Capítulo 2. Fundamentos Teóricos do Filtro de Kalman aplicado em Sistemas Lineares,
2.8. Aplicação: Fundamentos teóricos do Filtro de Kalman utilizando o cálculo estocástico
2.8.1. Resumo do cálculo estocástico –Aplicação em sistemas lineares, discretos, estocás-
Dentre as propostas apresentadas para o cálculo diferencial e integral estocástico há aquelas apresentadas por Kiyoshi Itô e por Ruslan Stratonovich, as quais são as mais precisas e fundamentalmente iguais.
Seja o vetor x(t) com informações do estado de um sistema dinâmico contendo ruídos, o qual é um processo estocástico n-dimensional contínuo no tempo, tal que [a, b] e para qualquer e temos que a b. Então, podemos escrever a equação integral estocástica (2.78.a):
x( ) = x( ) + ∫ dt + ∫ (t) (2.78.a)
a qual é definida no espaço de tempo discreto pela equação (2.78.b) como,
x( ) = x( ) + ∑ + ∑ (2.78.b)
(k)T < t < (k +1)T, k = 0, 1, 2, ..., n
sendo que,
86
é uma sequencia de matrizes do sistema com elementos, que são funções discretas determinísticas no intervalo de tempo (k) definida no Capítulo 1,
é uma sequência do vetor de estado do sistema definido no Capítulo 1, = [(k +1) – é incremento discreto de tempo,
é uma sequencia de matrizes que acopla ruídos ao sistema com elementos que são funções discretas determinísticas no intervalo de tempo (k),
( ) é um processo de ruídos do sistema com distribuição de probabilidade Gaussiana discreta no tempo, tal que = )],
é um incremento finito do processo de ruídos do sistema. Este ruído é considerado branco.
Seja o vetor y(t) com informações observadas e medidas na saída de um sistema dinâmico contendo ruídos, o qual é um processo estocástico n-dimensional contínuo no tempo, tal que [a, b] e para qualquer e temos que a b. Então, podemos escrever a equação integral estocástica (2.79.a):
y( ) = y( ) + ∫ dt + ∫ d (t) (2.79.a)
a qual é definida no espaço de tempo discreto pela equação (2.79.b) como,
y( ) = y( ) + ∑ + ∑ (2.79.b)
sendo que,
é uma sequencia de matrizes de sensibilidade de medição na saída do sistema com elementos, que são funções discretas determinísticas no intervalo de tempo (k) definida no Capítulo 1,
é uma sequência do vetor de medidas na saída do sistema definido no Capítulo 1, = [(k +1) – é incremento discreto de tempo,
é uma sequencia de matrizes que acopla ruídos de medição às medidas com elementos, que são funções discretas determinísticas no intervalo de tempo (k),
87
( ) é um processo de ruídos de medição com distribuição de probabilidade Gaussiana discreta no tempo, tal que = )]
é um incremento finito do processo de ruídos de medição. Este ruído é considerado branco.
As equações (2.78.b) e (2.79.b) representam matematicamente e respectivamente a soma de dois processos estocásticos, cujos resultados são processos estocásticos também, conforme a propriedade 2 na seção 2.7.6.
As matrizes e os vetores x( ) e y( ), bem como os vetores ( ) e são similares àqueles definidos nas seções 1.2, 1.3 e 2.8.1 respectivamente. A diferença ou incremento estocástico envolvendo os vetores x( ) e y( ) podem ser escritas conforme as equações (2.80) a seguir:
x = x( ) = x( ) + (k) (2.80.a)
y = y( ) = x( ) + (k) (2.80.b)
A característica essencial do incremento estocástico nas equações (2.80) é que os produtos x( ) e (k) são dependentes e que esta dependência não deve ser antecipativa. Considerações análogas são aplicáveis aos produtos x( ) e (k).
Em outras palavras, a dependência é em relação aos valores presentes e passados dos ruídos, nunca em relação ao futuro. Para caracterizarmos com precisão este tipo de dependência, vamos considerar o espaço de probabilidade ( P) sobre o qual são definidos estes processos estocásticos de ruídos (k) e (k), para o intervalo de tempo (k) 0, para a família { , (k) 0} de sigmas-álgebras de subconjuntos que pertencem a , tal que:
para resulta
para cada (k) 0 os vetores aleatórios (k) e (k) são mensuráveis em
para (k) os incrementos ( ) ( )] e os incrementos ( ) ( )] são independentes de (58)(59)(60)
88
Definição: Cada um dos vetores x(k) e y(k) é uma solução única da equação estocástica a
diferenças (2.80) respectivamente, dadas as condições iniciais x( ) = e y( ) = mensuráveis em , se as suas probabilidades respectivas de ocorrerem forem iguais a 1 ou 100% e, se para todos os intervalos de tempo (k) [a, b] estes vetores forem mensuráveis em sendo dados pelas equações (2.81) a seguir:
P ∑ ‖ ‖ ] = 1 (2.81.a)
P ∑ ‖ ‖ ] = 1 (2.81.b)
sendo ‖ ‖ e ‖ ‖ as normas Euclidianas respectivas dos produtos em cada somatório.
A solução de cada uma das equações a diferenças estocásticas (2.80) é um processo estocástico de Markov ao longo dos intervalos de tempo (k), tal que (k) . Isto significa que o vetor de estado contém toda informação da história do sistema dinâmico até o intervalo de tempo (k), a qual tem influência no seu comportamento futuro, e o futuro do processo será influenciado pelo processo ruído branco. Analogamente isto significa que o vetor contém toda informação da história das medidas na saída do sistema dinâmico até o intervalo de tempo (k), a qual tem influência no seu comportamento futuro, e o futuro do processo será influenciado pelo processo ruído branco.
Para calcular a resposta do sistema no intervalo de tempo ( (k) é suficiente conhecer e as suas entradas externas no intervalo de tempo ( conforme a figura 1.4. A descrição plena dos processos estocásticos e é obtida pelo conhecimento da função densidade de probabilidade de cada um. Como os processos de ruídos do sistema e de medição são considerados Gaussianos discretos, então cada um dos processos estocásticos estado do sistema e de medidas na saída do sistema estarão bem caracterizados pelos seus respectivos vetores de média temporal e pelas suas respectivas matrizes de covariâncias temporais, a saber,
. (61)(62)
As equações (2.78.b) e (2.79.b) podem ser escritas na forma de equações lineares, estocásticas a diferenças finitas e de primeira ordem, conforme as equações (2.81.c) e (2.81.d) a seguir:
89
= (k) x(k) k + B(k) u(k) k + E(k) (k) (2.81.c)
y(k) k = C(k) x(k) k + D(k) u(k) k + F(k) (k) (2.81.d)
sendo que,
(k), B(k), C(k), D(k) são as matrizes, x(k), u(k), y(k) são os vetores e E(k) e F(k) são as matrizes que foram definidas nas seções 1.2, 1.3 e 2.8.1 respectivamente.
(k) é incremento pequeno do processo de ruído do sistema, que é uma medida da diferença finita de probabilidade do sistema.
(k) é incremento pequeno do processo de ruído na saída do sistema, que é uma medida da diferença finita de probabilidade na medição na saída do sistema.(63). Estes estão representados pelas equações (2.81.e) a (2.81.h), tal que:
E [ (k)] = 0 (2.81.e)
E [ (k). ] = k (2.81.f)
E [ (k)] = 0 (2.81.g)
E[ (k). ] = k (2.81.h)