Implementação e análise de filtro de Kalman unidimensional para estimação de posição em movimento retilíneo uniforme
DOI:
https://doi.org/10.47385/tudoeciencia.2599.2025Palavras-chave:
Estimação de Estado. Processamento de Sinais. Controle de Sistemas. Movimento Retilíneo Uniforme.Resumo
Este trabalho apresenta a implementação e análise de um filtro de Kalman unidimensional aplicado à estimação de posição de um objeto em movimento retilíneo uniforme. A pesquisa desenvolveu uma simulação computacional utilizando Python para demonstrar a eficácia do algoritmo na redução de ruído em medições de sensores. O sistema foi modelado considerando um objeto movendo-se com velocidade constante de 0,2 m/s, com medições corrompidas por ruído gaussiano de desvio padrão de 0,5 m. Os resultados obtidos demonstraram que o filtro de Kalman conseguiu reduzir significativamente o erro de estimação, apresentando convergência rápida e estabilidade na posição real do objeto. A análise comparativa entre as medições ruidosas e as estimativas filtradas evidenciou uma melhoria substancial na precisão, validando a aplicabilidade do método para sistemas de controle e navegação. O trabalho contribui para o entendimento prático da implementação de filtros de Kalman em sistemas de baixa dimensionalidade, fornecendo base teórica e experimental para aplicações em robótica móvel e sistemas de posicionamento.
Downloads
Referências
ANDERSON, B. D. O.; MOORE, J. B. Optimal filtering. 2. ed. New York: Dover Publications, 2005.
BROWN, R. G.; HWANG, P. Y. C. Introduction to random signals and applied Kalman filtering. 4. ed. New York: John Wiley & Sons, 2012.
GREWAL, M. S.; ANDREWS, A. P. Kalman filtering: theory and practice with MATLAB. 4. ed. Hoboken: John Wiley & Sons, 2014.
HAYKIN, S. Adaptive filter theory. 4. ed. Upper Saddle River: Prentice Hall, 2001.
KALMAN, R. E. A new approach to linear filtering and prediction problems. Transactions of the ASME - Journal of Basic Engineering, v. 82, p. 35-45, 1960.
MAYBECK, P. S. Stochastic models, estimation, and control. New York: Academic Press, 1979.
MCKINNEY, W. Python for data analysis. 2. ed. Sebastopol: O'Reilly Media, 2017.
OGATA, K. Modern control engineering. 5. ed. Boston: Prentice Hall, 2010.
RISTIC, B.; ARULAMPALAM, S.; GORDON, N. Beyond the Kalman filter: particle filters for tracking applications. Boston: Artech House, 2003.
SIMON, D. Optimal state estimation: Kalman, H-infinity, and nonlinear approaches. Hoboken: John Wiley & Sons, 2006.
THRUN, S.; BURGARD, W.; FOX, D. Probabilistic robotics. Cambridge: MIT Press, 2005.
WELCH, G.; BISHOP, G. An introduction to the Kalman filter. Technical Report TR 95-041, University of North Carolina at Chapel Hill, Department of Computer Science, 2006.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2025 Tudo é Ciência: Congresso Brasileiro de Ciências e Saberes Multidisciplinares
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
