Accurate state estimation is essential in aerospace engineering for controlling the trajectory of sounding rockets. Traditional estimation algorithms, such as the Multiplicative Extended Kalman Filter, rely on simplified, linearized dynamic models and analytical relationships to correlate states with sensor measurements. However, these methods often struggle to capture the complex, non-linear aerodynamics governing the rocket's flight, particularly the relationships between atmospheric pressure, altitude, and velocity. To address these limitations, this thesis proposes a data-driven probabilistic approach by integrating Gaussian Processes into the Kalman Filter architecture. Rather than relying on rigid analytical equations, Gaussian Processes are utilized to learn the unknown, non-linear output functions directly from flight data. To make this integration computationally feasible and robust for real-time applications, Sparse Gaussian Processes are implemented alongside a Latent Variable Model to handle noisy training datasets. Furthermore, the Extended Gaussian Process framework is adopted to propagate state input uncertainties during the prediction and correction phases, resulting in an Extended Gaussian Process enhanced Kalman Filter. The proposed algorithm is specifically applied to the altitude and vertical velocity estimation of a sounding rocket. Two separate Gaussian Processes are trained to model static and dynamic pressure. Validation is performed using a MATLAB flight simulator validated over the years. Results demonstrate that the Gaussian Process Kalman Filter provides highly accurate state estimations, successfully capturing aerodynamic non-linearities without the need for manual Jacobian approximations. A comparative analysis of the estimation errors, supported by the altitude and velocity trajectory graphs across multiple simulated datasets, demonstrates that the Enhanced Gaussian Process Kalman Filter performs robustly and reliably.

Una stima accurata dello stato è essenziale nell'ingegneria aerospaziale per il controllo della traiettoria dei razzi sonda. Gli algoritmi di stima tradizionali, come il Filtro di Kalman Esteso Moltiplicativo, si basano su modelli dinamici semplificati e linearizzati e su relazioni analitiche per correlare gli stati con le misurazioni dei sensori. Tuttavia, questi metodi spesso faticano a catturare i complessi fenomeni aerodinamici e non-lineari ai quali il volo del razzo è soggetto, in particolare le relazioni tra pressione atmosferica, altitudine e velocità. Per superare queste limitazioni, questa tesi propone un approccio probabilistico basato sui dati, integrando i Processi Gaussiani nell'architettura del Filtro di Kalman. Invece di affidarsi a equazioni analitiche deterministiche, i Processi Gaussiani vengono utilizzati per apprendere le funzioni di output, considerate incognite e non lineari, direttamente dai dati di volo. Per rendere questa integrazione computazionalmente fattibile e robusta per le applicazioni in tempo reale, vengono implementati Processi Gaussiani Sparsi insieme a un Modello a Variabili Latenti per gestire dataset di addestramento rumorosi. Inoltre, viene adottato il framework dei Processi Gaussiani Estesi per propagare le incertezze degli input di stato durante le fasi di predizione e correzione, ottenendo un Filtro di Kalman potenziato da Processi Gaussiani Estesi. L'algoritmo proposto è applicato specificamente alla stima dell'altitudine e della velocità verticale di un razzo sonda. Vengono addestrati due Processi Gaussiani separati per modellare la pressione statica e dinamica. La validazione viene eseguita utilizzando un simulatore di volo scritto in MATLAB validato nel corso degli anni. I risultati dimostrano che il Filtro di Kalman con Processi Gaussiani fornisce stime di stato altamente accurate, catturando con successo le non linearità aerodinamiche senza la necessità di approssimazioni manuali dello Jacobiano. Un'analisi comparativa degli errori di stima, supportata dai grafici delle traiettorie di altitudine e velocità su molteplici dataset simulati, dimostra che il Filtro di Kalman con Processi Gaussiani opera in modo robusto e affidabile.

Sounding rocket altitude estimation with Gaussian Process enhanced Kalman Filter

Malusardi, Diego
2025/2026

Abstract

Accurate state estimation is essential in aerospace engineering for controlling the trajectory of sounding rockets. Traditional estimation algorithms, such as the Multiplicative Extended Kalman Filter, rely on simplified, linearized dynamic models and analytical relationships to correlate states with sensor measurements. However, these methods often struggle to capture the complex, non-linear aerodynamics governing the rocket's flight, particularly the relationships between atmospheric pressure, altitude, and velocity. To address these limitations, this thesis proposes a data-driven probabilistic approach by integrating Gaussian Processes into the Kalman Filter architecture. Rather than relying on rigid analytical equations, Gaussian Processes are utilized to learn the unknown, non-linear output functions directly from flight data. To make this integration computationally feasible and robust for real-time applications, Sparse Gaussian Processes are implemented alongside a Latent Variable Model to handle noisy training datasets. Furthermore, the Extended Gaussian Process framework is adopted to propagate state input uncertainties during the prediction and correction phases, resulting in an Extended Gaussian Process enhanced Kalman Filter. The proposed algorithm is specifically applied to the altitude and vertical velocity estimation of a sounding rocket. Two separate Gaussian Processes are trained to model static and dynamic pressure. Validation is performed using a MATLAB flight simulator validated over the years. Results demonstrate that the Gaussian Process Kalman Filter provides highly accurate state estimations, successfully capturing aerodynamic non-linearities without the need for manual Jacobian approximations. A comparative analysis of the estimation errors, supported by the altitude and velocity trajectory graphs across multiple simulated datasets, demonstrates that the Enhanced Gaussian Process Kalman Filter performs robustly and reliably.
ING - Scuola di Ingegneria Industriale e dell'Informazione
22-lug-2026
2025/2026
Una stima accurata dello stato è essenziale nell'ingegneria aerospaziale per il controllo della traiettoria dei razzi sonda. Gli algoritmi di stima tradizionali, come il Filtro di Kalman Esteso Moltiplicativo, si basano su modelli dinamici semplificati e linearizzati e su relazioni analitiche per correlare gli stati con le misurazioni dei sensori. Tuttavia, questi metodi spesso faticano a catturare i complessi fenomeni aerodinamici e non-lineari ai quali il volo del razzo è soggetto, in particolare le relazioni tra pressione atmosferica, altitudine e velocità. Per superare queste limitazioni, questa tesi propone un approccio probabilistico basato sui dati, integrando i Processi Gaussiani nell'architettura del Filtro di Kalman. Invece di affidarsi a equazioni analitiche deterministiche, i Processi Gaussiani vengono utilizzati per apprendere le funzioni di output, considerate incognite e non lineari, direttamente dai dati di volo. Per rendere questa integrazione computazionalmente fattibile e robusta per le applicazioni in tempo reale, vengono implementati Processi Gaussiani Sparsi insieme a un Modello a Variabili Latenti per gestire dataset di addestramento rumorosi. Inoltre, viene adottato il framework dei Processi Gaussiani Estesi per propagare le incertezze degli input di stato durante le fasi di predizione e correzione, ottenendo un Filtro di Kalman potenziato da Processi Gaussiani Estesi. L'algoritmo proposto è applicato specificamente alla stima dell'altitudine e della velocità verticale di un razzo sonda. Vengono addestrati due Processi Gaussiani separati per modellare la pressione statica e dinamica. La validazione viene eseguita utilizzando un simulatore di volo scritto in MATLAB validato nel corso degli anni. I risultati dimostrano che il Filtro di Kalman con Processi Gaussiani fornisce stime di stato altamente accurate, catturando con successo le non linearità aerodinamiche senza la necessità di approssimazioni manuali dello Jacobiano. Un'analisi comparativa degli errori di stima, supportata dai grafici delle traiettorie di altitudine e velocità su molteplici dataset simulati, dimostra che il Filtro di Kalman con Processi Gaussiani opera in modo robusto e affidabile.
File allegati
File Dimensione Formato  
executivesummary_diego_malusardi.pdf

accessibile in internet per tutti a partire dal 02/07/2027

Descrizione: Executive Summary - Diego Malusardi
Dimensione 884.97 kB
Formato Adobe PDF
884.97 kB Adobe PDF   Visualizza/Apri
masterthesis_diego_malusardi.pdf

accessibile in internet per tutti a partire dal 02/07/2027

Descrizione: Master Thesis - Diego Malusardi
Dimensione 4.33 MB
Formato Adobe PDF
4.33 MB Adobe PDF   Visualizza/Apri

I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/10589/261678