¿Qué es un filtro de Kalman?
El filtro de Kalman es un filtro recursivo propuesto por Kalman para sistemas lineales variables en el tiempo. Este sistema se puede describir mediante un modelo de ecuación diferencial que contiene variables de estado ortogonales. Este filtro combina errores de estimación de mediciones pasadas en nuevos errores de medición para estimar errores futuros. Este método de filtrado lleva el nombre de su inventor Rudolf. pero según la literatura, Peter Swerling propuso anteriormente un algoritmo similar. Stanley Schmidt implementó por primera vez el filtro de Kalman. Durante una visita al Centro de Investigación Ames de la NASA, Kalman descubrió que su método era útil para resolver predicciones de órbitas para el programa Apollo. Este filtro se utilizó más tarde en las computadoras de navegación de la nave espacial Apollo. Swerling (1958), Kalman (1960) y Kalman y Bucy (1961) publicaron artículos sobre este tipo de filtro. Actualmente, existen muchas implementaciones diferentes del filtrado de Kalman. La forma propuesta originalmente por Kalman ahora generalmente se denomina filtro de Kalman simple. Además, existen filtros de expansión de Schmidt, filtros de información y muchas variaciones del filtro de raíz cuadrada desarrollado por Bierman y Thornton. Quizás el filtro de Kalman más común sea el bucle de bloqueo de fase, que se encuentra en radios, computadoras y casi cualquier equipo de video o comunicaciones. Ejemplos de aplicación: un ejemplo típico de filtrado de Kalman es predecir la posición, las coordenadas y la velocidad de un objeto a partir de una secuencia de observación limitada y ruidosa de posiciones de objetos (que puede estar sesgada). Se puede encontrar en muchas aplicaciones de ingeniería (como radar, visión por computadora). Al mismo tiempo, el filtrado de Kalman también es un tema importante en la teoría del control y la ingeniería de sistemas de control. Por ejemplo, con el radar, lo que interesa a la gente es su capacidad para rastrear objetivos. Sin embargo, los valores medidos de la posición, velocidad y aceleración del objetivo suelen contener ruido en cualquier momento. El filtro de Kalman utiliza la información dinámica del objetivo para intentar eliminar la influencia del ruido y obtener una buena estimación de la posición del objetivo. Esta estimación puede ser una estimación de la posición objetivo actual (filtrado), una estimación de la posición futura (predicción) o una estimación de la posición pasada (interpolación o suavizado).