Extended Kalman Filter (EKF)

El filtro de Kalman extendido (EKF) es un algoritmo matemático robusto diseñado para estimar el estado de un sistema dinámico que se comporta de forma no lineal. Mientras que el filtro de Kalman estándar (KF) proporciona una solución óptima para sistemas que se mueven en línea recta o siguen ecuaciones lineales sencillas, la física del mundo real rara vez es tan predecible. La mayoría de los objetos físicos, como un dron que lucha contra la resistencia del viento o un brazo robótico que gira sobre varios ejes, siguen trayectorias curvas o complejas. El EKF aborda esta complejidad creando una aproximación lineal del sistema en un momento específico, lo que permite a ingenieros y científicos de datos aplicar técnicas de filtrado eficientes a tareas de modelado predictivo incluso cuando la mecánica subyacente es complicada.

Mecanismo y linealización#

Para gestionar dinámicas complejas, el EKF emplea un proceso matemático llamado linealización, que básicamente estima la pendiente de una función en el punto de operación actual. Esto suele implicar calcular una matriz jacobiana para aproximar cómo cambia el sistema en intervalos cortos. El algoritmo funciona en un bucle recursivo compuesto por dos fases principales: predicción y actualización. En la fase de predicción, el filtro proyecta el estado actual hacia delante utilizando un modelo físico del movimiento. En la fase de actualización, corrige esta proyección usando datos nuevos, a menudo ruidosos, procedentes de sensores como giroscopios o acelerómetros. Este ciclo continuo de predicción y corrección ayuda a reducir el ruido de los datos y proporciona una estimación más fluida y precisa del estado real que la que podría ofrecer cualquier sensor por sí solo.

Relevancia en la visión artificial#

En el ámbito de la visión por ordenador (CV), el filtro de Kalman extendido desempeña un papel fundamental en el mantenimiento de la identidad de los elementos en movimiento. Los modelos avanzados como YOLO26 son excepcionales a la hora de detectar objetos en fotogramas individuales, pero no comprenden de forma inherente la continuidad del movimiento a lo largo del tiempo. Al integrar un EKF o una lógica similar, un sistema de seguimiento de objetos puede predecir dónde debería aparecer un cuadro delimitador en el siguiente fotograma del vídeo basándose en su velocidad y trayectoria anteriores. Esto resulta especialmente útil para gestionar oclusiones, cuando un objeto queda temporalmente bloqueado; el filtro mantiene «activo» el seguimiento al estimar la posición del objeto hasta que vuelve a ser visible, una técnica esencial para un seguimiento de múltiples objetos (MOT) robusto.

Aplicaciones en el mundo real#

La versatilidad del EKF lo convierte en una tecnología fundamental en diversos sectores tecnológicos avanzados donde el aprendizaje automático (ML) converge con el hardware físico:

• Vehículos autónomos: Los coches autónomos dependen de la fusión de sensores para desplazarse de forma segura. Un EKF combina flujos de datos independientes de los Sistemas de Posicionamiento Global (GPS), LiDAR y radar para calcular la posición y orientación precisas del vehículo en la carretera, compensando las pérdidas de señal o el ruido ambiental.
• Robótica: Los robots que operan en entornos no estructurados utilizan algoritmos de localización y mapeo simultáneos (SLAM). El EKF ayuda a un robot a crear un mapa de una habitación mientras determina simultáneamente su propia ubicación dentro de ese mapa, corrigiendo el deslizamiento de las ruedas o la deriva de los sensores para garantizar un movimiento preciso.
• Estimación de la pose: En aplicaciones como la realidad virtual o el análisis deportivo, el seguimiento de las articulaciones humanas requiere suavizar los puntos clave inestables. Los algoritmos EKF refinan la salida de los modelos de aprendizaje profundo para crear animaciones de movimiento fluidas y naturales para sistemas de reconocimiento de acciones.

Comparación con conceptos relacionados#

Es útil distinguir el filtro de Kalman extendido de otros métodos de filtrado relacionados para comprender su utilidad específica:

• EKF frente a filtro de Kalman (KF): El KF estándar es matemáticamente óptimo y requiere menos recursos computacionales, pero falla cuando los sistemas son muy no lineales. El EKF amplía el KF para trabajar con sistemas no lineales mediante una aproximación.
• EKF frente a filtro de partículas: Un filtro de partículas gestiona muy bien la no linealidad y el ruido no gaussiano mediante muchas muestras aleatorias (partículas) para representar la probabilidad. Sin embargo, requiere mucha más potencia de cálculo, lo que convierte al EKF en una opción preferida para sistemas embebidos con recursos limitados.
• EKF frente a filtro de Kalman no lineal (UKF): El filtro de Kalman no lineal ofrece un término medio, ya que utiliza puntos de muestreo deterministas para gestionar la no linealidad sin el cálculo diferencial complejo que requiere el EKF, aunque el EKF sigue siendo un estándar del sector para muchos sistemas de control.

Ejemplo de implementación#

En el paquete ultralytics, los algoritmos de seguimiento utilizan internamente conceptos de filtrado de Kalman para suavizar las trayectorias y asociar las detecciones entre fotogramas. Aunque no programas manualmente las operaciones matriciales del EKF cuando utilizas herramientas de alto nivel, comprender que impulsa el rastreador te ayuda a configurar los parámetros de la plataforma Ultralytics.

Así se inicia un rastreador con un modelo YOLO, que utiliza estas técnicas de filtrado para estimar el estado:

from ultralytics import YOLO

# Load the latest YOLO26 model (nano version for speed)
model = YOLO("yolo26n.pt")

# Track objects in a video source
# Trackers like BoT-SORT or ByteTrack use Kalman filtering logic internally
results = model.track(source="https://ultralytics.com/images/bus.jpg", tracker="botsort.yaml")

# Print the ID of the tracked objects
for r in results:
    if r.boxes.id is not None:
        print(f"Track IDs: {r.boxes.id.numpy()}")