diseño e implementación de filtros de kalman isaac
DESCRIPTION
Diseño e implementación de filtros de Kalman y observadores no lineales para la estimación de la orientación y posición en tiempo real; aplicación a vehículos autónomos y a biomecánica.TRANSCRIPT
Diseño e implementación de filtros de Kalman y observadores no lineales para la estimación de la orientación y posición en
tiempo real; aplicación a vehículos autónomos y a biomecánica.
Becario:Javier Isaac Espinosa Muñoz
Asesor:Dr. José Fermi Guerrero Castellanos
Concepto general : es una técnica muy utilizada en el procesamiento digital de señales. Hace uso de un estimador recursivo de estados, el cual su función es observar parcialmente un proceso estocástico no estacionario, y generar un porcentaje de ganancia que compensara el ruido ya sea de tipo (aleatorio, determinista, etc) proveniente del ambiente o dentro del sistema del sistema.
¿Que es un filtro Kalman y que hace?
Diseño e implementación de filtros de Kalman y observadores no lineales para la estimación de la orientación y posición en tiempo real; aplicación a vehículos
autónomos y a biomecánica.
Estimador actual Valor medido
Ganancia de Kalman Estimación previa
No es un filtro en lo absoluto, si no un estimador.
Diseño e implementación de filtros de Kalman y observadores no lineales para la estimación de la orientación y posición en tiempo real; aplicación a vehículos
autónomos y a biomecánica.
Iniciar el trabajo con KFConstrucción del modelo
Iniciar el proceso
Predicción Corrección
TIME UPDATE MEASUREMENT UPDATE
Predicción Corrección
TIME UPDATE MEASUREMENT UPDATE
1 proyecto del estado por delante
2 proyecto de la covarianza de error por delante
1 calcular la ganancia de Kalman
2 actualización de la estimación a través de zk
3 actualización del error de covarianza
las estimaciones iniciales en K = 0
las salidas en k +1 serán la entrada
Diseño e implementación de filtros de Kalman y observadores no lineales para la estimación de la orientación y posición en tiempo real; aplicación a vehículos
autónomos y a biomecánica.
Entorno*Filtro de Kalman
*automóvil
Central inercial MEMS(orientación)
Receptor GPS(ubicación global)
MICROCONTROLADOR(Recolecta y transmite)
Objetivos
PC(interpreta)
*Estimar la orientación en tiempo real
*Estimar la posición en tiempo real
Controles e indicadores(información del desempeño
y confiabilidad)
Diseño e implementación de filtros de Kalman y observadores no lineales para la estimación de la orientación y posición en tiempo real; aplicación a vehículos
autónomos y a biomecánica.
Herramientas
*.VI *.m
Diseño e implementación de filtros de Kalman y observadores no lineales para la estimación de la orientación y posición en tiempo real; aplicación a vehículos
autónomos y a biomecánica.
Tipo de errores que nos enfrentamos
Error aleatorio
-Ruido blanco -ruido de baja frecuencia-errores aleatorios-errores acumulativos
Se corrigen mediante
-Filtros-Algoritmos de estimación y corrección
Error determinista
-Efectos de temperatura-Características propias
Se corrigen mediante
-Filtros-Algoritmos de estimación y corrección
-errores de manufactura-errores de calibración-ganacias-tiempos de respuesta y muestreo-resolución-sensibilidad
Diseño e implementación de filtros de Kalman y observadores no lineales para la estimación de la orientación y posición en tiempo real; aplicación a vehículos
autónomos y a biomecánica.
Diagrama de Flujo
Configurar comunicación
USB
Leer puerto USB
Obtener información inercial:
Cuaterniones Y vectores.VI
Obtener información GPS
Análisis GPS.VI
KF_GPS.VI
KF_MEMS.VI
El vector de campo magnéticoEl vector de aceleracionesEl vector de velocidad angular
Actualizar indicadores
Diseño e implementación de filtros de Kalman y observadores no lineales para la estimación de la orientación y posición en tiempo real; aplicación a vehículos
autónomos y a biomecánica.
Construcción del estimador
GPS We
Muchas gracias por su atención.