Filtro de Kalman (KF)

Un Filtro de Kalman (KF) es un algoritmo poderoso utilizado para estimar el estado de un sistema dinámico a partir de una serie de mediciones incompletas y ruidosas. Desarrollado por Rudolf E. Kálmán, su propósito original era la navegación en la industria aeroespacial, pero desde entonces se ha convertido en fundamental en muchos campos, incluyendo la robótica, la economía y especialmente la visión artificial (CV). El filtro funciona en un ciclo de dos pasos: primero predice el estado futuro del sistema y la incertidumbre de esa predicción, y luego actualiza su estimación incorporando una nueva medición. Este proceso le permite producir una estimación suave y precisa del estado de un objeto, como su posición y velocidad, incluso cuando los datos del sensor son imprecisos.

¿Cómo funcionan los filtros de Kalman en la IA y la visión artificial?

En el contexto de la IA, los filtros de Kalman se utilizan principalmente para el seguimiento de objetos. Después de que un modelo de detección de objetos como Ultralytics YOLO identifica objetos en un fotograma, se utiliza un filtro de Kalman para predecir sus posiciones en el siguiente fotograma. Esta predicción se basa en un modelo de movimiento, que normalmente asume una velocidad constante o una aceleración constante.

Cuando llega el siguiente frame, el modelo de detección proporciona nuevas mediciones (es decir, nuevas coordenadas de bounding box). El filtro de Kalman luego realiza su paso de "actualización", corrigiendo su predicción inicial basada en estos nuevos datos. Este proceso es altamente efectivo por varias razones:

• Reducción de Ruido: Suaviza las detecciones temblorosas, lo que resulta en rutas de seguimiento más estables.
• Manejo de oclusión: Si un detector no puede ver un objeto durante algunos fotogramas (por ejemplo, un automóvil pasa detrás de un árbol), el filtro puede continuar prediciendo su posición, lo que permite al rastreador reidentificar el objeto cuando reaparece.
• Estimación del estado: Proporciona una comprensión más completa del estado de un objeto más allá de su posición actual, incluyendo su velocidad. Puede obtener más información sobre los conceptos básicos en esta introducción visual detallada a los filtros de Kalman.

La capacidad del filtro para procesar mediciones de forma recursiva lo hace computacionalmente eficiente e ideal para la inferencia en tiempo real. Muchos algoritmos de seguimiento populares, como SORT (Simple Online and Realtime Tracking) y ByteTrack, utilizan un filtro de Kalman como componente central de predicción de movimiento. Los modelos de Ultralytics como YOLO11 aprovechan dichos rastreadores en su modo de seguimiento.

Aplicaciones en el mundo real

Los filtros de Kalman son parte integral de innumerables sistemas modernos. Aquí hay algunos ejemplos:

1. Vehículos autónomos: En los vehículos autónomos, los filtros de Kalman son esenciales para la fusión de sensores. Los datos de varios sensores como cámaras, GPS, LiDAR e IMU son todos ruidosos y tienen diferentes tasas de actualización. El filtro combina estos datos para producir una única estimación, muy precisa y fiable, de la posición, la velocidad y la trayectoria del vehículo y de otros objetos en la carretera. Esto es fundamental para la navegación segura y la toma de decisiones en nuestras soluciones de IA en automoción.
2. Seguimiento de Peatones para Vigilancia Inteligente: Los sistemas de seguridad suelen utilizar el seguimiento de objetos para supervisar los espacios públicos. Después de que un modelo YOLO detecta a los peatones, un rastreador basado en el filtro de Kalman asigna a cada persona un ID único y los sigue a través de la vista de la cámara. Esto permite aplicaciones como el conteo automatizado de objetos, la detección de anomalías y la gestión de colas. La capacidad predictiva del filtro garantiza que el seguimiento de una persona no se pierda, incluso si está temporalmente ocluida por otras personas u objetos, una característica clave para mejorar la vigilancia inteligente.

Conceptos relacionados y distinciones

Es importante diferenciar el Filtro de Kalman de términos relacionados:

• Filtro de Kalman Extendido (EKF): El filtro de Kalman estándar asume que la dinámica del sistema es lineal. Sin embargo, muchos sistemas del mundo real (como un coche girando) no son lineales. El EKF extiende el filtro de Kalman para manejar sistemas no lineales linealizando el modelo en cada paso de tiempo.
• Filtro de Kalman sin perfume (UKF): Para sistemas altamente no lineales donde la linealización del EKF es insuficiente, el UKF proporciona una alternativa más precisa sin la necesidad de calcular jacobianos, como se explica en esta introducción al Filtro de Kalman sin perfume.
• Filtros de Partículas: Estos son otra alternativa para sistemas no lineales y no gaussianos y se utilizan a menudo en robótica para la localización y el mapeo. A diferencia de los filtros de Kalman, representan las distribuciones de probabilidad utilizando un conjunto de muestras aleatorias (partículas).

Dentro del framework de Ultralytics, puede encontrar el Filtro de Kalman implementado como una utilidad para nuestros algoritmos de seguimiento. Bibliotecas como OpenCV también proporcionan su propia implementación del Filtro de Kalman, que se utiliza ampliamente en proyectos de visión artificial.