Filtragem de Kalman Adaptativa e Robusta para a Reconstrução de Trajetórias

• Autor(a) principal: Martins, Marco Daniel Laranjeira
• Data de Publicação: 2020
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
• Texto Completo: http://hdl.handle.net/10400.6/10589
• topic: Determinação de Órbitas; Filtro de Kalman Adaptativo Evanescente; Filtro de Kalman Clássico; Filtro de Kalman Robusto; Filtro de Kalman Robusto Adaptativo Evanescent; Domínio/Área Científica::Engenharia e Tecnologia::Engenharia Aeronáutica

Atualmente, o filtro de Kalman apresenta-se como uma importante opção para a estimação e reconstrução de trajetórias, devido sobretudo ao facto de ser um algoritmo relativamente simples de utilizar, assim como os bons resultados que se conseguem alcançar com a sua utilização. Existe, no entanto, a necessidade de se conhecer os parâmetros de uma trajetória que se pretenda filtrar para ser possível aplicar o filtro de Kalman com maior precisão. Assim, a performance filtro de Kalman clássico está excessivamente dependente do conhecimento quase total do sistema que se pretende filtrar, o que em aplicações de caráter aeronáutico, quase nunca é possível, originando ainda outro problema: Um projetista pode simplificar e linearizar os parâmetros desconhecidos de um sistema, muitas vezes de forma incorreta, sem construir um filtro de Kalman dinâmico o suficiente para lidar com o incremento do erro resultante da aproximação, originando assim uma maior divergência entre o valor estimado pelo filtro e o valor real medido. O trabalho desenvolvido na presente dissertação irá lidar com incertezas inerentes a um sistema linear com medições altamente ruidosas, assim como o fenómeno da divergência entre valores medidos e estimados, modificando assim o filtro de Kalman de duas formas distintas: a primeira tornando-o robusto contra incertezas presentes nas equações de sistema, e a segundo melhorando a capacidade de reação do filtro face a novos valores estimados, criando um filtro de Kalman adaptativo e robusto, contribuindo assim para a melhoria da performance do filtro.