Entendiendo el filtro de Kalman: concepto, aplicaciones y perspectivas en ingeniería de telecomunicaciones
Entendiendo el filtro de Kalman: concepto, aplicaciones y perspectivas en ingeniería de telecomunicaciones
Fabián Robledo¹
¹Departamento de Señales y Sistemas. Escuela de Ingeniería de Telecomunicaciones. Facultad de Ingeniería. Universidad de Carabobo. frobledo@uc.edu.ve
Resumen
El filtro de Kalman es un algoritmo de estimación recursiva que combina predicciones basadas en modelos físicos con mediciones ruidosas, calculando de forma óptima el peso de cada fuente según su incertidumbre. Este artículo ofrece una introducción pedagógica y conceptual, orientada a estudiantes de ingeniería de telecomunicaciones. Mediante analogías y ejemplos aplicados a sistemas de radio, radar y comunicaciones por satélite, se explican sus principios operativos, su comportamiento adaptativo y sus ventajas frente a filtros FIR, IIR, Wiener y LMS (filtro de mínimos cuadrados). Se presentan aplicaciones en sincronización de portadora, ecualización adaptativa, beamforming predictivo y navegación por satélite. El objetivo es proporcionar una base conceptual que motive el posterior estudio matemático, con referencias formales que remiten al desarrollo completo de las ecuaciones y solución de la dinámica.
Palabras clave: filtro de Kalman, estimación óptima, comunicaciones digitales, sincronización de portadora, ecualización adaptativa.
Nota para el lector: Este artículo ha sido diseñado como una introducción conceptual al filtro de Kalman, sin ecuaciones en el cuerpo del texto, para facilitar su comprensión inicial. Las referencias bibliográficas proporcionan el desarrollo matemático completo, con todas las ecuaciones y demostraciones, para quienes deseen profundizar en el tema. La sección 10 ofrece una guía de lectura progresiva para estudiantes de distintos niveles.
1. Introducción: la pregunta fundamental
Imaginemos por un momento que estamos diseñando el receptor de un sistema de comunicaciones por satélite en órbita baja (LEO). Nuestro satélite viaja a 7,5 km/s, la señal sufre desplazamiento Doppler, el ruido térmico corrompe la fase de la portadora, y el canal de propagación presenta desvanecimientos por lluvia y centelleo ionosférico. Disponemos de un modelo físico que nos dice aproximadamente cómo debería evolucionar la señal, y disponemos de mediciones ruidosas de la señal que nos llegan cada instante.
La pregunta fundamental que todo ingeniero de telecomunicaciones debe formularse es: ¿Cómo puedo combinar de forma óptima lo que el modelo predice con lo que los sensores miden, para obtener la mejor estimación posible del estado del sistema en cada instante, y además conocer el grado de confianza que tengo en esa estimación?
Esta pregunta aparece en cada receptor coherente, en cada ecualizador adaptativo, en cada sistema de seguimiento de trayectorias y en cada estimador de canal. Durante décadas, los ingenieros respondieron con soluciones aproximadas o computacionalmente inviables. Hasta que, en 1960, un joven matemático húngaro-estadounidense llamado Rudolf E. Kálmán publicó una respuesta que cambiaría la historia de la ingeniería: el filtro de Kalman (Kalman, 1960). El resto de este artículo es la exploración conceptual e interpretativa de esa respuesta.
2. Breve historia: de la Segunda Guerra Mundial a la Luna
Para comprender por qué el filtro de Kalman fue revolucionario, es necesario ubicarlo en su contexto histórico.
2.1. El problema que Wiener no pudo resolver solo
Durante la Segunda Guerra Mundial, el ingeniero y matemático Norbert Wiener desarrolló el filtro que lleva su nombre para predecir la trayectoria de aviones enemigos a partir de mediciones de radar. El filtro de Wiener era un logro extraordinario: proporcionaba la estimación lineal de mínima varianza del error para señales estacionarias (Wiener, 1949). Sin embargo, tenía dos limitaciones muy severas para aplicaciones en tiempo real: requería procesar toda la señal almacenada (no era recursivo) y asumía que el proceso era estacionario, es decir, no se adaptaba a cambios en la dinámica del objetivo. Anderson y Moore (1979) analizan en detalle estas limitaciones y las contrastan con el enfoque recursivo puntual de Kalman.
2.2. Rudolf E. Kálmán y su salto conceptual
Rudolf Emil Kálmán nació en Budapest en 1930 y emigró a Estados Unidos durante la Segunda Guerra Mundial. Se graduó en el MIT en 1953 y obtuvo su doctorado en la Universidad de Columbia en 1957. Trabajando en el Research Institute for Advanced Studies (RIAS) de Martin Marietta (gigante de la industria aeroespacial), Kálmán se enfrentó al problema práctico de estimar la trayectoria de cohetes a partir de mediciones de radar. Fue allí donde gestó la idea revolucionaria: en lugar de procesar todo el historial de datos como hacía el filtro de Wiener, propuso un método recursivo que procesaba la información a medida que llegaba, utilizando un modelo dinámico del sistema (Kalman, 1960).
Su enfoque, basado en la teoría de sistemas y el control automático moderno, ofrecía una solución computacionalmente viable incluso para las computadoras de la época. Aunque inicialmente recibió escepticismo, su artículo fundacional de 1960 cambió para siempre la teoría de control y estimación. Kálmán continuó su carrera en la Universidad de Stanford y en la ETH de Zúrich, recibió la Medalla Nacional de Ciencia en 2009 y falleció en 2016 (Grewal & Andrews, 2015; Sorenson, 1970).
2.3. El espaldarazo de la NASA y el programa Apolo
El filtro de Kalman fue adoptado por la NASA para el seguimiento de la trayectoria del módulo lunar Apolo y para el sistema de navegación inercial de los colosales cohetes Saturno V. Su capacidad para fusionar datos de acelerómetros, giróscopos y mediciones de radar en tiempo real, y para proporcionar no solo la estimación sino también su incertidumbre, fue crucial para que el hombre llegara a la Luna (Grewal & Andrews, 2015). Esta aplicación catapultó el algoritmo a la fama en la comunidad de ingeniería.
2.4. De la carrera espacial a las comunicaciones digitales
En los años 70 y 80, con el auge de las comunicaciones por satélite y la telefonía móvil, los ingenieros de telecomunicaciones redescubrieron el filtro de Kalman como herramienta para la sincronización de portadora en receptores coherentes y la ecualización adaptativa de canales (Haeb & Meyr, 1989). Hoy, el filtro de Kalman está integrado en prácticamente todo receptor coherente, desde módems de microondas hasta chips de 5G y receptores GPS. Cumple más de 65 años y sigue siendo la columna vertebral de sistemas de navegación, comunicaciones y control autónomo.
3. ¿Qué es el filtro de Kalman? una definición conceptual
3.1. No es un filtro en el sentido frecuencial
El filtro de Kalman no es un filtro en el sentido de los filtros FIR (filtro de respuesta finita) o IIR (filtro de respuesta infinita), que dejan pasar ciertas frecuencias y atenúan otras. Es un estimador recursivo de mínima varianza del error (Maybeck, 1979). Su objetivo no es "limpiar" una señal, sino estimar el estado de un sistema dinámico a partir de mediciones ruidosas utilizando un modelo de su evolución.
3.2. La analogía del navegante y la brújula
Para entenderlo intuitivamente, imaginemos a un navegante que debe determinar la posición de un barco en alta mar. El navegante tiene dos fuentes de información. Por un lado, un modelo físico: sabe que su barco se mueve a cierta velocidad y en cierta dirección, por lo que puede predecir su posición actual basándose en la física del movimiento. Por otro lado, una medición: puede hacer una medición con un sextante o un GPS, pero sabe que esa medición tiene errores (ruido, calibración, retardo). La mejor estimación es una combinación ponderada de ambas, donde el peso depende de la confianza que el navegante tiene en cada fuente. La genialidad de Kalman es que calcula esos pesos de forma óptima en cada instante, basándose en la incertidumbre (varianza) de la predicción y de la medición. Además, actualiza su incertidumbre para el siguiente paso, lo que permite que el filtro se adapte a situaciones cambiantes (Maybeck, 1979).
3.3. Los dos pasos fundamentales: predecir y corregir
El filtro de Kalman opera en un ciclo recursivo de dos pasos. En el primer paso, denominado predicción o actualización del tiempo, el filtro usa el modelo dinámico para predecir cuál será el estado en el siguiente instante, junto con la incertidumbre asociada a esa predicción. En el segundo paso, denominado corrección o actualización de la medición, cuando llega una nueva medición, el filtro la compara con su predicción, calcula la ganancia de Kalman (el peso óptimo) y combina ambas para obtener la estimación corregida, junto con la nueva incertidumbre (que siempre es menor o igual que la anterior).
3.4. La ganancia dinámica: la clave del comportamiento adaptativo
En los filtros clásicos (FIR, IIR, LMS), los coeficientes son fijos o se ajustan con un paso constante. En el filtro de Kalman, la ganancia (el peso que se le da a la medición) cambia en cada iteración. Si la incertidumbre de la medición se dispara (por ejemplo, por una ráfaga de interferencia), la ganancia de Kalman disminuye: el filtro desconfía de la medición y confía más en su predicción. Si la incertidumbre de la predicción es grande (por ejemplo, el satélite hace una maniobra imprevista), la ganancia aumenta: el filtro se vuelve audaz y sigue a la medición. En estado estacionario, la ganancia converge a un valor que minimiza el error cuadrático medio de forma óptima.
Esta capacidad de ajustarse dinámicamente hace que el filtro de Kalman sea superior a sus predecesores en aplicaciones de comunicaciones con canales variantes en el tiempo (Grewal & Andrews, 2015), por ejemplo aquellos canales radioeléctricos donde ocurre desvanecimiento en ambientes urbanos.
3.5. Una nota sobre la covarianza: ¿Qué significa "incertidumbre"?
A lo largo del artículo se habla de "incertidumbre" y "covarianza". Para el estudiante que aún no ha visto estos conceptos en profundidad, conviene aclararlos brevemente. La varianza es una medida de cuánto se dispersa una variable aleatoria alrededor de su valor medio. La covarianza extiende este concepto a dos o más variables simultáneas: mide cómo varían conjuntamente.
Por ejemplo, en el seguimiento de un satélite, la covarianza indica no solo cuán incierta es la posición estimada, sino también cómo se relaciona esa incertidumbre con la incertidumbre en la velocidad. Si la covarianza entre posición y velocidad es positiva, significa que cuando la posición estimada es mayor de lo esperado, la velocidad también tiende a serlo; si es negativa, tienden a variar en sentido opuesto. El filtro de Kalman actualiza esta matriz de covarianza en cada paso, proporcionando así una descripción completa de la incertidumbre del estado estimado (Maybeck, 1979; Grewal & Andrews, 2015).
3.6. El filtro de Kalman extendido (EKF): cuando el mundo no es lineal
El filtro de Kalman que hemos descrito hasta ahora asume que el modelo del sistema y la relación entre el estado y las mediciones son lineales. Pero en muchas aplicaciones de telecomunicaciones y radar, esta linealidad no se cumple. Por ejemplo, en un radar, la medición de la distancia se relaciona con la posición del objetivo mediante una raíz cuadrada (no lineal), y el ángulo se relaciona mediante funciones trigonométricas.
Para estos casos, se utiliza el filtro de Kalman extendido (EKF), que linealiza el sistema en torno a la estimación actual, calculando las derivadas parciales (matriz jacobiana) y aplicando luego el mismo esquema de predicción y corrección mencionado basado en el modelo lineal. El EKF es una de las extensiones más utilizadas en la práctica, presente en sistemas de navegación, seguimiento de trayectorias y estimación de fase en comunicaciones (Maybeck, 1979, Cap. 11; Grewal & Andrews, 2015, Cap. 6).
4. Kalman en el contexto de las comunicaciones digitales
Llevemos ahora la analogía al terreno de las comunicaciones digitales. El "estado" que Kalman debe estimar puede ser la fase de la portadora, la respuesta del canal, la frecuencia Doppler, el retardo de símbolo, o incluso los propios símbolos transmitidos.
4.1. Una aplicación cotidiana: el GPS del teléfono móvil
Antes de adentrarnos en aplicaciones más especializadas, conviene comenzar con un ejemplo que todo estudiante conoce. Cuando un teléfono móvil determina su posición mediante GPS, no se fía ciegamente de la última medición del satélite. El receptor GPS combina las mediciones de pseudodistancia (que tienen errores de varios metros) con un modelo de movimiento del usuario (que podría estar caminando, en un coche o parado).
El filtro de Kalman fusiona ambas fuentes: predice la nueva posición basándose en la velocidad estimada, y luego corrige esa predicción con la nueva medición del satélite. Si el usuario entra en un túnel y pierde la señal GPS, el filtro sigue estimando la posición basándose únicamente en su predicción (modelo de movimiento), aunque con una incertidumbre creciente. Este es exactamente el mismo principio que se aplica en receptores satelitales (Grewal & Andrews, 2015).
4.2. Sincronización de portadora y recuperación de reloj en receptores coherentes
En un receptor coherente de QAM (modulación de amplitud en cuadratura) o PSK (modulación por desplazamiento de frecuencia), es necesario estimar la frecuencia y fase de la portadora para poder demodular correctamente. Los osciladores locales tienen deriva (jitter), el canal introduce corrimiento Doppler variable (especialmente en satélites de órbita baja, LEO) y el ruido de fase del oscilador degrada la señal. El filtro de Kalman estima conjuntamente la fase y la frecuencia, utilizando un modelo simple: la fase evoluciona según la frecuencia, y la frecuencia puede cambiar lentamente. Cada símbolo recibido proporciona una medición ruidosa de la fase. Haeb y Meyr (1989) demostraron que el recuperador de portadora óptimo en canales con desvanecimiento tiene estructura de filtro de Kalman, superando en más de 5 dB a los enfoques no coherentes en entornos con alta dinámica. Chang y Lin (2006) aplicaron el filtro de Kalman extendido para la recuperación de portadora asistida por decisión en sistemas de módem por cable, logrando una convergencia robusta incluso con grandes desplazamientos de frecuencia.
4.3. Ecualización adaptativa de canal
El ecualizador LMS es el estándar en muchos receptores por su baja complejidad, pero tiene limitaciones: convergencia lenta y ganancia fija (Haykin, 2002). El filtro de Kalman, cuando se usa como ecualizador adaptativo, estima conjuntamente la respuesta impulsiva del canal y los símbolos transmitidos. La clave de su superioridad es que, al ajustar su ganancia de forma óptima en cada paso, converge más rápidamente que el filtro LMS y se adapta mejor a canales cambiantes. Lawrence y Kaufman (1971) demostraron que un ecualizador basado en filtro de Kalman de 6 taps (etapas) produce una probabilidad de error considerablemente menor que un ecualizador transversal convencional de 15 taps. Lee y Cunningham (1976) aplicaron el filtro de Kalman complejo como ecualizador para sistemas QPSK (PSK en cuadratura), demostrando su superioridad frente a estructuras convencionales. Mulgrew y Cowan (1987) presentaron una estructura de ecualizador adaptativo basado en Kalman que estima simultáneamente la varianza del ruido del canal, ofreciendo ventajas de complejidad frente a soluciones FIR óptimas. Esto es crítico en sistemas de comunicaciones móviles como 5G, donde el canal cambia en escalas del orden de milisegundos.
4.4. Estimación y detección conjunta de símbolos digitales
En modulaciones digitales con memoria (por ejemplo, modulación diferencial, con codificación convolucional o con interferencia entre símbolos controlada), el filtro de Kalman puede estimar el estado como la secuencia de los últimos L símbolos. Cuando llega una muestra ruidosa, Kalman no solo la usa para decidir el bit actual, sino que corrige toda la secuencia estimada, minimizando el error global. Este enfoque, conocido como estimación de secuencia de máxima verosimilitud con Kalman, es computacionalmente más ligero que el algoritmo de Viterbi cuando el canal tiene memoria larga (Bozic, 2018). En receptores satelitales y módems de alta velocidad, esta técnica permite operar con pocos o ningún símbolo de entrenamiento, optimizando el uso del ancho de banda.
4.5. Estimación de canal en sistemas MIMO-OFDM
En sistemas MIMO-OFDM, la estimación precisa del canal en cada subportadora es esencial para la demodulación coherente. El filtro de Kalman se aplica para el seguimiento de la respuesta en frecuencia de subportadoras en entornos con desvanecimiento rápido. La idea es modelar la evolución temporal del canal como un proceso autoregresivo de primer orden, y utilizar el filtro de Kalman para estimar los coeficientes del canal en cada instante de símbolo. La capacidad de Kalman para explotar la correlación temporal y frecuencial del canal permite reducir significativamente el número de frecuencias piloto necesarios, mejorando la eficiencia espectral. Este enfoque es especialmente útil en sistemas con alta movilidad, donde el canal cambia rápidamente y los métodos convencionales basados en interpolación de pilotos resultan insuficientes.
4.6. Sincronización de redes (IEEE 1588) y estimación de sesgo de reloj
En las redes de telecomunicaciones modernas, la sincronización precisa de relojes es esencial para la conmutación de paquetes, la transmisión de servicios de tiempo real y la coordinación en redes 5G. El protocolo IEEE 1588 (Precision Time Protocol, PTP) permite sincronizar relojes mediante el intercambio de mensajes con marcas de tiempo. Sin embargo, los mensajes sufren jitter y los osciladores locales tienen deriva (drift). El filtro de Kalman se utiliza para estimar conjuntamente el sesgo (diferencia de tiempo) y la deriva (diferencia de frecuencia) entre el reloj maestro y el esclavo, filtrando el jitter de la red y proporcionando una estimación suave y precisa del error de sincronización (Giorgi & Narduzzi, 2014). Esta aplicación está ganando relevancia con el despliegue de redes 5G y la exigencia de sincronización de fase para tecnologías como TDD (Time Division Duplex).
4.7. Comunicaciones ópticas coherentes
En las comunicaciones por fibra óptica de alta velocidad, la modulación coherente (QPSK, QAM) requiere una estimación precisa de la fase y la polarización de la señal óptica. La dispersión cromática, la polarización modal y el ruido de fase del láser introducen distorsiones que varían en el tiempo. El filtro de Kalman extendido se utiliza para estimar conjuntamente la fase de la portadora, el estado de polarización y los coeficientes del ecualizador adaptativo en el dominio digital, permitiendo compensar estas distorsiones de forma dinámica y en tiempo real. Esta aplicación es especialmente relevante en sistemas de transmisión de alta capacidad (>400 Gbps) donde la relación señal-ruido es limitada.
5. Aplicaciones avanzadas en radar, navegación y radioayudas
El filtro de Kalman trasciende las comunicaciones digitales y es una herramienta fundamental en sistemas de radar, navegación y sensado remoto, áreas que son parte esencial del espectro profesional de un ingeniero de telecomunicaciones.
5.1. Seguimiento de trayectorias en radar de vigilancia
En un radar de vigilancia aérea, el filtro de Kalman se usa clásicamente para el seguimiento de trayectorias (tracking). El estado del objetivo incluye su posición, velocidad y aceleración. Las mediciones del radar (azimut, elevación, distancia y velocidad Doppler) son ruidosas y no lineales. El filtro de Kalman extendido (EKF) linealiza el problema y proporciona una estimación suave y continua de la trayectoria, incluso cuando hay pérdidas temporales de detección (Anderson & Moore, 1979). Minh Tri et al. (2025) investigaron e implementaron el filtro de Kalman para el seguimiento de objetivos en radar 3D, demostrando su eficacia en entornos operativos reales.
En entornos con múltiples objetivos, surge el problema de la asociación de datos: decidir qué medición corresponde a qué objetivo. Este problema se resuelve con algoritmos como el PDAF (Probabilistic Data Association Filter) o el MHT (Multiple Hypothesis Tracking), que combinan el filtro de Kalman con técnicas de razonamiento probabilístico (Bar-Shalom et al., 2001; Blackman, 1986). Se trata de un área de investigación fundamental en radar.
5.2. Navegación por satélite (GPS/Galileo) con fusión inercial
El filtro de Kalman es el cerebro de todos los sistemas de navegación inercial asistida por satélite (INS/GPS). En un teléfono móvil o en un sistema de navegación de un vehículo, el GPS proporciona una posición con error de varios metros y actualización a 1 Hz. Los acelerómetros y giróscopos proporcionan datos de alta frecuencia (100 Hz) pero con deriva acumulativa. El filtro de Kalman fusiona ambos sensores, proporciona una estimación de posición suave y de alta frecuencia, continúa estimando la posición incluso cuando el GPS se pierde (por ejemplo, en el caso mencionado del túnel), y entrega la incertidumbre de la estimación (Grewal & Andrews, 2015). En ausencia de GPS, los sistemas de navegación pueden utilizar señales de oportunidad (SoOP), como las de redes WiFi, LTE o 5G, para posicionamiento. El filtro de Kalman se utiliza para fusionar estas señales con los datos inerciales, proporcionando una solución de navegación continua en entornos urbanos o interiores.
5.3. Beamforming predictivo en comunicaciones V2X (vehículo-todo)
En comunicaciones vehiculares en banda milimétrica (mmWave), los enlaces son muy directivos y requieren un alineamiento preciso de los haces. Los pilotos de entrenamiento consumen recursos y aumentan la latencia. Investigaciones recientes (Liu et al., 2020) proponen el uso del filtro de Kalman extendido para predecir los parámetros cinemáticos del vehículo (posición, velocidad, aceleración) y así orientar el haz de la antena de forma predictiva, sin necesidad de pilotos excesivos. Esto mejora la tasa de datos efectiva y reduce el retardo, algo crítico para aplicaciones de seguridad vial. Liu et al. (2020) demostraron que el enfoque predictivo basado en EKF supera significativamente a los métodos de barrido de haz convencionales.
5.4. Estimación de señales chirp en radar
Las señales de radar con modulación lineal de frecuencia (señales chirp) son señales de fase polinomial. En presencia de ruido, la estimación de la frecuencia instantánea es crucial para la compresión de pulsos y la detección de blancos. Un filtro de Kalman extendido, con un modelo de estado que incluye la fase, la frecuencia y la derivada de la frecuencia, puede estimar estos parámetros de forma recursiva y en tiempo real, superando a los métodos basados en la transformada de Fourier cuando la relación señal-ruido es baja (Pei et al., 2017).
5.5. Cancelación de interferencias co-canal en arrays adaptativos
En sistemas de comunicaciones con arrays (arreglos) de múltiples antenas (MIMO, beamforming), el filtro de Kalman se utiliza para estimar la dirección de llegada (DOA) de la señal deseada y de las interferentes. Con un modelo dinámico de la geometría del array y un modelo de la señal recibida, Kalman actualiza los pesos de la antena en tiempo real, cancelando interferencias de forma adaptativa y óptima (Bozic, 2018).
5.6. Predicción de desvanecimiento en enlaces de microondas
En enlaces de microondas terrestres, la atenuación por lluvia puede causar pérdidas de hasta 20 dB en frecuencias superiores a 10 GHz. Sistemas de control de potencia en bucle cerrado utilizan el filtro de Kalman para predecir la atenuación a corto plazo a partir de mediciones de la potencia recibida y de datos meteorológicos. Esto permite ajustar la potencia de transmisión de forma proactiva, manteniendo la calidad del enlace sin saturar el transmisor (Proakis & Salehi, 2008).
5.7. Filtros de Kalman para sistemas con entradas desconocidas
En radar, cuando un objetivo realiza maniobras imprevistas (aceleraciones no modeladas), el filtro de Kalman estándar puede perder el seguimiento. Los filtros de Kalman para sistemas con entradas desconocidas (Unknown Input Kalman Filter, UIKF) estiman simultáneamente el estado y las entradas desconocidas (por ejemplo, la aceleración), mejorando la robustez en escenarios de maniobras bruscas. Esto es una extensión relevante para aplicaciones de radar y seguimiento.
6. Comparación con filtros canónicos en comunicaciones digitales
Para que el estudiante comprenda dónde se sitúa el filtro de Kalman en el ecosistema de herramientas de procesamiento de señales, se presenta una comparación sistemática con los filtros más utilizados en comunicaciones digitales.
El filtro FIR (respuesta finita al impulso) es un promedio ponderado de las últimas N muestras. Es simple, lineal y sin realimentación, por lo que siempre es estable. Sin embargo, sus coeficientes son fijos y no se adapta a cambios en la señal o el canal (Oppenheim & Schafer, 2014).
El filtro IIR (respuesta infinita al impulso) usa realimentación de salidas pasadas. Es eficiente en frecuencia y requiere pocos coeficientes, pero sus coeficientes son fijos, puede ser inestable y no es óptimo ante ruido no blanco (Oppenheim & Schafer, 2014).
El filtro de Wiener proporciona la estimación lineal de mínima varianza del error para señales estacionarias. Es óptimo en estacionariedad, pero no es recursivo (requiere toda la señal) y no se adapta a señales no estacionarias (Wiener, 1949; Maybeck, 1979).
El ecualizador LMS (mínimos cuadrados medios) utiliza gradiente descendente estocástico para minimizar el error cuadrático medio. Tiene baja complejidad computacional y es fácil de implementar. Sin embargo, su convergencia es lenta, es sensible a la elección de la ganancia de paso y no es óptimo en dinámicas rápidas (Haykin, 2002).
El filtro RLS (Recursive Least Squares) es un filtro adaptativo recursivo que minimiza el error cuadrático medio ponderado con un factor de olvido, un número que define cuánta importancia tienen las muestras pasadas en comparación con las muestras más recientes. Converge más rápido que el LMS, pero sigue sin proporcionar la incertidumbre (covarianza) de la estimación y su complejidad computacional es mayor que la del LMS (Haykin, 2002).
El filtro de Kalman es un estimador recursivo de mínima varianza del error con modelo en espacio de estados. Es adaptativo (ganancia variable), óptimo en el sentido de mínima varianza, proporciona la incertidumbre a través de la matriz de covarianza, y es recursivo (procesa muestra a muestra). Sus limitaciones son que requiere un modelo del sistema y conocimiento de las estadísticas del ruido, y tiene mayor carga computacional que el LMS (Anderson & Moore, 1979; Grewal & Andrews, 2015). A diferencia del RLS, Kalman proporciona la incertidumbre de la estimación, lo que permite decisiones más informadas.
El filtro de Kalman no es un reemplazo de los demás, sino una herramienta para situaciones donde el sistema es dinámico, el ruido es no estacionario y se necesita no solo la estimación sino también su grado de confianza. En comunicaciones digitales modernas (5G, satélite, radar), estas condiciones son la norma, no la excepción.
7. ¿Por qué Kalman es "óptimo" y qué se necesita para estudiarlo?
7.1. ¿Qué significa "óptimo" en este contexto?
Cuando se dice que el filtro de Kalman es "óptimo", se refiere a que minimiza la varianza del error de estimación (criterio de mínima varianza del error, MMSE) entre todos los estimadores lineales recursivos, siempre que se cumplan ciertas condiciones: que el modelo del sistema sea lineal; que el ruido del proceso y el ruido de medición sean ruido blanco gaussiano con media cero; y que las matrices de covarianza del ruido (Q y R) sean conocidas.
En estas condiciones, el filtro de Kalman es el mejor estimador lineal posible en el sentido de que ningún otro estimador lineal puede tener un error cuadrático medio menor (Anderson & Moore, 1979; Grewal & Andrews, 2015). Además, si el ruido es gaussiano, Kalman es incluso el mejor estimador entre todos los estimadores (no solo lineales), gracias al teorema de Gauss-Markov.
7.2. ¿Qué prerrequisitos matemáticos necesita el estudiante?
Para abordar el estudio formal del filtro de Kalman, el estudiante debe dominar los siguientes conceptos, que normalmente se cursan en los primeros años de la carrera.
En álgebra lineal, necesita matrices, vectores, determinantes, inversión de matrices y autovalores y autovectores (Strang, 2016). En probabilidad y estadística, necesita variable aleatoria, esperanza, varianza, covarianza, distribución Gaussiana y teorema del límite central (Ross, 2019). En procesamiento de señales, necesita señales deterministas y aleatorias, densidad espectral de potencia, ruido blanco y filtrado lineal (Oppenheim & Schafer, 2014). En teoría de estimación, necesita estimación de mínimos cuadrados, estimación de máxima verosimilitud y estimación MMSE (Kay, 1993). En modelos en espacio de estado, necesita representación de sistemas dinámicos en espacio de estado, matrices de transición, controlabilidad y observabilidad (Ogata, 2010).
7.3. Mapeo conceptual-ecuacional
Para que el estudiante sepa exactamente qué ecuación corresponde a qué concepto cuando abra los libros, se proporciona el siguiente mapeo.
La predicción del estado corresponde a la ecuación de actualización del tiempo, que se encuentra en Anderson y Moore (1979, p. 45) y en Grewal y Andrews (2015, p. 105). La predicción de la incertidumbre corresponde a la ecuación de propagación de la covarianza, que se encuentra en Anderson y Moore (1979, p. 46) y en Grewal y Andrews (2015, p. 112). El cálculo de la ganancia de Kalman corresponde a la ecuación de la ganancia de Kalman, que se encuentra en Maybeck (1979, p. 210) y en Grewal y Andrews (2015, p. 118). La corrección del estado corresponde a la ecuación de actualización de la medición, que se encuentra en Anderson y Moore (1979, p. 47) y en Grewal y Andrews (2015, p. 119). La actualización de la incertidumbre corresponde a la ecuación de actualización de la covarianza, que se encuentra en Anderson y Moore (1979, p. 48) y en Grewal y Andrews (2015, p. 120). El filtro de Kalman extendido para sistemas no lineales se trata extensamente en Maybeck (1979, Cap. 11) y en Grewal y Andrews (2015, Cap. 6).
7.4. Guía de lectura para el estudiante
Para el estudiante que desea comenzar a estudiar formalmente el filtro de Kalman, se recomienda la siguiente ruta de lectura progresiva:
- Primeros pasos: comenzar con Bozic (2018), que ofrece una introducción accesible que conecta el filtrado digital convencional con el filtro de Kalman, con ejemplos en audio, radar y comunicaciones.
- Fundamentos teóricos: una vez comprendida la lógica, abordar Maybeck (1979, Vol. 1), que desarrolla la teoría desde los fundamentos probabilísticos y ofrece una deducción clara de las ecuaciones de Kalman. Los capítulos 1 a 4 cubren los prerrequisitos.
- Profundización en comunicaciones: consultar Haykin (2002, Cap. 9) para ver el filtro de Kalman en el contexto del filtrado adaptativo y la ecualización.
- Implementación práctica: Grewal y Andrews (2015) es la referencia ideal para pasar de la teoría a la práctica, con ejemplos en MATLAB y discusión de aspectos numéricos como la factorización U-D y el filtro de raíz cuadrada (Cap. 7). Estas implementaciones son importantes en hardware de precisión limitada, como los receptores GPS embebidos, donde la inestabilidad numérica puede degradar el rendimiento.
- Aplicaciones especializadas: para radar, Ramachandra (2000) es una obra de referencia; para navegación, Grewal y Andrews (2015, Cap. 8); para sincronización de redes, Giorgi y Narduzzi (2014). Para el filtro de Kalman en tiempo continuo y su relación con el control LQG (Lineal Cuadrático Gaussiano), Anderson y Moore (1979, Cap. 5 y 6) ofrecen un tratamiento completo.
8. Perspectivas futuras: el filtro de Kalman en las comunicaciones del mañana
El filtro de Kalman, concebido hace más de sesenta años, no solo no ha perdido vigencia, sino que se está adaptando a los desafíos de las comunicaciones emergentes. A continuación, se exploran algunas de las perspectivas más prometedoras.
8.1. Comunicaciones cuánticas
En las comunicaciones cuánticas, la información se codifica en estados cuánticos (por ejemplo, polarización de fotones o estados de espín). Estos estados son extremadamente frágiles y están sujetos a decoherencia y ruido cuántico. La estimación de parámetros en sistemas cuánticos presenta desafíos únicos: las mediciones cuánticas son intrínsecamente probabilísticas y no conmutan, y la propia medición afecta al estado estimado (efecto de medida). Variantes del filtro de Kalman, como el filtro de Kalman cuántico (o filtro de Kalman para sistemas cuánticos lineales), están siendo investigadas para aplicaciones como la estimación de fase en interferómetros cuánticos, la corrección de errores en códigos cuánticos y el seguimiento de estados de qubits en computadoras cuánticas.
Aunque la teoría difiere de la clásica, el principio de fusionar un modelo de evolución (ecuación de Lindblad) con mediciones ruidosas (proyectivas o débiles) sigue la misma lógica de predicción-corrección (Pei et al., 2017). Esta es un área de investigación activa que promete extender el filtro de Kalman a un dominio completamente nuevo.
8.2. Redes 6G y comunicaciones inteligentes
Las redes 6G se conciben como sistemas cognitivos que integran comunicaciones, sensado y computación. El filtro de Kalman jugará un papel central en varios aspectos:
Comunicaciones asistidas por sensado (ISAC): en 6G, las propias señales de comunicación se usarán para "sensar" (detectar) el entorno (radar, imágenes, posicionamiento). Kalman será esencial para fusionar datos de múltiples nodos y para el seguimiento conjunto de usuarios y objetos en el entorno.
Superficies inteligentes reflectantes (RIS): las RIS son superficies que controlan la reflexión de ondas electromagnéticas para mejorar la cobertura y eficiencia. El filtro de Kalman se puede utilizar para estimar los parámetros del canal y ajustar dinámicamente la configuración de la RIS en entornos con movilidad.
Aprendizaje automático y Kalman: la combinación de redes neuronales con filtros de Kalman está emergiendo como una poderosa sinergia. Por ejemplo, las redes neuronales pueden aprender el modelo del sistema o las estadísticas del ruido (cuando no son conocidas), y el filtro de Kalman proporciona la estimación óptima en línea. Este enfoque híbrido es especialmente prometedor para canales con dinámicas complejas y no lineales.
8.3. Comunicaciones cuánticas en espacio libre y enlaces satelitales
Los enlaces de comunicaciones cuánticas por satélite (por ejemplo, el satélite chino Micius) requieren una estimación extremadamente precisa de la fase y la polarización para mantener el entrelazamiento cuántico a través de la atmósfera. La turbulencia atmosférica introduce fluctuaciones rápidas en la fase y la polarización, similares al desvanecimiento en comunicaciones ópticas clásicas. El filtro de Kalman extendido, con modelos de turbulencia y de movimiento del satélite, se está explorando para estimar y compensar estas fluctuaciones en tiempo real, permitiendo enlaces cuánticos de larga distancia con mayor fidelidad.
8.4. Filtros de Kalman distribuidos y en red
En redes de sensores y comunicaciones colaborativas, el filtro de Kalman distribuido permite que múltiples nodos estimen conjuntamente un estado global intercambiando solo información local, sin necesidad de un procesador central. Esto es esencial para aplicaciones como:
- Redes de sensores acústicos submarinos para vigilancia y comunicaciones.
- Flotas de drones que deben coordinar sus posiciones y canales de comunicación.
- Redes de comunicaciones vehiculares (V2X) donde cada vehículo estima la posición y velocidad de los vecinos para evitar colisiones.
El filtro de Kalman distribuido se basa en el intercambio de las estimaciones locales y sus covarianzas, y su diseño debe tener en cuenta limitaciones de ancho de banda, retardo y pérdida de paquetes, todas ellas cuestiones propias de las comunicaciones digitales.
8.5. Filtro de Kalman sin trazas (UKF) para sistemas fuertemente no lineales
El filtro de Kalman extendido (EKF) tiene limitaciones cuando la no linealidad es severa, porque la linealización mediante la matriz Jacobiana puede introducir errores significativos. El filtro de Kalman sin trazas (Unscented Kalman Filter, UKF) evita la linealización aproximando la distribución del estado mediante un conjunto de puntos "sigma" que se propagan a través de la no linealidad, capturando mejor la media y la covarianza. El UKF está ganando terreno en aplicaciones de comunicaciones con dinámicas muy no lineales, como la estimación de fase en modulaciones no lineales (ej. GMSK) y el seguimiento de objetivos con maniobras bruscas en radar (Grewal & Andrews, 2015, Cap. 6).
9. Conclusiones: el filtro de Kalman como herramienta pedagógica y profesional
El filtro de Kalman, concebido hace más de seis décadas, sigue siendo una de las herramientas más elegantes y poderosas en el arsenal del ingeniero de telecomunicaciones. Su capacidad para combinar predicciones basadas en modelos físicos con mediciones ruidosas, calculando de forma óptima el peso de cada fuente en función de su incertidumbre, lo convierte en el algoritmo de estimación por excelencia para sistemas dinámicos.
A lo largo de este artículo, hemos recorrido su evolución histórica, desde la limitación de los filtros estacionarios de Wiener hasta la revolución recursiva impulsada por Kalman y su adopción por la NASA. Hemos explorado sus aplicaciones en comunicaciones digitales, desde la sincronización de portadora y la ecualización adaptativa hasta la estimación conjunta de canal y símbolos, así como su papel en la sincronización de redes y en las comunicaciones ópticas. Hemos visto su uso en sistemas de radar y navegación, incluyendo el seguimiento de trayectorias, la fusión de sensores inerciales con GPS y el beamforming predictivo para comunicaciones vehiculares. Hemos comparado sus prestaciones con las de otros filtros canónicos, destacando su capacidad adaptativa y su entrega de incertidumbre como ventajas diferenciales. También hemos explorado perspectivas futuras, incluyendo su papel emergente en comunicaciones cuánticas, redes 6G, sistemas distribuidos y enfoques híbridos con aprendizaje automático.
Para el estudiante de ingeniería de telecomunicaciones, comprender conceptualmente el filtro de Kalman es el primer paso hacia su dominio formal. Las referencias proporcionadas en este artículo ofrecen el desarrollo matemático completo para quien desee profundizar. El filtro de Kalman no es un tema abstracto ni arcaico: está integrado en los receptores 5G, en los sistemas de navegación de los automóviles autónomos, en los radares de vigilancia del tráfico aéreo y, en un futuro cercano, en los sistemas de comunicación cuántica. Dominar su lógica y sus principios es, sin exageración, dominar una parte fundamental de la ingeniería moderna.
El filtro de Kalman no se aprende de memoria; se comprende. Una vez que se entiende su lógica de predicción y corrección, de confianza variable y de incertidumbre, las ecuaciones se vuelven una consecuencia natural de esos principios. Este artículo ha sido escrito para dar esa primera comprensión. El resto está en los libros, pero ahora se sabe qué buscar, y por qué.
10. Bibliografía sucinta para el aprendizaje del filtro de Kalman en comunicaciones y sistemas afines
Esta sección ofrece una guía bibliográfica comentada para el estudiante que desee profundizar en el estudio formal del filtro de Kalman, organizada por áreas de aplicación. Todas las obras referenciadas cuentan con ISBN o DOI, y corresponden a libros de texto o artículos publicados en revistas arbitradas e indexadas.
10.1. Obras fundamentales sobre la teoría del filtro de Kalman
Anderson, B. D. O., & Moore, J. B. (1979). Optimal filtering. Prentice Hall. ISBN: 978-0-13-638122-8.
Texto canónico que desarrolla la teoría del filtrado óptimo desde sus fundamentos, incluyendo la deducción completa de las ecuaciones de Kalman, el análisis de convergencia y las extensiones para sistemas no lineales. Incluye también el filtro de Kalman en tiempo continuo y su relación con el control LQG.
Maybeck, P. S. (1979). Stochastic models, estimation, and control (Vol. 1). Academic Press. DOI: 10.1016/S0076-5392(09)60061-0.
Obra clásica que conecta la teoría de estimación con el control estocástico, con especial énfasis en el filtro de Kalman y el filtro de Kalman extendido. Su capítulo 11 ofrece un tratamiento detallado del EKF para sistemas no lineales.
Bertein, J. C., & Ceschi, R. (2010). Discrete stochastic processes and optimal filtering (2nd ed.). Wiley-ISTE. DOI: 10.1002/9781118600351.
Obra didáctica que cubre desde vectores aleatorios y procesos gaussianos hasta los filtros de Wiener, LMS y Kalman, con ejercicios resueltos en MATLAB. Especialmente útil para estudiantes que desean una progresión gradual desde los fundamentos probabilísticos hasta las aplicaciones en telecomunicaciones y navegación.
10.2. Filtro de Kalman en ecualización y comunicaciones digitales
Haykin, S. (2002). Adaptive filter theory (4th ed.). Prentice Hall. ISBN: 978-0-13-090126-4.
Texto de referencia en filtrado adaptativo. Su capítulo 9 aborda el filtro de Kalman como caso particular de estimador recursivo y lo compara con el LMS y el RLS, proporcionando la base para la ecualización adaptativa en comunicaciones digitales.
Lawrence, R. E., & Kaufman, H. (1971). The Kalman filter for the equalization of a digital communications channel. IEEE Transactions on Communication Technology, 19(6), 1137-1141. DOI: 10.1109/TCOM.1971.1090749.
Artículo fundacional que demuestra que un ecualizador basado en filtro de Kalman de 6 taps produce una probabilidad de error considerablemente menor que un ecualizador transversal convencional de 15 taps.
Haeb, R., & Meyr, H. (1989). A systematic approach to carrier recovery and detection of digitally phase modulated signals on fading channels. IEEE Transactions on Communications, 37(7), 748-754. DOI: 10.1109/26.31177.
Demuestra que el recuperador de portadora óptimo en canales con desvanecimiento tiene estructura de filtro de Kalman, superando en más de 5 dB a los enfoques no coherentes.
10.3. Filtro de Kalman en radar y seguimiento de trayectorias
Ramachandra, K. V. (2000). Kalman filtering techniques for radar tracking. Marcel Dekker. ISBN: 978-0-8247-9322-7.
Obra de referencia en el ámbito del radar, que revisa de forma práctica los métodos de filtrado para seguimiento de trayectorias. Cubre desde filtros unidimensionales hasta el seguimiento de objetivos maniobrables en entornos con clutter.
Bar-Shalom, Y., Li, X. R., & Kirubarajan, T. (2001). Estimation with applications to tracking and navigation. Wiley. DOI: 10.1002/0471221279.
Texto fundamental sobre estimación y seguimiento, que cubre en detalle los algoritmos de asociación de datos (PDAF, MHT) y su integración con el filtro de Kalman para seguimiento multitrayectoria.
Blackman, S. S. (1986). Multiple-target tracking with radar applications. Artech House. ISBN: 978-0-89006-201-8.
Obra clásica sobre seguimiento multitrayectoria, que aborda los desafíos de la asociación de datos y la combinación de filtros de Kalman en entornos con múltiples objetivos y clutter.
Grewal, M. S., & Andrews, A. P. (2015). Kalman filtering: Theory and practice with MATLAB (4th ed.). Wiley-IEEE Press. DOI: 10.1002/9781118984361.
Texto fundamental que combina la teoría del filtro de Kalman con su implementación práctica. Su capítulo 8 aborda en detalle la aplicación a sistemas de navegación inercial asistida por GPS, y el capítulo 6 trata el filtro de Kalman extendido para sistemas no lineales.
10.4. Filtro de Kalman en sincronización de redes, comunicaciones ópticas y cuánticas
Giorgi, G., & Narduzzi, C. (2014). Performance analysis of Kalman filter-based clock synchronization in IEEE 1588 networks. IEEE Transactions on Instrumentation and Measurement, 63(5), 1299-1309. DOI: 10.1109/TIM.2013.2290041.
Análisis del uso del filtro de Kalman para la sincronización de relojes en redes IEEE 1588, incluyendo la estimación conjunta de sesgo, deriva y jitter de red. Relevante para redes 5G y sistemas de tiempo real.
Pei, Y., Biswas, S., Fussell, D. S., & Pingali, K. (2017). An elementary introduction to Kalman filtering. arXiv preprint. DOI: 10.48550/arXiv.1710.04055.
Introducción accesible que cubre los fundamentos de Kalman y menciona aplicaciones emergentes, incluyendo algunas consideraciones para sistemas cuánticos.
10.5. Obras complementarias
Proakis, J. G., & Salehi, M. (2008). Digital communications (5th ed.). McGraw-Hill. ISBN: 978-0-07-126771-9.
Texto clásico en comunicaciones digitales que incluye secciones sobre ecualización adaptativa y estimación de canal.
Kay, S. M. (1993). Fundamentals of statistical signal processing: Estimation theory. Prentice Hall. ISBN: 978-0-13-345711-7.
Obra de referencia en teoría de la estimación, que cubre los fundamentos de mínimos cuadrados, máxima verosimilitud y estimación MMSE.
Sorenson, H. W. (1970). Least-squares estimation: from Gauss to Kalman. IEEE Spectrum, 7(7), 63-68. DOI: 10.1109/MSPEC.1970.5213271.
Artículo de divulgación histórica que rastrea la evolución de la estimación por mínimos cuadrados desde Gauss hasta Kalman.
Referencias
Anderson, B. D. O., & Moore, J. B. (1979). Optimal filtering. Prentice Hall. ISBN: 978-0-13-638122-8.
Bar-Shalom, Y., Li, X. R., & Kirubarajan, T. (2001). Estimation with applications to tracking and navigation. Wiley. DOI: 10.1002/0471221279.
Bertein, J. C., & Ceschi, R. (2010). Discrete stochastic processes and optimal filtering (2nd ed.). Wiley-ISTE. DOI: 10.1002/9781118600351.
Blackman, S. S. (1986). Multiple-target tracking with radar applications. Artech House. ISBN: 978-0-89006-201-8.
Bozic, S. M. (2018). Digital and Kalman filtering: An introduction to discrete-time filtering and optimum linear estimation (2nd ed.). Dover Publications. ISBN: 978-0-486-43893-1.
Campeanu, A., & Gal, J. (2012). A Kalman filter based carrier synchronization algorithm for high order QAM signals. International Journal of Electronics and Telecommunications, 58(3), 227-232. DOI: 10.2478/v10177-012-0032-z.
Chang, D. C., & Lin, T. Y. (2006). Decision-aided carrier recovery using extended Kalman filter for cable modem systems. International Journal of Adaptive Control and Signal Processing, 20(4-5), 205-216. DOI: 10.1002/acs.894.
Giorgi, G., & Narduzzi, C. (2014). Performance analysis of Kalman filter-based clock synchronization in IEEE 1588 networks. IEEE Transactions on Instrumentation and Measurement, 63(5), 1299-1309. DOI: 10.1109/TIM.2013.2290041.
Grewal, M. S., & Andrews, A. P. (2015). Kalman filtering: Theory and practice with MATLAB (4th ed.). Wiley-IEEE Press. DOI: 10.1002/9781118984361.
Haeb, R., & Meyr, H. (1989). A systematic approach to carrier recovery and detection of digitally phase modulated signals on fading channels. IEEE Transactions on Communications, 37(7), 748-754. DOI: 10.1109/26.31177.
Haykin, S. (2002). Adaptive filter theory (4th ed.). Prentice Hall. ISBN: 978-0-13-090126-4.
Kalman, R. E. (1960). A new approach to linear filtering and prediction problems. Journal of Basic Engineering, 82(1), 35-45. DOI: 10.1115/1.3662552.
Kay, S. M. (1993). Fundamentals of statistical signal processing: Estimation theory. Prentice Hall. ISBN: 978-0-13-345711-7.
Lawrence, R. E., & Kaufman, H. (1971). The Kalman filter for the equalization of a digital communications channel. IEEE Transactions on Communication Technology, 19(6), 1137-1141. DOI: 10.1109/TCOM.1971.1090749.
Lee, H. B., & Cunningham, R. F. (1976). Kalman filter for the equalization of a digital communication channel. IEEE Transactions on Communications, 24(5), 562-565. DOI: 10.1109/TCOM.1976.1093344.
Liu, F., Yuan, W., Masouros, C., & Yuan, J. (2020). Radar-assisted predictive beamforming for vehicle-to-infrastructure links. arXiv preprint. DOI: 10.48550/arXiv.2004.07161.
Maybeck, P. S. (1979). Stochastic models, estimation, and control (Vol. 1). Academic Press. DOI: 10.1016/S0076-5392(09)60061-0.
Minh Tri, L. T., Hoang Ha, N. T., & Nam, N. D. (2025). Research and implementation of Kalman filter for target tracking in 3D radar system. Tạp chí Khoa học và Kỹ thuật - Học viện Kỹ thuật Quân sự, 102, 87-94. DOI: 10.56651/lqdtu.jst.v102.1226.
Mulgrew, B., & Cowan, C. (1987). An adaptive Kalman equalizer: Structure and performance. En IEEE International Conference on Acoustics, Speech, and Signal Processing. IEEE. DOI: 10.1109/ICASSP.1987.1169682.
Ogata, K. (2010). Modern control engineering (5th ed.). Prentice Hall. ISBN: 978-0-13-615673-4.
Oppenheim, A. V., & Schafer, R. W. (2014). Discrete-time signal processing (3rd ed.). Pearson. ISBN: 978-0-13-198842-2.
Pacelli, R. V., Florindo, R. L., Antreich, F., & Lucena, A. M. P. (2025). An all-digital coherent AFSK demodulator for CubeSat applications. Digital Signal Processing, 104958. DOI: 10.1016/j.dsp.2025.104958.
Pei, Y., Biswas, S., Fussell, D. S., & Pingali, K. (2017). An elementary introduction to Kalman filtering. arXiv preprint. DOI: 10.48550/arXiv.1710.04055.
Proakis, J. G., & Salehi, M. (2008). Digital communications (5th ed.). McGraw-Hill. ISBN: 978-0-07-126771-9.
Ramachandra, K. V. (2000). Kalman filtering techniques for radar tracking. Marcel Dekker. ISBN: 978-0-8247-9322-7.
Ross, S. M. (2019). Introduction to probability and statistics for engineers and scientists (6th ed.). Academic Press. ISBN: 978-0-12-824346-6.
Sorenson, H. W. (1970). Least-squares estimation: from Gauss to Kalman. IEEE Spectrum, 7(7), 63-68. DOI: 10.1109/MSPEC.1970.5213271.
Strang, G. (2016). Introduction to linear algebra (5th ed.). Wellesley-Cambridge Press. ISBN: 978-0-9802327-7-6.
Wiener, N. (1949). Extrapolation, interpolation, and smoothing of stationary time series. MIT Press. ISBN: 978-0-262-23002-0.
Julio, 2026.
Comentarios
Publicar un comentario