Tutoriel sur le filtre de Kalman

Vue d’ensemble

• À propos de ce tutoriel

  • L’algorithme du filtre de Kalman est un outil puissant pour estimer et prédire l’état d’un système en présence d’incertitude, et il est utilisé comme composant de base dans des domaines variés comme le suivi de cible, la navigation et le contrôle.
  • Le filtre de Kalman repose sur des concepts simples, mais il peut sembler complexe, car de nombreuses ressources exigent des bases mathématiques et manquent d’exemples pratiques.
  • En 2017, un tutoriel en ligne fondé sur des exemples numériques et des explications intuitives a été créé afin de rendre le sujet plus facile à comprendre.
  • Le tutoriel traite des filtres de Kalman univariés (1D) et multivariés (multidimensionnels), et a été étendu pour inclure des sujets avancés comme le filtre de Kalman non linéaire, la fusion de capteurs et des recommandations pratiques d’implémentation.
  • Un livre a été écrit à partir de ce tutoriel, et couvre des concepts théoriques ainsi que des applications pratiques, des bases jusqu’aux sujets avancés.

• À propos du filtre de Kalman

  • De nombreux systèmes modernes utilisent plusieurs capteurs pour estimer des états cachés.
  • Le filtre de Kalman est un algorithme qui estime l’état caché d’un système et prédit ses états futurs même en présence d’incertitude.
  • Dans un article publié en 1960, Rudolf E. Kálmán a décrit une solution récursive au problème du filtrage linéaire de données discrètes.

Introduction au filtre de Kalman

• Pourquoi la prédiction est nécessaire
  • Pour comprendre la nécessité des algorithmes de suivi et de prédiction, on peut prendre l’exemple d’un radar de poursuite.
  • Le radar estime la position et la vitesse actuelles de la cible, puis prédit la position de la cible au moment du prochain faisceau de poursuite.
  • La prédiction peut être calculée à l’aide des équations du mouvement de Newton.
  • En pratique, les mesures radar ne sont pas exactes et comportent des erreurs aléatoires ou des incertitudes.
  • À cause du bruit de mesure et du bruit de processus, la position estimée de la cible peut fortement différer de sa position réelle.
  • Le filtre de Kalman est un algorithme qui améliore la précision du suivi en tenant compte de ces incertitudes.

[GN⁺]

Commentaires sur Hacker News

• Pour comprendre le filtre de Kalman, il faut d’abord étudier les moindres carrés (régression linéaire), puis les moindres carrés récursifs et le filtre d’information. Cela permet de voir que le filtre de Kalman est une reformulation des moindres carrés récursifs qui privilégie l’efficacité lors de l’étape de mise à jour

• Parmi les ressources liées au filtre de Kalman, on trouve ce PDF et le dépôt GitHub

• Il n’existe actuellement aucun outil de calcul symbolique pour les distributions de probabilité, ce qui inclut des opérations comme multiplier des PDF gaussiennes multivariées et obtenir la matrice de covariance

• Si Q et R sont constants, le filtre de Kalman devient équivalent à un filtre exponentiel avec une étape de prédiction. C’est plus facile à comprendre et cela correspond à une approche où l’on optimise en ajustant manuellement Q et R

• Pour mieux comprendre le filtre de Kalman, les cours de Michael van Biezem sont recommandés

• Il existe une idée selon laquelle le filtre de Kalman pourrait être utilisé pour renforcer la valeur d’observation d’un événement ne reposant que sur des témoignages oculaires. Cela traite le mensonge et l’imprécision comme du "bruit"

• Le terme "tracking" est couramment utilisé, mais il désigne souvent un type particulier de suivi, ce qui peut prêter à confusion

• Le filtre de Kalman porte le nom de Rudolf E. Kálmán, qui a publié en 1960 un article décrivant une solution récursive au problème du filtrage linéaire de données discrètes