Este documento describe el diseño e implementación de filtros de Kalman y observadores no lineales para estimar la orientación y posición en tiempo real de vehículos autónomos y biomecánica. Explica que un filtro de Kalman es una técnica de estimación recursiva que usa mediciones parciales de un proceso estocástico para generar estimaciones que compensan el ruido. El objetivo es estimar la orientación y posición usando un módulo MEMS, receptor GPS y filtro de Kalman implementado en LabVIEW. Se describen también los tipos de errores a
POWER POINT YUCRAElabore una PRESENTACIÓN CORTA sobre el video película: La C...
Diseño e implementación de filtros de kalman isaac
1. 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
2. ¿Que es un filtro Kalman y que hace? 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. Valor medido Estimador actual 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.
3. Iniciar el trabajo con KF Construcción del modelo TIME UPDATE MEASUREMENT UPDATE Predicción Corrección 1 calcular la ganancia de Kalman 1 proyecto del estado por delante 2 actualización de la estimación a través de z Iniciar el proceso k TIME UPDATE MEASUREMENT UPDATE 2 proyecto de la covarianza de error por delante 3 actualización del error de covarianza Predicción Corrección las salidas en k +1 serán la entrada las estimaciones iniciales en K = 0 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.
4. Objetivos Entorno MICROCONTROLADOR (Recolecta y transmite) *Filtro de Kalman *Estimar la orientación en tiempo real *automóvil *Estimar la posición en tiempo real Central inercial MEMS (orientación) Receptor GPS (ubicación global) Controles e indicadores (información del desempeño y confiabilidad) PC (interpreta) 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.
5. 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.
6. Tipo de errores que nos enfrentamos Error determinista Error aleatorio -Efectos de temperatura -Características propias -Ruido blanco -ruido de baja frecuencia -errores aleatorios -errores acumulativos -errores de manufactura -errores de calibración -ganacias -tiempos de respuesta y muestreo -resolución -sensibilidad Se corrigen mediante -Filtros -Algoritmos de estimación y corrección Se corrigen mediante -Filtros -Algoritmos de estimación y corrección 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.
7. Obtener información inercial: Diagrama de Flujo El vector de campo magnético El vector de aceleraciones El vector de velocidad angular KF_MEMS.VI Cuaterniones Y vectores.VI Configurar comunicación USB Actualizar indicadores Leer puerto USB Análisis GPS.VI KF_GPS.VI Obtener información GPS 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.
8. Construcción del estimador GPS We 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.