Saltar al contenido
Omnikalc

Calculadora de la ganancia de Kalman: combina lo mejor posible una predicción y una medida

Introduce la estimación anterior y su varianza, los ruidos de proceso y de medida y una nueva medida para obtener la ganancia de Kalman y la estimación actualizada.

Actualizado el
Tus datos
°C

Valor fuera de rango

Valor fuera de rango

Valor fuera de rango

Valor fuera de rango

°C

Valor fuera de rango

Resultados

Ganancia de Kalman K

0,692

El filtro confía más en la nueva medida que en su predicción
Estimación actualizada
21,385 °C
Varianza actualizada
1,385
Varianza predicha antes de la medida
4,500
Peso concedido a la medida
69,2 %

Todo sensor es ruidoso, y todo modelo es imperfecto. El filtro de Kalman combina ambos de forma óptima. La calculadora de la ganancia de Kalman realiza un paso del filtro de Kalman escalar. Con la estimación anterior, su varianza, el ruido de proceso, el ruido de medida y una nueva medida, da la ganancia de Kalman, la estimación actualizada, la varianza actualizada y el peso concedido a la medida.

Cómo se hace el cálculo

  • Introduce tu estimación anterior de la magnitud y su varianza P, que mide su incertidumbre.
  • Introduce el ruido de proceso Q, la incertidumbre que se añade con el tiempo, el ruido de medida R, la incertidumbre del sensor, y la nueva medida.
  • La calculadora realiza un paso del filtro de Kalman escalar. El paso de predicción da P⁻ = P + Q, y la ganancia de Kalman es K = P⁻ / (P⁻ + R).
  • El paso de actualización da la nueva estimación x = x₀ + K (z − x₀) y la nueva varianza (1 − K) P⁻. Repite el paso para cada nueva medida.

Ejemplo

Una estimación de la temperatura de una habitación es de 20 °C con una varianza de 4. El ruido de proceso es de 0,5 y el ruido del sensor de 2. La varianza predicha es 4 + 0,5 = 4,5, así que la ganancia de Kalman es 4,5 / (4,5 + 2) = 0,692. Una nueva medida de 22 °C desplaza la estimación 0,692 × 2 = 1,38 °C, hasta 21,38 °C, y la varianza baja a 1,385.

Por qué es útil

El filtro escalar es la manera más sencilla de entender la idea del filtro de Kalman que se encuentra en los teléfonos, los drones, los coches y las naves espaciales. Muestra cómo la ganancia depende de la incertidumbre y cómo disminuye la varianza tras cada medida. También ayuda a ajustar un filtro sencillo de un sensor sin un modelo de estado completo.

Qué conviene saber

La calculadora sirve para una sola magnitud con un modelo constante, un proceso de paseo aleatorio y un ruido gaussiano de varianza conocida. Los sistemas reales tienen varios estados, modelos no lineales y ruido no gaussiano, lo que exige versiones matriciales, el filtro extendido o el filtro de puntos sigma. Toma el resultado como una guía para suavizar un solo sensor.

Herramientas relacionadas

La calculadora de media móvil exponencial es el filtro de suavizado más sencillo, la de media ponderada combina valores con pesos, la de desviación típica mide la dispersión y la de regresión lineal ajusta una tendencia.

Preguntas frecuentes

¿Qué hace el filtro de Kalman?

Combina una predicción procedente de un modelo con una medida ruidosa para dar una estimación mejor que cada una por separado. Pondera ambas según su incertidumbre: la fuente más segura recibe el mayor peso. Se usa en navegación, seguimiento, robótica y fusión de sensores, y sirvió para guiar las naves Apolo.

¿Qué es la ganancia de Kalman?

La ganancia K es un número entre 0 y 1 que fija cuánto se desplaza la estimación hacia la nueva medida. Si el sensor es muy ruidoso, R es grande y K es pequeña, así que el filtro conserva sobre todo su predicción. Si el sensor es preciso, R es pequeña y K se acerca a 1, y la estimación sigue a la medida.

¿Cómo se eligen Q y R?

R procede del sensor: usa la varianza de medidas repetidas de una magnitud constante, o el valor de la hoja de características. Q describe cuánto puede cambiar la magnitud real entre dos pasos, y es más difícil de hallar. Ajustar Q es la tarea principal en la práctica: una Q pequeña da una estimación suave pero lenta, y una Q grande una estimación rápida pero ruidosa.

¿Qué relación hay con la media móvil exponencial?

En el caso escalar, la actualización es x = x₀ + K (z − x₀), es decir, una media móvil exponencial cuyo factor de suavizado K cambia en cada paso. El filtro de Kalman halla K a partir de las incertidumbres, y se estabiliza en un valor constante cuando Q y R son constantes. Por eso un filtro sencillo es a menudo una buena aproximación.

¿Te ha resultado útil esta calculadora?

¡Gracias por tu opinión!

Resultados orientativos con fines informativos. No sustituyen el consejo de un profesional.