Filtros de Kalman No Lineales y Estimación de Parámetros

Los sistemas físicos del mundo real rara vez son lineales. Para rastrear objetos en movimiento, navegar vehículos autónomos o estimar estados de baterías, debes dominar las técnicas de estimación no lineal. Este curso proporciona una vía clara, basada en texto, para comprender e implementar algoritmos de estimación avanzados. Pasarás de los conceptos básicos de estimación lineal al poderoso mundo del filtrado de Kalman no lineal. Al explorar los fundamentos matemáticos y los pasos lógicos de estos algoritmos, ganarás la confianza para modelar, predecir y actualizar estados y parámetros cuando los sistemas exhiban comportamientos complejos y no lineales. Lo que aprenderás: - Comprender las limitaciones fundamentales de los filtros de Kalman lineales en escenarios del mundo real - Derivar y aplicar el Filtro de Kalman Extendido (EKF) utilizando la linealización de series de Taylor - Implementar el Filtro de Kalman Sin Escenios (UKF) utilizando la transformada sin escenios para sistemas altamente no lineales - Configurar técnicas de estimación conjunta y dual para el seguimiento simultáneo de estados y parámetros - Analizar el rendimiento del filtro y ajustar las matrices de covarianza para una precisión de estimación óptima El curso comienza con terminología clave, conceptos básicos de probabilidad y definiciones fundamentales de espacio de estados. A partir de ahí, progresarás a través de explicaciones escritas detalladas de las derivaciones de EKF y UKF, terminando con ejemplos prácticos de pseudocódigo diseñados para aplicaciones modernas como robótica y fusión de sensores. Este curso está diseñado para ingenieros, programadores y entusiastas técnicos que desean una base clara, conceptual y matemática en estimación no lineal. Se recomienda una comprensión básica de álgebra lineal y conceptos generales de programación. Comienza a leer hoy mismo para desbloquear el poder de la estimación de estados avanzada en tus proyectos.