2. Metody odtwarzania prędkości 17
W 1960 roku został opublikowany artykuł [24], w którym Węgier Rudolf E. Kalman opisał rekurencyjne rozwiązanie problemu dyskretnej liniowej filtracji. Problem ten dotyczył oszacowania chwilowego stanu układu dynamicznego, przy założeniu, że zarówno pomiar jak i sam proces przetwarzania wewnątrz układu są obarczone błędem. W rozwiązaniu przyjmuje się, że zakłócenia są białym szumem typu gaussowskiego. Ze względu na szerokie zastosowania, filtr Kalmana stal się przedmiotem intensywnych badań i od czasu pierwszej publikacji wprowadzono wiele modyfikacji i ulepszeń. W 1969 został wykorzystany jako estymator 21 zmiennych stanu w module księżycowym Apolla 11. Obecnie jest szeroko stosowany w układach regulacji automatycznej. Obszarem zastosowań obejmuje również rekonstrukcję obrazów, telekomunikację, modelowanie statystyczne zjawisk demograficznych, uczenie sztucznych sieci neuronowych. Algorytmy filtru Kalmana z powodzeniem wykorzystano do estymacji prędkości mechanicznej silnika indukcyjnego [25].
Problem filtracji Kalmana dotyczy oszacowania stanu x G R" dyskretnego procesu opisanego stochastycznym, liniowym równaniem różnicowym
xk Axk-\ + i + wk-\, (2-15)
przy znajomości pomiaru z G IR"1 danego zależnością
Zk = Hxt + vk, (2.16)
gdzie: A - macierz n X n wiążąca stan układu w chwili poprzedniej ze stanem w chwili następnej, B - macierz n X l wiążąca wymuszenie u G M! ze stanem układu, H - macierz m X n wiążąca stan układu z pomiarem, w i v - zmienne losowe reprezentujące szum procesu oraz szum pomiaru. Zakładamy, że szumy te są od siebie niezależne, białe, o normalnym rozkładzie prawdopodobieństwa. Symbolicznie możemy to zapisać następująco
■p(w) . |
- JV(0, Q) |
(2.17) |
<p(v) - |
- N(0,R), |
(2.18) |
gdzie Q i R są macierzami kowariancji.
Algorytm filtru Kalmana jest optymalny pod względem minimalizacji wariancji błędu estymacji. Zdefiniujmy xk G IR" jako określenie a prioń stanu w chwili k na podstawie wiedzy o procesie w chwili k — 1 oraz xk G IR'1 jako określenie a posteriori stanu w chwili k na podstawie pomiaru zk. Stąd otrzymujemy błędy estymacji a priori i a posteriori dane odpowiednio zależnościami
e* = xk - , (2.19)
et = xk- xk (2.20)