−1 = x
de x é igual ao estado estimado de x: x ^n−1,n−1 .
^n,n , pode ser escrita da seguinte forma:

Com base no exposto, a estimativa do estado atual x
1
^n,n = x
x ^n,n−1 + ^n,n−1 )
(z n − x
n
A equação acima é uma das cinco equações do �ltro de Kalman. Ela é chamada de Equação de Atualização de Estado. Ela signi�ca o
seguinte:
1
O fator n é especí�co para nosso exemplo. Nós vamos discutir o importante papel desse fator depois, mas agora eu gostaria de
a�rmar que, no �ltro de Kalman, esse fator é chamado de Ganho de Kalman. Ele é denotador por Kn . O subscrito n indica que o
Ganho de Kalman pode mudar em cada iteração.
A descoberta do Kn foi uma das maiores contribuições de Rudolf Kalman.
Por enquanto, antes de adentrarmos mais fundo no Filtro de Kalman, vamos usar a letra grega αn ao invés de Kn .
Então, a Equação de Atualização de Estado será:
^n,n = x
x ^n,n−1 + αn (zn − x
^n,n−1 )
O termo (zn − xn,n−1 ) é uma medição residual, também chamada de inovação. A inovação contém a informação nova.
1
Em nosso exemplo, n decai à medida que n cresce. Isso signi�ca que, no começo, nós não temos informação su�ciente sobre o valor
do peso, logo baseamos a estimativa nas medições. Com o passar do tempo, cada medição sucessiva tem menos peso no processo
1
de estimativa, uma vez que n decai. Em algum momento, a contribuição das novas medições será desprezível.
Vamos continuar com o exemplo. Antes de fazermos a primeira medição, podemos supor (ou grosseiramente estimar) o peso da
barra de ouro, simplesmente, lendo o selo da barra. Isso é chamado de Suposição Inicial e será nossa primeira estimativa.
Como veremos futuramente, o Filtro de Kalman exige a suposição inicial como um pré-requisito, e ela pode ser bem grosseira.
3 of 27 7/8/22, 22:41
ALGORITMO DE ESTIMAÇÃO
O quadro a seguir retrata o algoritmo de estimação utilizado neste exemplo.
Agora, estamos prontos para começar o processo de medição e estimação.
O EXEMPLO NUMÉRICO
ITERAÇÃO ZERO
INICIALIZAÇÃO
Nossa suposição inicial do peso da barra de ouro é 1000 gramas. A suposição inicial é usada apenas uma vez para inicialização do
�ltro, logo não será necessária para as próximas iterações.
^0,0 = 1000g
x
PREDIÇÃO
O peso de uma barra de ouro não deve mudar. Portanto, o modelo dinâmico do sistema é estático. Nossa próxima estimativa de
estado (predição) é igual à inicialização.
^1,0 = x
x ^0,0 = 1000g
PRIMEIRA ITERAÇÃO
PASSO 1
Realiza-se a medição do peso com a balança:
z1 = 1030g
PASSO 2
1
Calcula-se o ganho. Em nosso exemplo αn = n , logo:
1
α1 = =1
1
Calcula-se a estimativa atual utilizando a equação de atualização de estado:
^1,1 = x
x ^1,0 + α1 (z1 − x
^1,0 ) = 1000 + 1 (1030 − 1000) = 1030g
4 of 27 7/8/22, 22:41
Nota: Neste exemplo em especí�co, a suposição inicial poderia ser qualquer número. Desde que α1 = 1, a suposição
inicial é eliminada na primeira iteração.
PASSO 3
O modelo dinâmico do sistema é estático, logo o peso da barra de ouro não deve mudar. Nossa próxima estimativa de estado
(predição) é igual à estimativa atual do estado:
^2,1 = x
x ^1,1 = 1030g
SEGUNDA ITERAÇÃO
Depois de um atraso de tempo unitário, a estimativa prevista da iteração anterior se torna a estimativa anterior na iteração atual:
^2,1 = 1030g
x
PASSO 1
Realiza-se a segunda medição do peso:
z2 = 989g
PASSO 2
Calcula-se o ganho:
1
α2 =
2
Calcula-se a estimativa atual:
1
^2,2 = x
x ^2,1 + α2 (z2 − x
^2,1 ) = 1030 + (989 − 1030) = 1009, 5g
2
PASSO 3
^3,2 = x
x ^2,2 = 1009.5g
TERCEIRA ITERAÇÃO
1
z3 = 1017g α3 =
3
1
^3,3 = 1009, 5 +
x (1017 − 1009, 5) = 1012g
3
^4,3 = 1012g
x
QUARTA ITERAÇÃO
1
z4 = 1009g α4 =
4
1
^4,4 = 1012 +
x (1009 − 1012) = 1011.25g
4
^5,4 = 1011, 25g
x
5 of 27 7/8/22, 22:41
QUINTA ITERAÇÃO
1
z5 = 1013g α5 =
5
1
^5,5 = 1011, 25 +
x (1013 − 1011, 25) = 1011, 6g
5
^6,5 = 1011, 6g
x
SEXTA ITERAÇÃO
1
z6 = 979g α6 =
6
1
^6,6 = 1011, 6 +
x (979 − 1011, 6) = 1006, 17g
6
^7,6 = 1006, 17g
x
SÉTIMA ITERAÇÃO
1
z7 = 1008g α7 =
7
1
^7,7 = 1006, 17 +
x (1008 − 1006, 17) = 1006, 43g
7
^8,7 = 1006, 43g
x
OITAVA ITERAÇÃO
1
z8 = 1042g α8 =
8
1
^8,8 = 1006, 43 +
x (1042 − 1006, 43) = 1010, 87g
8
^9,8 = 1010, 87g
x
NONA ITERAÇÃO
1
z9 = 1012g α9 =
9
1
^9,9 = 1010, 87 +
x (1012 − 1010, 87) = 1011g
9
^10,9 = 1011g
x
DÉCIMA ITERAÇÃO
1
z10 = 1011g α10 =
10
1
^10,10 = 1011 +
x (1011 − 1011) = 1011g
10
^11,10 = 1011g
x
Podemos parar por aqui. O ganho decresce com cada medição. Portanto, a contribuição de cada medição consecutiva é menor do
que a da anterior. Nós chegamos bem próximo ao valor verdadeiro, que é 1010 gramas. Se �zéssemos mais medições, chegaríamos
ainda mais próximo.
6 of 27 7/8/22, 22:41
A tabela a seguir sumariza nossas medições e estimativas, e o quadro comparar os valores medidos, as estimativas e o valor
KalmanFilter.NET
verdadeiro.
SUPORTE
n 1 2 3 4 5 6 7 8 9 10
1 1 1 1 1 1 1 1 1
αn 1 2 3 4 5 6 7 8 9 10
zn 1030 989 1017 1009 1013 979 1008 1042 1012 1011
^n,n
x 1030 1009,5 1012 1011,25 1011,6 1006,17 1006,43 1010,87 1011 1011
^n+1,n
x 1030 1009,5 1012 1011,25 1011,6 1006,17 1006,43 1010,87 1011 1011
Podemos ver que nosso algoritmo de estimação tem um efeito de suavização nas medições, e ele converge em direção ao valor
verdadeiro.
RESUMO DO EXEMPLO
Neste exemplo, nós desenvolvemos um algoritmo de estimação simples para um sistema estático. Nós também derivamos a
equação de atualização de estado, que é uma das cinco equações do Filtro de Kalman.
EXEMPLO 2 – RASTREANDO UMA AERONAVE DE VELOCIDADE

CONSTANTE EM UMA DIMENSÃO
7 of 27 7/8/22, 22:41
Agora, é a hora de examinarmos um sistema dinâmico que muda seu estado ao longo do tempo. Neste exemplo, nós vamos rastrear
KalmanFilter.NET
uma aeronave de velocidade constante em uma dimensão usando o �ltro α-β.
SUPORTE
Vamos considerar um mundo unidimensional. Assumimos que a aeronave está se afastando (ou se aproximando) radialmente do
radar. No mundo unidimensional, o ângulo do radar é constante e a altitude da aeronave também, como mostrado na �gura a
seguir.
xn representa a distância até a aeronave no instante n . A velocidade da aeronave é de�nida como a taxa de variação da distância
em relação ao tempo, logo a velocidade é uma derivada da distância:
dx
ẋ = v =
dt
O radar envia um feixe de rastreamento na direção do alvo em uma frequência constante. O intervalo entre rastreamentos é Δt.
Assumindo que a velocidade é constante, o modelo dinâmico do sistema pode ser descrito por duas equações de movimento:
xn+1 = xn + Δtẋn
ẋn+1 = ẋn
De acordo com as equações, a distância da aeronave no próximo ciclo de rastreamento é igual à distância do ciclo atual mais a
velocidade do alvo multiplicada pelo intervalo entre rastreamentos. Neste exemplo, nós assumimos velocidade constante. Portanto,
a velocidade no próximo ciclo é igual a velocidade no ciclo atual.
O sistema de equações acima é chamado de uma Equação de Extrapolação de Estado (também chamada de Equação de
Transição ou de Equação de Predição) e essa é uma das cinco equações do �ltro de Kalman. Esse sistema de equações extrapola o
estado atual para o próximo (predição).
Nós já utilizamos a Equação de Extrapolação de Estado no exemplo anterior, no qual nós assumimos que o peso do próximo estado
seria igual ao peso do estado atual.
Existe uma forma genérica da Equação de Extrapolação de Estado em notação matricial, que estudaremos depois.
Neste exemplo, nós vamos utilizar o conjunto de equações acima que é especí�co para nosso caso.
Nota: nós já aprendemos duas das cinco equações do �ltro de Kalman:

• Equação de Atualização de Estado
• Equação de Extrapolação de Estado
8 of 27 7/8/22, 22:41
Agora, vamos modi�car a Equação de Atualização de Estado para nosso exemplo.

O FILTRO α − β
Tomemos o intervalo entre rastreamentos ( Δt ) como sendo 5 segundos. Assumimos que no instante n − 1, a distância estimada
da ANT (aeronave não tripulada) é 30.000m e sua velocidade estimada é 40m/s.
Usando as Equações de Extrapolação de Estado, nós podemos prever a posição do alvo no instante n:
^n,n−1 = x
x ^n−1,n−1 = 30000 + 5 ∗ 40 = 30200m
^n−1,n−1 + Δtẋ
A velocidade do alvo no instante n:
^n,n−1 = ẋ
ẋ ^n−1,n−1 = 40m/s
Entretanto, no instante n, o radar mede uma distância ( zn ) de 30.110m e não de 30.200m como esperado. Existe uma diferença de
90m entre a distância esperada (predita) e a distância medida. Existem duas possíveis razões para essa diferença:
• As medições do radar não são precisas
30.110−30.000
• A velocidade da aeronave mudou. A sua nova velocidade é: 5
= 22m/s
Qual das duas a�rmações é verdadeira?
Vamos escrever a Equação de Atualização de Estado para a velocidade:
^
^n,n−1 + β ( zn − xn,n−1 )
^n,n = ẋ
ẋ
Δt
O valor do fator β depende do nível de precisão do radar. Suponha que a precisão 1σ do radar é 20m. Provavelmente, os 90 metros
de diferença entre as distâncias predita e a medida é resultado da mudança na velocidade da aeronave. Neste caso, nós de�nimos
um alto valor para o fator β. Se de�nirmos β = 0.9, logo a velocidade estimada seria:
^
^n,n−1 + β ( zn − xn,n−1 ) = 40 + 0.9 ( 30110 − 30200 ) = 23.8m/s
^n,n = ẋ
ẋ
Δt 5
Suponha que a precisão 1σ do radar é 150m. Provavelmente, a diferença de 90m é consequência do erro de medição do radar.
Neste caso, de�nimos uma valor baixo para o fator β. Se de�nirmos β = 0.1, logo a velocidade estimada seria:
^
^n,n−1 + β ( zn − xn,n−1 ) = 40 + 0.1 ( 30110 − 30200 ) = 38.2m/s
^n,n = ẋ
ẋ
Δt 5
A Equação de Atualização de Estado para a posição da aeronave é semelhante à equação que foi obtida no exemplo anterior:
^n,n = x
x ^n,n−1 + α (zn − x
^n,n−1 )
1
Ao contrário do exemplo anterior, em que o fator α é recalculado em cada iteração ( αn = N
), neste exemplo, o fator α é
constante.
A magnitude do fator α depende da precisão de medição do radar. Para uma alta precisão, nós escolhemos um alto α , dando um
peso alto para as medições. Se α= 1 , a distância estimada é igual à distância medida:
x ^n,n−1 + 1 (zn − x
^n,n = x ^n,n−1 ) = zn
9 of 27 7/8/22, 22:41
Se α= 0 , a medição não tem nenhuma in�uência:

^n,n = x
x ^n,n−1 + 0 (zn − x
^n,n−1 ) = xn,n−1
Então, nós obtivemos um sistema de equações que compõe a Equação de Atualização de Estado para o rastreamento do radar. Elas
também são chamadas de equações de atualização de rastreamento α − β ou equações de �ltragem de rastreamento α − β.
A Equação de Atualização de Estado para a posição:
^n,n = x
x ^n,n−1 + α (zn − x
^n,n−1 )
A Equação de Atualização de Estado para a velocidade:
^
^n,n−1 + β ( zn − xn,n−1 )
^n,n = ẋ
ẋ
Δt
Nota: Em alguns livros, o �ltro α − β é também chamado de �ltro g-h, em que a letra grega α é substituída pela letra g, e
a letra grega β é substituída pela letra h.
Δx
Nota: Neste exemplo, nós estamos obtendo a velocidade da aeronave a partir das medições de distância ( ẋ = Δt
). Os
radares modernos podem medir a velocidade radial usando diretamente o efeito Doppler. Entretanto, meu objetivo é
explicar o �ltro de Kalman e não o funcionamento do Radar. Logo, por uma questão de generalidade, em nossos exemplo,
eu continuarei obtendo a velocidade a partir das medições de distância.
ALGORITMO DE ESTIMAÇÃO
O quadro a seguir descreve o algoritmo de estimação utilizado neste exemplo.
Ao contrário do exemplo anterior, aqui os valores de Ganho α e β já são dados. No �ltro de Kalman, α e β são substituídos pelo
Ganho de Kalman, que é calculado a cada iteração, mas nós iremos aprender isso depois.
Agora, estamos prontos para iniciar o exemplo numérico.
O EXEMPLO NUMÉRICO
Dado que a aeronave está se afastando (ou se aproximando) radialmente do radar em um mundo unidimensional.
Os parâmetros do �ltro α − β são:
10 of 27 7/8/22, 22:41
• α = 0, 2
• β = 0, 1
O intervalo entre rastreamentos é 5 segundos.
Nota: Neste exemplo, vamos usar um radar bem impreciso e um alvo (ANT) de baixa velocidade para uma melhor
representação grá�ca. Na vida real, os radares são, comumente, mais precisos e os alvos se movem bem mais rápido.
ITERAÇÃO ZERO
INICIALIZAÇÃO
As condições iniciais para o instante n = 0 são dadas:
^0,0 = 30000m
x
^0,0 = 40m/s
ẋ
Nota: A Iniciação do Rastreamento (ou como nós obtemos as condições iniciais) é um tópico muito importante, que será
discutido posteriormente. Agora, nosso objetivo é o entendimento da operação básica do �ltro α − β, logo assumiremos
que as condições iniciais foram dadas por alguém.
PREDIÇÃO
A suposição inicial será extrapolada para o primeiro ciclo ( n = 1 ) usando as Equações de Extrapolação de Estado:
^n+1,n = x
x ^n,n → x
^n,n + Δtẋ ^1,0 = x ^0,0 = 30000 + 5 × 40 = 30200m
^0,0 + Δtẋ
^n+1,n = ẋ
ẋ ^n,n → ẋ
^1,0 = ẋ
^0,0 = 40m/s
PRIMEIRA ITERAÇÃO
No primeiro ciclo ( n = 1 ), a suposição inicial é a estimativa anterior:
^n,n−1 = x
x ^1,0 = 30200m
^n,n−1 = ẋ
ẋ ^1,0 = 40m/s
PASSO 1
O radar mede a distância da aeronave:
z1 = 30110m
PASSO 2
Calcula-se a estimativa atual usando a Equação de Atualização de Estado:
^1,1 = x
x ^1,0 + α (z1 − x
^1,0 ) = 30200 + 0, 2 (30110 − 30200) = 30182m
^
^1,0 + β ( z1 − x1,0 ) = 40 + 0, 1 ( 30110 − 30200 ) = 38.2m/s
^1,1 = ẋ
ẋ
Δt 5
PASSO 3
Calcula-se a estimativa do próximo estado usando as Equações de Extrapolação de Estado:
11 of 27 7/8/22, 22:41
KalmanFilter.NET ^2,1 = x
x ^1,1 = 30182 + 5 × 38, 2 = 30373m
^1,1 + Δtẋ SUPORTE
^2,1 = ẋ
ẋ ^1,1 = 38, 2m/s
SEGUNDA ITERAÇÃO
Após um atraso unitário no tempo, a estimativa predita da iteração anterior se torna uma estimativa anterior na iteração atual:
^2,1 = 30373m
x
^2,1 = 38, 2m/s
ẋ
PASSO 1
O radar mede a distância da aeronave:
z2 = 30265m
PASSO 2
Calcula-se a estimativa atual usando a Equação de Atualização de Estado:
^2,2 = x
x ^2,1 + α (z2 − x
^2,1 ) = 30373 + 0, 2 (30265 − 30373) = 30351, 4m
^
^2,1 + β ( z2 − x2,1 ) = 38, 2 + 0, 1 ( 30265 − 30373 ) = 36m/s
^2,2 = ẋ
ẋ
Δt 5
PASSO 3
Calcula-se a estimativa do próximo estado usando as Equações de Extrapolação de Estado:
^3,2 = x
x ^2,2 = 30351, 4 + 5 × 36 = 30531, 6m
^2,2 + Δtẋ
^3,2 = ẋ
ẋ ^2,2 = 36m/s
TERCEIRA ITERAÇÃO
z3 = 30740
^3,3 = 30531, 6 + 0, 2 (30740 − 30531, 6) = 30573, 3m
x
^3,3 = 36 + 0, 1 ( 30740 − 30531, 6 ) = 40, 2m/s

ẋ
5
^4,3 = 30573.3 + 5 × 40.2 = 30774, 3m

x
^4,3 = 40, 2m/s
ẋ
QUARTA ITERAÇÃO
z4 = 30750
^4,4 = 30774, 3 + 0, 2 (30750 − 30774, 3) = 30769, 5m
x
^4,4 = 40, 2 + 0.1 ( 30750 − 30774, 3 ) = 39, 7m/s

ẋ
5
^5,4 = 30769, 5 + 5 × 39, 7 = 30968, 1m

x
^5,4 = 39, 7m/s
ẋ
12 of 27 7/8/22, 22:41
QUINTA ITERAÇÃO
z5 = 31135
^5,5 = 30968, 1 + 0.2 (31135 − 30968, 1) = 31001, 5m
x
^5,5 = 39, 7 + 0.1 ( 31135 − 30968, 1 ) = 43, 1m/s

ẋ
5
^6,5 = 31001, 5 + 5 × 43, 1 = 31216, 8m

x
^6,5 = 43, 1m/s
ẋ
SEXTA ITERAÇÃO
z6 = 31015
^6,6 = 31216, 8 + 0, 2 (31015 − 31216, 8) = 31176, 4m
x
^6,6 = 43, 1 + 0, 1 ( 31015 − 31216, 8 ) = 39m/s

ẋ
5
^7,6 = 31176, 4 + 5 × 39 = 31371, 5m

x
^7,6 = 39m/s
ẋ
SÉTIMA ITERAÇÃO
z7 = 31180
^7,7 = 31371, 5 + 0, 2 (31180 − 31371, 5) = 31333, 2m
x
^7,7 = 39 + 0, 1 ( 31180 − 31371, 5 ) = 35, 2m/s

ẋ
5
^8,7 = 31333, 2 + 5 × 35, 2 = 31509, 2m

x
^8,7 = 35, 2m/s
ẋ
OITAVA ITERAÇÃO
z8 = 31610
^8,8 = 31509, 2 + 0, 2 (31610 − 31509, 2) = 31529, 4m
x
^8,8 = 35, 2 + 0, 1 ( 31610 − 31509, 2 ) = 37, 2m/s

ẋ
5
^9,8 = 31529, 4 + 5 × 37, 2 = 31715, 4m

x
^9,8 = 37, 2m/s
ẋ
NONA ITERAÇÃO
z9 = 31960
^9,9 = 31715, 4 + 0, 2 (31960 − 31715, 4) = 31764, 3m
x
^9,9 = 37, 2 + 0, 1 ( 31960 − 31715, 4 ) = 42, 1m/s

ẋ
5
^10,9 = 31764, 3 + 5 × 42, 1 = 31974, 8m

x
13 of 27 7/8/22, 22:41
KalmanFilter.NET ^10,9 = 42, 1m/s

ẋ SUPORTE
DÉCIMA ITERAÇÃO
z10 = 31865
^10,10 = 31974, 8 + 0, 2 (31865 − 31974, 8) = 31952, 9m
x
^10,10 = 42, 1 + 0, 1 ( 31865 − 31974, 8 ) = 39, 9m/s

ẋ
5
^11,10 = 31952, 9 + 5 × 39, 9 = 32152, 4m

x
^11,10 = 39, 9m/s
ẋ
A tabela a seguir dispõe nossas medições e estimativas.
n 1 2 3 4 5 6 7 8 9 10
zn 30110 30265 30740 30750 31135 31015 31180 31610 31960 31865
^n,n
x 30182 30351,4 30573,3 30769,5 31001,5 31176,4 31333,2 31529,4 31764,3 31952,9
˙^n,n
x 38,2 36 40,2 39,7 43,1 39,/td> 35,2 37,2 42,1 39,9
^n+1,n
x 30373 30531,6 30774,3 30968,1 31216,8 31371,5 31509,2 31715,4 31974,8 32152,4
^˙n+1,n
x 38,2 36,0 40,2 39,7 43,1 39 35,2 37,2 42,1 39,9
O grá�co a seguir compara o valor verdadeiro, os valores medidos e as estimativas.
Nós podemos observar que nosso algoritmo de estimação tem um efeito de suavização nas medições, e ele converge em direção ao
valor verdadeiro.
14 of 27 7/8/22, 22:41
USANDO VALORES ALTOS PARA α E β

O quadro a seguir mostra o valor verdadeiro, os valores medidos e as estimativas para α = 0.8 e β = 0.5.
O grau de "suavização" do �ltro é bem menor. A "estimativa atual" é muito próxima aos valores medidos e o erro da estimativa
predita é bem maior.
Então, nós devemos sempre escolher valores pequenos para α e β ?
A respota é NÃO. O valor de α e β dependerá da precisão das medições. Se utilizamos um equipamento muito preciso, como um
radar a laser, nós preferiríamos α e β altos que seguissem as medições. Neste caso, o �ltro iria responder rapidamente à variação de
velocidade do alvo. Por outro lado, se a precisão das medições for baixa, preferiríamos α e β pequenos. Neste caso, o �ltro vai
suavizar a incerteza (erros) nas medições. Entretanto, a reação do �ltro à alterações de velocidade do alvo será bem mais lenta.
Uma vez que o cálculo de α e β é um tópico tão importante, nós o discutiremos depois com mais detalhes.
RESUMO DO EXEMPLO
Neste exemplo, nós encontramos a equação de atualização de estado do �ltro α − β. Nós também aprendemos a Equação de
Extrapolação de Estado. Desenvolvemos um algoritmo de estimação para um sistema dinâmico unidimensional, baseado no �ltro
α − β, e solucionamos um exemplo numérico para um alvo de velocidade constante.
EXEMPLO 3 – RASTREANDO UMA AERONAVE EM

ACELERAÇÃO EM UMA DIMENSÃO
15 of 27 7/8/22, 22:41
Neste exemplo, vamos rastrear uma aeronave que está se movendo com aceleração constante usando o �ltro α − β, que já foi
KalmanFilter.NET
explicado no exemplo anterior.
SUPORTE
No exemplo anterior, rastreamos o ANT que está se movendo a uma velocidade constante de 40m/s. O grá�co a seguir mostra a
distância do alvo e a velocidade em função do tempo.
Como você pode ver, a função da distância é linear.
Agora vamos examinar uma aeronave de caça. Esta aeronave se move com velocidade constante de 50m/s por 15 segundos. Em
seguida, a aeronave acelera com aceleração constante de 8m/s 2 por mais 35 segundos.
O grá�co a seguir mostra a distância do alvo, velocidade e aceleração em função do tempo.
16 of 27 7/8/22, 22:41
Como você pode ver no grá�co, a velocidade da aeronave é constante nos primeiros 15 segundos e depois cresce linearmente. A
distância cresce linearmente nos primeiros 15 segundos e, em seguida, aumenta quadraticamente.
Vamos rastrear essa aeronave com o �ltro α − β que foi usado no exemplo anterior.
O EXEMPLO NUMÉRICO
Dada a aeronave que está se aproximando (ou se distanciando) radialmente do radar no mundo unidimensional.
Os parâmetros do �ltro α − β são:

• α = 0, 2
• β = 0, 1
O intervalo entre os rastreamentos é de 5 segundos
ITERAÇÃO ZERO
INICIALIZAÇÃO
As condições iniciais para o tempo \ (n = 0 \) são dadas:
^0,0 = 30000m
x
^0,0 = 50m/s
ẋ
Nota:A Iniciação do Rastreamento (ou como obtemos as condições iniciais) é um tópico muito importante que será
discutido mais tarde. Neste momento, nosso objetivo é entender a operação básica do �ltro α − β, então vamos supor
que as condições iniciais são fornecidas por outra pessoa.
PREDIÇÃO
A suposição inicial deve ser extrapolada para o primeiro ciclo (\ (n=1 \)) usando as Equações de Extrapolação de Estado:
17 of 27 7/8/22, 22:41
KalmanFilter.NET x
^n+1,n = x ^n,n → x
^n,n + Δtẋ ^1,0 = x ^0,0 = 30000 + 5 × 50 = 30250m
^0,0 + Δtẋ SUPORTE
^n+1,n = ẋ
ẋ ^n,n → ẋ
^1,0 = ẋ
^0,0 = 50m/s
Todas as iterações do �ltro estão resumidas na próxima tabela:
n zn Estimativas do estado atual ( x ^n,n )

^n,n , ẋ Predição ( x ^n+1,n )
^n+1,n , ẋ
^1,1 = 30250 + 0, 2 (30160 − 30250) = 30232m

x
^2,1 = 30232 + 5 × 48, 2 = 30473m
x
1 30160m
= 50 + 0, 1 ( ) = 48, 2m/s
^1,1 30160 − 30250 ^2,1 = 48, 2m/s
ẋ ẋ
5
^2,2 = 30473 + 0, 2 (30365 − 30473) = 30451, 1m

x
^3,2 = 30451, 1 + 5 × 46 = 30681, 6m
x
2 30365m
^2,2 = 48, 2 + 0, 1 ( 30365 − 30473 ) = 46m/s
ẋ ^3,2 = 46m/s
ẋ
5
^3,3 = 30681, 6 + 0.2 (30890 − 30681, 6) = 30723, 3m

x
^4,3 = 30723, 3 + 5 × 50, 2 = 30974, 3
x
3 30890m
= 46 + 0, 1 ( ) = 50, 2m/s
^3,3 30890 − 30681, 6 ^4,3 = 50, 2m/s
ẋ ẋ
5
^4,4 = 30974, 3 + 0, 2 (31050 − 30974.3) = 30989, 5m

x
^5,4 = 30989, 5 + 5 × 51, 7 = 31248, 1
x
4 31050m
^4,4 = 50, 2 + 0, 1 ( 31050 − 30974, 3 ) = 51, 7m/s
ẋ ^5,4 = 51, 7m/s
ẋ
5
^5,5 = 31248, 1 + 0, 2 (31785 − 31248, 1) = 31355, 5m

x
^6,5 = 31355, 5 + 5 × 62, 5 = 31667, 8
x
5 31785m
= 51, 7 + 0, 1 ( ) = 62, 5m/s
^5,5 31785 − 31248, 1 ^6,5 = 62, 5m/s
ẋ ẋ
5
^6,6 = 31667, 8 + 0, 2 (32215 − 31667, 8) = 31777.2m

x
^7,6 = 31777, 2 + 5 × 73, 4 = 32144, 2
x
6 32215m
^6,6 = 62, 5 + 0, 1 ( 32215 − 31667, 8 ) = 73, 4m/s
ẋ ^7,6 = 73, 4m/s
ẋ
5
^7,7 = 32144, 2 + 0, 2 (33130 − 32144, 2) = 32341, 4m

x
^8,7 = 32341, 4 + 5 × 93, 1 = 32807m
x
7 33130m
= 73, 4 + 0, 1 ( ) = 93, 1m/s
^7,7 33130 − 32144, 2 ^8,7 = 93, 1m/s
ẋ ẋ
5
^8,8 = 32807 + 0, 2 (34510 − 32807) = 33147, 6m

x
^9,8 = 33147, 6 + 5 × 127, 2 = 33783,
x
8 34510m
^8,8 = 93, 1 + 0, 1 ( 34510 − 32807 ) = 127, 2m/s
ẋ ^9,8 = 127, 2m/s
ẋ
5
18 of 27 7/8/22, 22:41
KalmanFilter.NET
n zn Estimativas do estado atual ( x ^n,n )
^n,n , ẋ Predição ( x ^n+1,n )
^n+1,n , ẋ SUPORTE
^9,9 = 33783, 5 + 0, 2 (36010 − 33783, 5) = 34228, 8m

x
^10,9 = 34228, 8 + 5 × 171, 7 = 35087,
x
9 36010m
^9,9 = 127, 2 + 0, 1 ( 36010 − 33783, 5 ) = 171, 7m/s
ẋ ^10,9 = 171, 7m/s
ẋ
5
Os grá�cos a seguir comparam o valor4 real,

^10,10 = 35087,
x + 0,os valores−
2 (37265 medidos
35087, e4)as=estimativas
35522, 9mpara a distância e velocidade nos primeiros 75
^11,10 = 35522, 9 + 5 × 215, 3 = 36559
x
segundos.
10 37265m
^10,10 = 171, 7 + 0.1 (
ẋ
37265 − 35087, 4
) = 215, 3m/s ^11,10 = 215, 3m/s
ẋ
5
19 of 27 7/8/22, 22:41
Você pode ver uma lacuna constante entre os valores verdadeiros ou medidos e os valores estimados. A lacuna é chamada de erro
de atraso. Outros nomes comuns para o erro de atraso são:
• Erro dinâmico
• Erro sistemático
• Viés
• Erro de truncamento
RESUMO DO EXEMPLO
Nesse exemplo, examinamos o erro de atraso causado pela aceleração constante.
EXEMPLO 4 - RASTREAMENTO DE UMA AERONAVE EM

ACELERAÇÃO COM O FILTRO α − β − γ
Neste exemplo, vamos rastrear a aeronave que está se movendo com aceleração constante usando o �ltro α − β − γ.
O FILTRO α − β − γ
O �ltro α − β − γ (às vezes chamado de �ltro g-h-k ) considera a aceleração do alvo, portanto, as Equações de Extrapolação de
Estado tornam-se:
20 of 27 7/8/22, 22:41
^n,n Δt + ẍ
^n,n Δt2
^n+1,n = x
x ^n,n + ẋ
2
^n+1,n = ẋ
ẋ ^n,n + ẍ
^n,n Δt
^n+1,n = ẍ
ẍ ^n,n
Em que ẍn é a aceleração (a segunda derivada de \ (x \))
As Equações de Atualização de Estado tornam-se:
^n,n = x
x ^n,n−1 + α (zn − x
^n,n−1 )
^
^n,n−1 + β ( zn − xn,n−1 )
^n,n = ẋ
ẋ
Δt
^
^n,n−1 + γ ( zn − xn,n−1 )
^n,n = ẍ
ẍ
0.5Δt2
O EXEMPLO NUMÉRICO
Vamos pegar o cenário do exemplo anterior: a aeronave que se move com velocidade constante de 50m/s por 15 segundos. Em
seguida, a aeronave acelera com aceleração constante de 8m/s 2 por mais 35 segundos.
Os parâmetros do �ltro α − β − γ são:
• α = 0, 5
• β = 0, 4
• γ = 0, 1
O intervalo entre rastreamentos é de 5 segundos.
Nota: Nesse exemplo, vamos usar um radar muito impreciso e um alvo de baixa velocidade (ANT) para uma melhor
representação grá�ca. Na vida real, os radares são geralmente mais precisos e os alvos podem ser muito mais rápidos.
ITERAÇÃO ZERO
INICIALIZAÇÃO
As condições iniciais para o tempo \ (n=0 \) são dadas:
^0,0 = 30000m
x
^0,0 = 50m/s
ẋ
^0,0 = 0m/s2
ẍ
PREDIÇÃO
A suposição inicial deve ser extrapolada para o primeiro ciclo (\ (n=1 \)) usando as Equações de Extrapolação de Estado:
2
^n,n Δt + ẍ
^n,n Δt2 ^0,0 Δt + ẍ
2
^0,0 Δt = 30000 + 50 × 5 + 0 × 5 = 30250m
^n+1,n = x
x ^n,n + ẋ ^1,0 = x
→ x ^0,0 + ẋ
2 2 2
^n+1,n = ẋ
ẋ ^n,n + ẍ ^1,0 = ẋ
^n,n Δt → ẋ ^0,0 + ẍ
^0,0 Δt = 50 + 0 × 5 = 50m/s
21 of 27 7/8/22, 22:41
KalmanFilter.NET ^n+1,n = ẍ
ẍ ^n,n → ẍ
^1,0 = ẍ
^0,0 = 0m/s2 SUPORTE
PRIMEIRA ITERAÇÃO
No primeiro ciclo (\ (n=1 \)), a suposição inicial é a estimativa anterior:
^n,n−1 = x
x ^1,0 = 30250m
^n,n−1 = ẋ
ẋ ^1,0 = 50m/s
^n,n−1 = ẍ
ẍ ^1,0 = 0m/s2
PASSO 1
O radar mede o alcance da aeronave:
z1 = 30160m
PASSO 2
Calcula-se a estimativa atual usando a equação de atualização de estado:
^1,1 = x
x ^1,0 + α (z1 − x
^1,0 ) = 30250 + 0, 5 (30160 − 30250) = 30205m
^
^1,0 + β ( z1 − x1,0 ) = 50 + 0, 4 ( 30160 − 30250 ) = 42, 8m/s
^1,1 = ẋ
ẋ
Δt 5
^
^1,0 + γ ( z1 − x1,0 ) = 0 + 0, 1 ( 30160 − 30250 ) = −0, 7m/s2
^1,1 = ẍ
ẍ
0, 5Δt2 0, 5 × 52
PASSO 3
Calculando a estimativa do próximo estado usando as Equações de Extrapolação de Estado:
^1,1 Δt + ẍ
^1,1 Δt2 52
^2,1 = x
x ^1,1 + ẋ = 30205 + 42, 8 × 5 + (−0, 7) × = 30410m
2 2
^2,1 = ẋ
ẋ ^1,1 + ẍ
^1,1 Δt = 42, 8 + (−0, 7) × 5 = 39, 2m/s
^2,1 = ẍ
ẍ ^1,1 = −0, 7m/s2
SEGUNDA ITERAÇÃO
Após um atraso de tempo unitário, a estimativa prevista da iteração anterior torna-se uma estimativa anterior na iteração atual.
^2,1 = 30410m
x
^2,1 = 39, 2m/s
ẋ
^2,1 = −0, 7m/s2
ẍ
PASSO 1
O radar mede o alcance da aeronave:
z2 = 30365m
PASSO 2
Calcula-se a estimativa atual usando a equação de atualização de estado:
22 of 27 7/8/22, 22:41
KalmanFilter.NET ^2,2 = x
x ^2,1 + α (z2 − x
^2,1 ) = 30410 + 0, 5 (30365 − 30410) = 30387, 5m SUPORTE
^
^2,1 + β ( z2 − x2,1 ) = 39, 2 + 0, 4 ( 30365 − 30410 ) = 35, 6m/s
^2,2 = ẋ
ẋ
Δt 5
^
^2,1 + γ ( z2 − x2,1 ) = −0, 7 + 0, 1 ( 30365 − 30410 ) = −1, 1m/s2
^2,2 = ẍ
ẍ
0, 5Δt2 0, 5 × 52
PASSO 3
Calculando a estimativa do próximo estado usando as Equações de Extrapolação de Estado:
2 2
^3,2 = x
x ^2,2 + ẋ ^2,2 Δt = 30387, 5 + 35, 6 × 5 + (−1, 1) × 5 = 30552m
^2,2 Δt + ẍ
2 2
^3,2 = ẋ
ẋ ^2,2 + ẍ
^2,2 Δt = 35, 6 + (−1, 1) × 5 = 30.2m/s
^3,2 = ẍ
ẍ ^2,2 = −1, 1m/s2
ITERAÇÕES 3-10
Os cálculos para as próximas iterações estão resumidos na próxima tabela:
n zn Estimativas do estado atual ( x ^n,n , ẍ

^n,n , ẋ ^n,n ) ^n+1,n , ẍ
^n+1,n , ẋ
Predição ( x ^n+1,n )
^3,3 = 30552 + 0, 5 (30890 − 30552) = 30721m

x
52
^4,3 = 30721 + 5 × 57, 2 + 1, 6 ×
x
^3,3 = 35, 6 + 0, 4 ( 30890 − 30552 ) = 57, 2m/s
ẋ
2
3 30890m 5 ^4,3 = 57, 2 + 1, 6 × 5 = 65
ẋ
^3,3 = − 1, 1 + 0, 1 ( 30890 − 30552 ) = 1, 6m/s2
ẍ ^4,3 = 1, 6m/s2
ẍ
0, 5 × 52
^4,4 = 31027, 5 + 0, 5 (31050 − 31027, 5) = 31038, 8m

x
5
^5,4 = 31038, 8 + 5 × 67, 2 + 1, 8 ×
x
^4,4 = 65, 4 + 0, 4 ( 31050 − 31027, 5 ) = 67, 2m/s
ẋ
4 31050m 5 ^5,4 = 67, 2 + 1, 8 × 5 = 76
ẋ
^4,4 = 1, 6 + 0, 1 ( 31050 − 31027, 5 ) = 1, 8m/s2
ẍ ^4,3 = 1, 8m/s2
ẍ
0, 5 × 52
^5,5 = 31397, 1 + 0, 5 (31785 − 31397, 1) = 31591, 1m

x
^6,5 = 31591, 1 + 5 × 107, 2 + 4, 9 ×
x
^5,5 = 76, 2 + 0, 4 ( 31785 − 31397, 1 ) = 107, 2m/s
ẋ
5 31785m 5 ^6,5 = 107, 2 + 4, 9 × 5 = 131
ẋ
^5,5 = 1, 8 + 0, 1 ( 31785 − 31397, 1 ) = 4, 9m/s2
ẍ ^6,5 = 4, 9m/s2
ẍ
0, 5 × 52
^6,6 = 32188, 5 + 0, 5 (32215 − 32188, 5) = 32201, 7m

x
^7,6 = 32201, 7 + 5 × 133, 9 + 5, 1 ×
x
^6,6 = 131, 7 + 0, 4 ( 32215 − 32188, 5 ) = 133, 9m/s
ẋ
6 32215m 5 ^7,6 = 133, 9 + 5, 1 × 5 = 159
ẋ
^6,6 = 4, 9 + 0, 1 ( 32215 − 32188, 5 ) = 5, 1m/s2
ẍ ^7,6 = 5, 1m/s2
ẍ
0, 5 × 52
23 of 27 7/8/22, 22:41
KalmanFilter.NET
n zn ^n,n , ẍ
^n,n , ẋ
Estimativas do estado atual ( x ^n,n ) ^n+1,n , ẍ
^n+1,n , ẋ
Predição ( x ^n+1,n )SUPORTE
^7,7 = 32935, 1 + 0, 5 (33130 − 32935, 1) = 33032, 5m

x
^7,6 = 33032, 5m + 5 × 175, 1 + 6, 7 ×
x
^7,7 = 159, 5 + 0, 4 ( 33130 − 32935, 1 ) = 175, 1m/s
ẋ
7 33130m 5 ^7,6 = 175, 1 + 6, 7 × 5 = 208
ẋ
^7,7 = 5, 1 + 0, 1 ( 33130 − 32935, 1 ) = 6, 7m/s2
ẍ ^7,6 = 6, 7m/s2
ẍ
0, 5 × 52
^8,8 = 33991, 3 + 0, 5 (34510 − 33991, 3) = 34250, 7m

x
5
^9,8 = 34250, 7 + 5 × 250 + 10, 8 ×
x
= 208, 5 + 0, 4 ( ) = 250m/s
^8,8 34510 − 33991, 3
ẋ
8 34510m 5 ^9,8 = 250 + 10, 8 × 5 = 304
ẋ
^8,8 = 6, 7 + 0, 1 ( 34510 − 33991, 3 ) = 10, 8m/s2
ẍ ^9,8 = 10, 8m/s2
ẍ
0, 5 × 52
^9,9 = 35635, 8 + 0, 5 (36010 − 35635, 8) = 35822, 9m

x
^10,9 = 35822, 9 + 5 × 334 + 13, 8 ×
x
^9,9 = 304, 1 + 0, 4 ( 36010 − 35635, 8 ) = 334m/s
ẋ
9 36010m 5 ^10,9 = 334 + 13, 8 × 5 = 403
ẋ
^9,9 = 10, 8 + 0, 1 ( 36010 − 35635, 8 ) = 13, 8m/s2
ẍ ^10,9 = 13, 8m/s2
ẍ
0, 5 × 52
^10,10 = 37665, 8 + 0, 5 (37265 − 37665, 8) = 37465, 4m

x
^11,10 = 37465, 4 + 5 × 371, 1 + 10, 6 ×
x
^10,10 = 403, 1 + 0, 4 ( 37265 − 37665, 8 ) = 371, 1m/s
ẋ
10 37265m 5 ^11,10 = 371, 1 + 10, 6 × 5 = 424
ẋ
^10,10 = 13, 8 + 0, 1 ( 37265 − 37665, 8 ) = 10, 6m/s2
ẍ ^11,10 = 10, 6m/s2
ẍ
Os grá�cos a seguir comparam o valor real, os valores 52
0, 5 ×medidos e as estimativas para a distância, velocidade e aceleração nos
primeiros 50 segundos.
24 of 27 7/8/22, 22:41
25 of 27 7/8/22, 22:41
Como você pode ver, o �ltro α − β − γ com equações de modelo dinâmico que incluem aceleração pode rastrear o alvo com
aceleração constante e eliminar o erro de atraso.
Mas o que acontecerá no caso de um alvo manobrando? O alvo pode mudar repentinamente a direção do vôo fazendo uma curva. O
verdadeiro modelo dinâmico do alvo também pode incluir um solavanco (mudança de aceleração). Nesses casos, o �ltro α − β − γ
com coe�cientes α − β − γ constantes produzirá os erros de estimativa e em alguns casos perderá o rastreamento do alvo.
O �ltro de Kalman pode lidar com a incerteza no modelo dinâmico e será nosso próximo tópico logo após o resumo.
RESUMO DO FILTRO α − β − (γ)

Existem muitos tipos de �ltros α − β − (γ) e eles são baseados no mesmo princípio:
• A estimativa do estado atual é baseada nas equações de atualização de estado.

• A próxima estimativa de estado (predição) é baseada nas equações do modelo dinâmico.
A principal diferença entre esses �ltros é a seleção dos coe�cientes de ponderação α − β − (γ). Alguns tipos de �ltro usam
coe�cientes de ponderação constantes, outros computam coe�cientes de ponderação para cada iteração de �ltro (ciclo).
A escolha de α, β e γ é crucial para a funcionalidade adequada de seu algoritmo de estimação. Outra questão importante é a
inicialização do �ltro, ou seja, fornecer o valor inicial para a primeira iteração.
A lista a seguir inclui os �ltros α − β − \(γ \) mais populares:
• Filtro de Wiener
• Filtro Bayesiano
• Filtro polinomial com desvanecimento de memória (Fading-memory)
26 of 27 7/8/22, 22:41
• Filtro polinomial com memória expansiva (ou memória crescente)

• Filtro de mínimos quadrados
• Filtro de Benedict–Bordner
• Filtro de parâmetros concentrados (Lumped)
• Filtro α − β de mínimos quadrados ponderado
• Filtro α − β criticamente amortecido
• Filtro de memória crescente
• Filtro de Kalman
• Filtro de Kalman estendido
• Filtro de Kalman Unscented
• Filtro de Kalman complexo estendido
• Filtro Gauss-Hermite Kalman
• Filtro Cubature Kalman
• Filtro de partículas
Espero escrever um tutorial sobre alguns desses �ltros no futuro. Mas este tutorial é sobre o Filtro de Kalman e esse é o tópico do
nosso próximo exemplo.
 Anterior Próximo 
© Copyright 2022, Alex Becker
27 of 27 7/8/22, 22:41

O Filtro Alpha - Beta - Gamma

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

O Filtro Alpha - Beta - Gamma

Enviado por

Direitos autorais:

Formatos disponíveis

O ﬁltro alpha - beta - gamma https://www.kalmanﬁlter.net/PT/alphabeta_pt.

EXEMPLO 1 – PESANDO O OURO

^n,n seria a média de todas as medições anteriores:

KalmanFilter.NET Notas SUPORTE

Vamos encontrar x ^n−1,n−1 (a estimativa no momento n − 1). Em

^n,n , pode ser escrita da seguinte forma:

A descoberta do Kn foi uma das maiores contribuições de Rudolf Kalman.

Então, a Equação de Atualização de Estado será:

O quadro a seguir retrata o algoritmo de estimação utilizado neste exemplo.

Agora, estamos prontos para começar o processo de medição e estimação.

Calcula-se a estimativa atual utilizando a equação de atualização de estado:

Calcula-se a estimativa atual:

EXEMPLO 2 – RASTREANDO UMA AERONAVE DE VELOCIDADE

Nota: nós já aprendemos duas das cinco equações do �ltro de Kalman:

Agora, vamos modi�car a Equação de Atualização de Estado para nosso exemplo.

A velocidade do alvo no instante n:

• As medições do radar não são precisas

Qual das duas a�rmações é verdadeira?

Vamos escrever a Equação de Atualização de Estado para a velocidade:

Se α= 0 , a medição não tem nenhuma in�uência:

A Equação de Atualização de Estado para a posição:

A Equação de Atualização de Estado para a velocidade:

Agora, estamos prontos para iniciar o exemplo numérico.

Os parâmetros do �ltro α − β são:

O intervalo entre rastreamentos é 5 segundos.

^3,3 = 36 + 0, 1 ( 30740 − 30531, 6 ) = 40, 2m/s

^4,3 = 30573.3 + 5 × 40.2 = 30774, 3m

^4,4 = 40, 2 + 0.1 ( 30750 − 30774, 3 ) = 39, 7m/s

^5,4 = 30769, 5 + 5 × 39, 7 = 30968, 1m

^5,5 = 39, 7 + 0.1 ( 31135 − 30968, 1 ) = 43, 1m/s

^6,5 = 31001, 5 + 5 × 43, 1 = 31216, 8m

^6,6 = 43, 1 + 0, 1 ( 31015 − 31216, 8 ) = 39m/s

^7,6 = 31176, 4 + 5 × 39 = 31371, 5m

^7,7 = 39 + 0, 1 ( 31180 − 31371, 5 ) = 35, 2m/s

^8,7 = 31333, 2 + 5 × 35, 2 = 31509, 2m

^8,8 = 35, 2 + 0, 1 ( 31610 − 31509, 2 ) = 37, 2m/s

^9,8 = 31529, 4 + 5 × 37, 2 = 31715, 4m

^9,9 = 37, 2 + 0, 1 ( 31960 − 31715, 4 ) = 42, 1m/s

^10,9 = 31764, 3 + 5 × 42, 1 = 31974, 8m

KalmanFilter.NET ^10,9 = 42, 1m/s

^10,10 = 42, 1 + 0, 1 ( 31865 − 31974, 8 ) = 39, 9m/s

^11,10 = 31952, 9 + 5 × 39, 9 = 32152, 4m

A tabela a seguir dispõe nossas medições e estimativas.

O grá�co a seguir compara o valor verdadeiro, os valores medidos e as estimativas.

USANDO VALORES ALTOS PARA α E β

Então, nós devemos sempre escolher valores pequenos para α e β ?

EXEMPLO 3 – RASTREANDO UMA AERONAVE EM

Como você pode ver, a função da distância é linear.

O grá�co a seguir mostra a distância do alvo, velocidade e aceleração em função do tempo.

Os parâmetros do �ltro α − β são:

O intervalo entre os rastreamentos é de 5 segundos

Todas as iterações do �ltro estão resumidas na próxima tabela:

n zn Estimativas do estado atual ( x ^n,n )

^1,1 = 30250 + 0, 2 (30160 − 30250) = 30232m

^2,2 = 30473 + 0, 2 (30365 − 30473) = 30451, 1m

^3,3 = 30681, 6 + 0.2 (30890 − 30681, 6) = 30723, 3m

^4,4 = 30974, 3 + 0, 2 (31050 − 30974.3) = 30989, 5m

^5,5 = 31248, 1 + 0, 2 (31785 − 31248, 1) = 31355, 5m

^6,6 = 31667, 8 + 0, 2 (32215 − 31667, 8) = 31777.2m

^7,7 = 32144, 2 + 0, 2 (33130 − 32144, 2) = 32341, 4m

^8,8 = 32807 + 0, 2 (34510 − 32807) = 33147, 6m

^9,9 = 33783, 5 + 0, 2 (36010 − 33783, 5) = 34228, 8m

Os grá�cos a seguir comparam o valor4 real,

EXEMPLO 4 - RASTREAMENTO DE UMA AERONAVE EM