Projet GPS Kalman

Rapport de projet
tude dune nouvelle modlisation

des erreurs de multitrajets
en navigation GPS
Camille Sutour, milie Darrin
Encadrants : A. Giremus, V. Pereira
Anne universitaire 2011 - 2012

tude dune nouvelle modlisation des erreurs de multitrajets en naviga-
tion GPS
Le systme GPS (Global Positioning System) est un systme de navigation par sa-
tellites utilis depuis les annes 1990. Il fournit tout utilisateur muni dun rcepteur
sa position sur Terre. Dans des conditions standard dutilisation, la prcision de la po-
sition fournie par le GPS est denviron 10m. Cependant, ses performances peuvent tre
dgrades par la prsence de multitrajets, en particulier en milieu urbain en raison des
btiments alentours. Diffrentes techniques ont t dveloppes pour limiter limpact des
multitrajets. Parmi elles, on distingue des solutions matrielles (antennes, etc) et des so-
lutions logicielles. Ces dernires consistent prendre en compte leffet des multitrajets
directement au niveau de lalgorithme de navigation.
Dans ce contexte, le but de ce projet est de dvelopper une nouvelle modlisation des
multitrajets fonde sur le modle auto-rgressif variant dans le temps. Nous effectuons,
partir de ce modle, la dtection des multitrajets conjointement lestimation de la tra-
jectoire dun mobile laide des mthodes squentielles de Monte-Carlo encore connues
sous le nom de filtrage particulaire.
Nous nous intressons dans un premier temps ltude et limplmentation du fil-

trage particulaire sur des mesures non affectes par les multitrajets, puis nous intgrons
la modlisation des multitrajets pour permettre lestimation de la trajectoire en prsence
de multitrajets.
milie Darrin, Camille Sutour 1

tude dune nouvelle modlisation des erreurs de multitrajets en navigation GPS
Table des matires

1 Introduction 3
1.1 Prsentation du systme GPS . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Les multitrajets . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2 Modles dobservation et dvolution 6

2.1 quation de mesure : modle dobservation . . . . . . . . . . . . . . . . . . 6
2.2 Modle dvolution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
3 Filtre particulaire 9
3.1 Rsolution du problme de navigation . . . . . . . . . . . . . . . . . . . . . 9
3.2 Filtre particulaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3.2.1 Estimation baysienne squentielle . . . . . . . . . . . . . . . . . . 12
3.2.2 Mthodes de Monte-Carlo . . . . . . . . . . . . . . . . . . . . . . . 13
3.2.3 Principe du filtrage particulaire . . . . . . . . . . . . . . . . . . . . 13
3.2.4 Algorithme du filtrage particulaire . . . . . . . . . . . . . . . . . . 14
3.2.5 Rechantillonnage . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3.2.6 Quelques rsultats . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3.3 Filtrage particulaire tendu . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.3.1 Rsultats et comparaison avec le filtre particulaire simple . . . . . . 19
4 Multitrajets 20
4.1 Modle associ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
4.2 Loi optimale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
4.3 Rsultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
5 Conclusion 26
Annexes 27
A Conjugaisons de gaussiennes 27
B Calcul de la loi optimale 27
C Estimation des variances 29
Rfrences 31

1 Introduction
1.1 Prsentation du systme GPS
Le systme GPS fournit tout utilisateur muni dun rcepteur sa position sur Terre.
Le rcepteur reoit les signaux mis par la constellation de satellites GPS et estime le
temps de propagation entre chaque satellite visible et lui-mme. Le rcepteur multiplie
ces dures de propagation par la vitesse de la lumire c = 3.108 m.s1 pour obtenir une
estimation des distances le sparant de chacun des satellites. En thorie, la position du
rcepteur peut ensuite tre calcule partir de trois mesures satellites par trilatration
comme illustr sur le schma de la figure 1 :
Figure 1: Estimation de la position du vhicule par trilatration
Ainsi, la distance entre le k e satellite et le rcepteur est donne par la formule suivante :
p
Y(k) = (x xk )2 + (y y k )2 + (z z k )2 (1)
avec [x, y, z] les coodonnes de position du rcepteur, estimer, et [xk , y k , z k ] les coordon-
nes de position du k e satellite.
Cependant, lhorloge du rcepteur nest pas synchronise avec le temps de rfrence

GPS 1 : linstant dmission du signal GPS est dcal dun retard tGPu
S
par rapport au
GP S
temps de lhorloge rcepteur. Ainsi, si on note tE linstant dmission au temps satellite,
assimil au temps GPS, et tuE linstant dmission au temps utilisateur, ainsi que tGP
R
S
et
u
tR les instants de rception respectifs. Le temps de propagation mesur est alors :
tmesur = tuR tGP

E
S
= tuR tuE + tuE tGP
E
S
= tvrai + tGP
u
S
(2)
avec tvrai le temps de propagation rel donn par tuR tuE et tGP
u
S
le dcalage dhorloge
u GP S
tE tE .
1. Le temps de rfrence GPS est rgi par des horloges lobservatoire de lU.S. navy.

Ainsi, la distance mesure est :
Y(k) = ctmesur = ctvrai + ctGP

u
S
= r(k) + ctGP
u
S
(3)
o r(k) est la distance relle entre le satellite k et le rcepteur et b = ctGP

u
S
le biais
dhorloge.
On obtient ainsi une mesure dite de pseudo-distance donne par la formule :

p
Y(k) = (x xk )2 + (y y k )2 + (z z k )2 + b (4)
Il est donc ncessaire de disposer de quatre mesures satellites pour rsoudre cette qua-
tion quatre inconnues (x, y, z, b).
En plus du biais dhorloge, diffrentes erreurs viennent perturber les mesures de

pseudo-distance, en particulier les erreurs de propagation dans latmosphre comme les
retards troposphriques et ionosphriques, le bruit thermique et dynamique ou les erreurs
de position des satellites. On assimile la rsultante de ces diffrentes erreurs un bruit
blanc gaussien v, centr et dcart type v = 8m. Lquation de mesure est alors donne
par :
p
Y(k) = (x xk )2 + (y y k )2 + (z z k )2 + b + v(k) (5)
Il existe de nombreux algorithmes comme lalgorithme des moindres carrs, le filtre

de Kalman ou le filtrage particulaire qui permettent de rsoudre lquation de mesure en
estimant [x, y, z, b] partir de la mesure de pseudo-distance Y(k).
1.2 Les multitrajets

Les multitrajets sont lis la rflexion du signal GPS sur diffrentes surfaces avant sa
rception. Ces phnomnes sont particulirement observs en milieu urbain, en raison de
la prsence de btiments, comme illustr sur la figure 2 :
Figure 2: Illustration du phnomne de multitrajets en milieu urbain

La rflexion du signal entrane une augmentation du temps de propagation qui fausse

les mesures de pseudo-distance. Cette erreur se traduit par un saut de variance au niveau
de la mesure de pseudo-distance reue sil existe un trajet direct entre un satellite et le
rcepteur, ou par un saut de moyenne au niveau de la mesure de pseudo-distance dans le
cas o seuls des trajets rflchis sont reus [7].
La perturbation lie aux multitrajets est la fois corrle dans le temps et vis--vis
des diffrents signaux satellites. Pour cette raison, on ne peut pas associer cette erreur
un bruit blanc, ce qui fausse les algorithmes couramment utiliss.
Il existe des solutions matrielles qui permettent de limiter linfluence des multitrajets :
on peut notamment utiliser des antennes slectives qui rejettent les signaux arrivant avec
un angle dlvation trop faible, ou des antennes polarises qui rejettent une partie des
signaux rflchis. Cependant, ces mthodes sont coteuses et ncessitent des modifications
dans larchitecture du rcepteur.
Nous optons donc dans le cadre de ce projet pour une solution logicielle permettant
de dtecter et de corriger les erreurs de multitrajets tout en estimant les coordonnes de
position du rcepteur. Ce problme tant non linaire, nous proposons de le rsoudre en
utilisant les techniques de filtrage particulaire.

2 Modles dobservation et dvolution

Les mthodes de filtrage particulaire se fondent sur un modle dobservation et un
modle dvolution donnant a priori la dynamique des paramtres inconnus.
2.1 quation de mesure : modle dobservation

On rappelle que les mesures fournies par les satellites GPS sont appeles pseudo-
distances, car il sagit des distances entre le rcepteur et chacun des satellites GPS un
biais dhorloge prs.
Soit Yt (k) la pseudo-distance fournie par le k e satellite de la constellation linstant

t. Cette dernire peut tre relie aux coordonnes de position pt = [xt , yt , zt ]T du mobile
quip du rcepteur GPS au moyen de lquation de mesure suivante :
q
Yt (k) = (xt xkt )2 + (yt ytk )2 + (zt ztk )2 + bt + vt (k) (6)
avec pt = [xt , yt , zt ]T les trois coordonnes de position du mobile linstant t dans le re-
pre Earth Centered Earth F ixed 2 , pkt = [xkt , ytk , ztk ]T les trois coordonnes de position
du k e satellite linstant t, qui sont connues du rcepteur, bt le biais dhorloge rcepteur
par rapport au temps de rfrence GPS et vt (k) un terme additif de bruit.
Plus prcisment, dans un mode de fonctionnement nominal, caractris par labsence
dinterfrences et de multitrajets, le terme vt (k) suit une loi normale de moyenne nulle et
de variance v2 avec v ' 8m.
Dans lquation (6), les variables pt et bt sont inconnues et doivent donc tre estimes
par le rcepteur. Le vecteur dtat Xt regroupe lensemble des variables estimer et
sexprime comme suit :
Xt = [pTt , bt ]T (7)
Il est possible de rcrire (6) de manire plus compacte, en fonction de Xt , de la manire

suivante :
Yt (k) = ht,k (Xt ) + vt (k) (8)

p
avec ht,k (Xt ) = (xt xkt )2 + (yt ytk )2 + (zt ztk )2 + bt la k e composante de la fonction
dobservation ht (Xt ) linstant t.
Lquation (8) peut se rcrire de manire intgrer lensemble des nt pseudo-distances
disponibles linstant t comme suit :
Yt = ht (Xt ) + vt (9)
o Yt = [ Yt (1), Yt (2), . . . , Yt (nt ) ]T , ht (Xt ) = [ ht,1 (Xt ), ht,2 (Xt ), . . . , ht,nt (Xt ) ]T
et vt = [ vt (1), vt (2), . . . , vt (nt ) ]T .
2. Le systme de coordonnes ECEF est centr au milieu de la Terre. Laxe z est parallle laxe de
rotation de la Terre et pointe vers le Nord. Laxe x coupe la sphre terrestre au mridien de Greenwich,
et laxe y est dans le plan de lquateur.

2.2 Modle dvolution

Dans cette section, nous nous intressons au modle dvolution du vecteur dtat Xt ,
cest--dire la loi de Xt sachant ltat prcdent Xt1 .
Nous ne traitons dabord que le cas de la composante xt , que nous gnralisons ensuite
aux composantes yt et zt .
Le modle dvolution le plus simple envisager est celui de la marche alatoire, dfini
par lquation suivante :
xt = xt1 + ut1 (10)
o ut est un bruit blanc. Ce modle est trop imprcis, car dans la pratique on peut consi-
drer quun vhicule voluant en milieu urbain suit une trajectoire rectiligne uniforme en
moyenne et ne se dplace pas de manire compltement alatoire.
Nous optons pour le modle acclration quasi-nulle (ou nulle en moyenne), cest--
dire vitesse quasi-constante. Ce dernier est rgi par lquation diffrentielle suivante :
at = xt = wt (11)
o at est lacclration du vhicule et wt un bruit blanc gaussien centr et de variance w2 .
Ce bruit modlise une acclration non pas nulle mais quasi-nulle, ce qui permet de
dcrire la dynamique dun vhicule voluant en milieu urbain.
On considre lquation diffrentielle xt = wt .
On se ramne une quation du premier ordre en posant xt = [xt , x t ]T . On a donc

xt = [x t , xt ]T . Lquation dvolution de xt scrit comme suit :

x t 0 1 xt 0
xt = = + wt (12)
xt 0 0 x t 1

0 1 0
ou de manire plus compacte xt = Axt + Bwt avec A = et B =
0 0 1
La solution dune telle quation diffrentielle est donne par la relation suivante [4] :
Z t
A(tt0 )
xt = e xt0 + eA(ts) Bw(s)ds (13)
t0
o t0 est le temps initial.
Dans notre tude, nous nous intressons la variable xtk par rapport linstant prc-
dent xtk1 , donc nous allons discrtiser cette solution en prenant t = tk et t0 = tk1 . Plus
prcisment,nous avons tk = kT et tk1 = (k 1)T o T est la priode dchantillonnage
qui est ici lintervalle de temps entre deux mesures GPS conscutives. Il vient donc :
Z tk Z tk
A(tk tk1 ) A(tk s)
xtk = e xtk1 + e AT
Bw(s)ds = e xtk1 + eA(tk s) Bw(s)ds (14)
tk1 tk1

Soit en approchant eAT par I + AT et eA(tk s) par I + A(tk s) en effectuant un

dveloppement de Taylor tronqu lordre 1 :
Z kT
xtk = (I + AT )xtk1 + (I + A(tk s))Bw(s)ds = Fx xtk1 + utk1 (15)
(k1)T

1 T
o Fx = et utk , not par la suite uk par souci de simplicit, est un bruit gaussien
0 1
centr, puisque w(t) lest aussi.
Il reste dterminer la matrice de covariance Qx de uk :

Z kT Z kT
1 tk s 0 tk s
uk = w(s)ds = w(s)ds
(k1)T 0 1 1 (k1)T 1
Z kT Z kT
kT s
E[uk uTk ]

Qx = =E w(s)ds kT v 1 w(v)dv
(k1)T 1 (k1)T
Z kT Z kT
kT s
= kT v 1 E[w(s)w(v)]dsdv (16)
(k1)T (k1)T 1
w(t) tant un bruit blanc, sa fonction dautocorrlation scrit E[w(s)w(v)] = w2 (s v)
et lexpression (16) peut tre simplifie comme suit :
Z kT
2 (kT s)2 (kT s)
Qx = w ds
(k1)T (kT s) 1
" #kT
(kT s)3 (kT s)2
3 2
= w2 (kT s)2
2 s
(k1)T
T3 T2
= w2 T32 2 . (17)
2
T
Lvolution du vecteur xk est donc rgie par lquation aux diffrences suivante :
xk = Fx xk1 + uk1 (18)

1 T
avec Fx = et uk N (0, Qx ) o N (0, Qx ) est la loi normale multivarie, de
0 1
vecteur moyen 0 et de matrice de covariance Qx .
Lvolution des composantes yt et zt suit le mme modle que dans (18), et on admet
que le biais dhorloge bt possde la mme matrice de transition Fx et une matrice de co-
variance Qb [6].
On peut donc construire une matrice de transition F = diag(Fx , Fx , Fx , Fx ) et une ma-

trice de covariance Q = diag(Qx , Qx , Qx , Qb ) et en posant Xt = [xt , x t , yt , y t , zt , zt , bt , dt ]T ,
o dt est la drive du biais dhorloge bt appele drive, on a :
Xt = F Xt1 + ut o ut N (0, Q). (19)
Autrement dit, le modle dvolution est dcrit par :
Xt |Xt1 N (F Xt1 , Q). (20)

3 Filtre particulaire
3.1 Rsolution du problme de navigation
De faon gnrale, le problme de navigation consiste retrouver les coordonnes du
vecteur Xt en utilisant les mesures de pseudo-distance Yt et le modle dvolution.
La mthode la plus classique est la technique des moindres carrs qui ne considre
pas la dynamique des paramtres inconnus. Celle-ci permet de rsoudre des problmes
linaires du type Y = HX + en minimisant le critre QM C (X) = kY HXk2 .
Cela conduit lestimateur X

b suivant :
b = (H T H)1 H T Y
X (21)
Dans le cas du problme de navigation, la fonction dobservation ht nest pas linaire.

Afin dappliquer la technique des moindres carrs, il est donc ncessaire de linariser ht .
Par un dveloppement de Taylor au premier ordre autour dun point de rfrence Xr
proche de Xt , on obtient :
Yt = ht (Xt ) + vt ht (Xr ) + ht|Xt =Xr (Xt Xr ) + vt

ht (Xr ) + Ht (Xt Xr ) + vt (22)
o Ht est la matrice des drives partielles de ht values au point de rfrence Xr .
Calcul de Ht :
La k e composante de hp e
t , correspondant la pseudo-distance fournie par le k satellite,
est donne par : h (X) = (x xk )2 + (y y k )2 + (z z k )2 + b, o X = [x, y, z, b]T .
k
p
En posant rk = (x xk )2 + (y y k )2 + (z z k )2 , on a :
hk (x xk ) hk (y y k ) hk (z z k ) hk
(X) = , (X) = , (X) = , (X) = 1 (23)
x rk y rk z rk b
On peut ainsi calculer la matrice Ht au point de linarisation Xr . En pratique, on
prendra comme point Xr le point calcul linstant prcdent Xt1 .
On note que cette linarisation consiste approcher localement la sphre entre le r-

cepteur et le k e satellite de rayon Yt (k) par un plan. Cette approximation est correcte
dans la mesure o le rayon Yt (k) est de lordre de 20 000 km, ce qui est grand par rapport
aux distances calcules sur Terre.
En posant Zt = Yt ht (Xr ) + Ht Xr , on obtient alors :
Zt = Ht Xt + vt (24)
Cette quation est bien linaire par rapport Xt , ce qui permet dappliquer lalgorithme
des moindres carrs.

Nous avons utilis pour lensemble de nos simulations la trajectoire simule dun vhi-
cule se dplaant dans Talence sur une dure de 954 secondes. Les coordonnes du vhicule
sont reprsentes dans le repre local NED 3 . cette trajectoire sont associes des mesures
de pseudo-distances fournies par environ 8 satellites. Nous avons estim la trajectoire
partir de ces pseudo-distances, et nous pouvons comparer cette estimation la trajectoire
relle : en traant la trajectoire relle en rouge continu et la trajectoire estime en bleu,
on observe les rsultats suivants :
Figure 3: Estimation de la trajectoire par moindres carrs
Nous avons galement calcul lerreur quadratique moyenne associe, cest--dire la

moyenne des diffrences entre la trajectoire relle et la trajectoire estime pour les deux
composantes X, Y . La composante Z est nglige car elle nest pas reprsentative dans le
cadre de nos simulations.
On obtient une erreur moyenne EQM = [EX , EY ] = [6.9892, 6.2622] m.
Cette technique fournit une bonne estimation de la trajectoire et est couramment

utilise. Cependant, la prsence de multitrajets ne garantit plus un bruit additif gaussien,
ce qui perturbe lalgorithme et fausse lestimation de la trajectoire.
3. Le systme de coordonnes NED est un repre local centr sur un point de la surface terrestre P0 .
Laxe N est tangent la sphre et pointe vers le Nord, laxe E pointe vers lEst et laxe D pointe vers la
verticale locale.

On observe sur la figure (4) lestimation dune trajectoire sur un intervalle de temps de
954 secondes partir de mesures biaises. Ce biais est caractris par un saut de moyenne
de 100 m sur la priode de temps de 100 500 secondes :
Figure 4: Estimation de la trajectoire biaise par moindres carrs
On constate que la trajectoire estime est dcale de la trajectoire relle de quelques

dizaines de mtres aux instants o les mesures sont bruites. Cela montre les limites de cet
algorithme face au problme des multitrajets. Afin de prendre en compte ces phnomnes,
nous allons utiliser le filtrage particulaire.

3.2 Filtre particulaire

3.2.1 Estimation baysienne squentielle
Soit un modle dobservation donn par lquation de mesure Yt = ht (Xt , vt ) et un
modle dvolution donn par Xt = ft (Xt1 , ut1 ). La fonction ht est appele fonction
dobservation et la fonction ft fonction dvolution. Nous nous plaons dans un cadre
baysien o lobjectif est de calculer la loi a posteriori p(Xt |Y1:t ) [5]. On peut ensuite en
dduire des estimations ponctuelles de Xt .
Lalgorithme permettant destimer le vecteur dtat Xt rcursivement opre en deux

tapes : une tape de prdiction o lon prdit la valeur de Xt partir de Xt1 et de ft , et
une tape de correction o lon ajuste la valeur de Xt partir de lobservation Yt reue
linstant t.
1. Prdiction :
On connait p(Xt |Xt1 ) donne par le modle dvolution et p(Xt1 |Y1:t1 ), la loi
a posteriori linstant t 1, avec Y1:t1 lensemble des mesures obtenues jusqu
linstant t 1. Le but est dobtenir la densit de probabilit p(Xt |Y1:t1 ). On a :
Z
p(Xt |Y1:t1 ) = p(Xt , Xt1 |Y1:t1 ) dXt1 (25)
Xt1
Soit en appliquant la loi de Bayes :

Z
p(Xt |Y1:t1 ) = p(Xt |Xt1 , Y1:t1 ) p(Xt1 |Y1:t1 ) dXt1 (26)
Xt1
Comme Xt1 contient dj les informations apportes par Y1:t1 , il vient :
p(Xt |Xt1 , Y1:t1 ) = p(Xt |Xt1 ) (27)
Nous obtenons ainsi la formule de Chapman-Kolmogorov [8] :

Z
p(Xt |Y1:t1 ) = p(Xt |Xt1 ) p(Xt1 |Y1:t1 ) dXt1 (28)
Xt1
2. Mise jour :
On utilise la densit de prdiction p(Xt |Y1:t1 ) et la mesure linstant t, Yt :
p(Xt |Y1:t ) = p(Xt |Y1:t1 , Yt )

p(Xt , Yt |Y1:t1 )
=
p(Yt |Y1:t1 )
p(Yt |Xt , Y1:t1 ) p(Xt |Y1:t1 )
= R (29)
Xt
p(Xt , Yt |Y1:t1 ) dXt
Comme lintgrale dans le dnominateur de (29) est indpendante de Xt , on peut

la considrer constante. De plus, p(Yt |Xt , Y1:t1 ) = p(Yt |Xt ) donc on obtient :
p(Yt |Xt ) p(Xt |Y1:t1 )

p(Xt |Y1:t ) = (30)
Cste

3.2.2 Mthodes de Monte-Carlo

Il est gnralement impossible de calculer les intgrales des formules de Chapman-
Kolmogorov. On ne peut donc pas appliquer directement les quations dfinies dans le
paragraphe 3.2.1. On utilise ainsi les mthodes de Monte-Carlo [1] qui ont pour but dap-
procher des lois par des lois discrtes dont les points support sont obtenus par simulation.
Pour cela, on approche la loi p par une loi discrte e

p:
Ns
1 X
p(x) ' e
p(x) = (x xi ) (31)
Ns i=1
o les chantillons xi sont gnrs selon la loi p et o Ns est le nombre dchantillons

gnrs.
p(x) tend presque srement vers la loi cible p(x) lorsque

Lapproximation discrte e
Ns + et en particulier, on a :
Z ZNs Ns Z Ns
1 X i 1 X 1 X
E[x] = xp(x)dx x (x x )dx = x(x xi )dx = xi
p p Ns i=1 Ns i=1 p Ns i=1
(32)
En pratique, il est souvent impossible de simuler les xi directement selon p(x). Une
alternative est deffectuer un chantillonnage dimportance : on simule selon une loi q(x)
plus simple gnrer telle que le support de q contienne celui de p, et on prend :
Ns
X (xi )
p(x) wi (x xi ) o wi , avec (x) p(x) (33)
i=1
q(xi )
Et on normalise les wi pour sassurer que lapproximation pe(x) obtenue est bien une
loi de probabilit.
On a de mme :
Z Z Ns
p(x) p(x) 1 X
Ep [x] = xp(x)dx = xq(x) dx = Eq x xi w i (34)
p p q(x) q(x) Ns i=1
3.2.3 Principe du filtrage particulaire

Le filtrage particulaire est une mthode de Monte-Carlo squentielle.
On estime la loi a posteriori p(X0:t |Y1:t ) en utilisant une loi de proposition q(X0:t |Y1:t )
0:t |Y1:t )
et en prenant le poids wt p(X
q(X0:t |Y1:t )
.
Le principe du filtrage particulaire est de simuler Ns particules (ou trajectoires)

Xi0:t= (Xi0 , Xi1 , . . . , Xit ) pour i = 1, . . . , Ns . Ces particules sont gnres de manire
squentielle : on suppose linstant t 1 gnrs les points (X0 i , Xi1 , . . . , Xit1 ) = Xi0:t1 .

linstant t, la loi de proposition peut donc se dcomposer ainsi :
q(Xi0:t |Y1:t ) = q(Xit |Xi0:t1 , Y1:t ) q(Xi0:t1 |Y1:t ) = q(Xit |Xit1 , Yt ) q(Xi0:t1 |Y1:t1 )
(35)
car Xit ne dpend que de Xit1 et Yt , et Xi0:t1 ne dpend pas de Yt . On remarque que le
terme q(Xi0:t1 |Y1:t1 ) fait rfrence au calcul effectu ltape t 1.
On a aussi :
p(Xi0:t , Yt |Y1:t1 )
p(Xi0:t |Y1:t ) =
p(Yt |Y1:t1 )
p(Yt |Xi0:t , Y1:t1 )p(Xi0:t |Y1:t1 )
=
p(Yt |Y1:t1 )
p(Yt |Xt )p(Xi0:t1 , Xit |Y1:t1 )
i
=
p(Yt |Y1:t1 )
p(Yt |Xit )
= p(Xit |Xi0:t1 , Y1:t1 )p(Xi0:t1 |Y1:t1 )
p(Yt |Y1:t1 )
p(Yt |Xit )
= p(Xit |Xi0:t1 )p(Xi0:t1 |Y1:t1 ) (36)
p(Yt |Y1:t1 )
Ainsi, lors du calcul du poids des particules Xi0:t :
p(Xi0:t |Y1:t ) p(Yt |Xit ) p(Xit |Xi0:t1 ) p(Xi0:t1 |Y1:t1 )

wti (37)
q(Xi0:t |Y1:t ) p(Yt |Y1:t1 ) q(Xit |Xit1 , Yt ) q(Xi0:t1 |Y1:t1 )
En remarquant que le terme p(Yt |Y1:t1 ) est indpendant de Xit on peut linclure dans
le coefficient de proportionnalit. De plus, Xit ne dpend que de Xit1 dans p(Xit |Xi0:t1 ).
On obtient finalement :
p(Yt |Xit )p(Xit |Xit1 )
wti i
wt1 (38)
q(Xit |Xit1 , Yt )
Les poids admettent donc une expression rcursive.
3.2.4 Algorithme du filtrage particulaire

Lalgorithme de filtrage particulaire fonctionne de la faon suivante :
1. Gnration des particules Xit :
chaque instant t, pour t = 1, . . . , N et pour chaque particule i, avec i = 1, . . . , Ns ,
on gnre Xit q(Xt |Xit1 , Yt )
2. Calcul du poids :
p(Yt |Xit )p(Xit |Xit1 )

wti i i
i
wt1 (39)
q(Xt |Xt1 , Yt )
On normalise les poids pour obtenir une loi de probabilit :

i
fi = P wt
w (40)
t Ns
i=1 wti

3. Estimation du vecteur dtat Xt (au sens de la minimisation de lerreur quadratique

moyenne (MMSE) ) : on moyenne la valeur de chaque particule pondre par les
eti :
poids w
Ns
X
X
bt = fi Xi
w (41)
MMSE t t
i=1
Ainsi, les particules de plus fort poids ont un impact plus important sur lestimation.
La mthode la plus intuitive et la plus simple de filtrage particulaire est celle qui gnre
les particules Xit laveugle : on approxime q(Xit |Xit1 , Yt ) par p(Xit |Xit1 ). Autrement
dit, on nglige linformation apporte par lobservation Yt .
Lors du calcul du poids, on obtient :
p(Yt |Xit )p(Xit |Xi0:t1 ) i p(Yt |Xit )p(Xit |Xit1 ) i

wti i i
wt1 i i
wt1
q(Xt |Xt1 , Yt ) p(Xt |Xt1 )
Et ainsi, wti p(Yt |Xit )wt1

i
(42)
On peut ensuite normaliser les poids et calculer

Ns
X
X
bt = fi Xi
w (43)
MMSE t t
i=1
3.2.5 Rechantillonnage
En pratique, lorsque lon implmente le filtrage particulaire, on constate une dgn-
rescence des poids des particules. En effet, au bout dun certain temps, seules quelques
particules ont un poids encore significatif tandis que la plupart ont un poids nul. On perd
alors le bnfice du nombre de particules. Pour remdier cela, on effectue un rechan-
tillonnage des particules si le nuage de particules est dgnr : on estime linstant t le
nombre efficace de particules par N bt = PN 1 2 [5]. Si celui-ci est infrieur un seuil, on
s i
i=1 wt
effectue un rechantillonnage. Celui consiste re-tirer Ns particules selon une loi multi-
nomiale de points support les particules, et de probabilit lmentaire les poids wti . On
utilise pour cela la mthode dinversion de la fonction de rpartition : on calcule partir
des valeurs des poids wti leur fonction de rpartition F , puis en simulant une loi uniforme
U sur [0, 1], on gnre les particules rechantillonnes xit F 1 (U ) qui suit bien la loi
donne par les poids wti .
1
On obtient ainsi Ns particules, auxquelles on attribue le poids wti = Ns
.

3.2.6 Quelques rsultats

Nous avons implment sous Matlab la mthode du filtrage particulaire pour estimer
la mme trajectoire que celle obtenue avec les moindres carrs partir des donnes GPS
simules.
Nous pouvons observer sur la figure ci-dessous la trajectoire relle en rouge, en continu,
et son estimation par filtrage particulaire en bleu, en prenant Ns = 500 particules :
Figure 5: Estimation de la trajectoire par filtrage particulaire
Nous avons galement calcul lerreur quadratique moyenne associe :

EQM = [EX , EY ] = [5.5405, 5.0179] m.
On remarque que lon gagne environ 1 m sur la prcision horizontale.

3.3 Filtrage particulaire tendu

Dans cette section, on ne fait plus lapproximation q(Xit |Xit1 , Yt ) p(Xit |Xit1 ).
La loi optimale [3] (dans le sens o les poids des particules gnres seraient de variance
minimale) serait en fait q(Xit |Xit1 , Yt ) = p(Xit |Xit1 , Yt ), cest--dire que lon utiliserait
linformation fournie par les observations Yt .
On va donc gnrer les particules Xit selon la loi optimale p(Xit |Xit1 , Yt ) :
p(Xt , Yt |Xt1 )
p(Xt |Xt1 , Yt ) =
p(Yt |Xt1 )
p(Yt |Xt , Xt1 )p(Xt |Xt1 )
=
p(Yt |Xt1 )
p(Yt |Xt )p(Xt |Xt1 )
=
p(Yt |Xt1 )
p(Yt |Xt )p(Xt |Xt1 )
= (44)
Cste
R
o la constante Cste = p(Yt |Xt1 ) = Xt p(Yt |Xt )p(Xt |Xt1 )dXt est indpendante de
Xt .
On a : Xt |Xt1 N (Xt ; F Xt1 , Q) daprs le modle dvolution. En notant nx la

taille du vecteur dtat, on a :
(2)nx /2

1 T 1
p(Xt |Xt1 ) = exp (Xt F Xt1 ) Q (Xt F Xt1 ) (45)
det(Q)1/2 2
De mme, Yt |Xt N (Yt ; ht (Xt ), Rv ) o Rv = v2 Int en notant nt le nombre de

satellites en vue linstant t (et donc la taille du vecteur Yt ). On a :
(2)nt /2

1 T 1
p(Yt |Xt ) = exp (Yt ht (Xt )) Rv (Yt ht (Xt )) (46)
det(Rv )1/2 2
La proprit de conjugaison de gaussiennes garantit que le produit de deux gaussiennes

reste gaussien. Dans ce cas cependant, le terme dans lexponentielle de p(Yt |Xt ) nest pas
linaire par rapport Xt , ce qui va empcher le produit p(Yt |Xt )p(Xt |Xt1 ) dtre gaus-
sien.
On va donc linariser la fonction ht afin de pouvoir simuler p(Xt |Xt1 , Yt ) sous forme
dune gaussienne. On utilise pour cela les formules (22) (24) calcules pour lalgorithme
des moindres carrs qui dfinissent la matrice Ht .
Aprs linarisation de ht en Ht , on a :
(2)nt /2

1 T 1
p(Zt |Xt ) = exp (Zt Ht Xt ) Rv (Zt Ht Xt ) (47)
det(Rv )1/2 2

Lorsque lon multiplie p(Zt |Xt ) p(Xt |Xt1 ), le terme quadratique lintrieur de
lexponentielle est :
Q(Xt ) = (Xt F Xt1 )T Q1 (Xt F Xt1 ) + (Zt Ht Xt )T Rv1 (Zt Ht Xt )

= XTt Q1 Xt + (F Xt1 )T Q1 F Xt1 2XTt Q1 F Xt1 + ZTt Rv1 Zt + XTt HtT Rv1 Ht Xt
2XTt HtT Rv1 Zt
= XTt (Q1 + HtT Rv1 Ht )Xt 2XTt (Q1 F Xt1 + HtT Rv1 Zt ) + ZTt Rv1 Zt
+XTt1 F T Q1 F Xt1 (48)
On peut alors identifier la covariance et la moyenne du produit p(Zt |Xt ) p(Xt |Xt1 )
daprs lannexe A :
1 1
C = Q1 + HtT Rv1 Ht C = Q1 + HtT Rv1 Ht
(49)
1 1 T 1 1 T 1
C = Q F Xt1 + Ht Rv Zt = C(Q F Xt1 + Ht Rv Zt )

p lapproximation de la loi optimale :

Ainsi, en notant e
p(Zt |Xt ) p(Xt |Xt1 )

p(Xt |Xt1 , Zt ) = R = N (Xt ; , C) (50)
p(Zt |Xt ) p(Xt |Xt1 )dXt
e
Xt
p(Xt |Xit1 , Yt ) = N (Xt ; , C). Et pour la

On peut alors gnrer les particules Xit e
mise jour des poids, on value
p(Yt |Xit ) p(Xit |Xit1 ) i

wti wt1 (51)
p(Xit |Xit1 , Yt )

3.3.1 Rsultats et comparaison avec le filtre particulaire simple

On peut ainsi implmenter le filtrage particulaire tendu et comparer ses performances
avec celles du filtrage particulaire simple. partir des mmes donnes simules et avec le
mme nombre de particules, on obtient lestimation de trajectoire suivante :
Figure 6: Estimation de la trajectoire par filtrage particulaire tendu
Lerreur quadratique moyenne associe est E = [EX , EY ] = [5.9132, 6.2143]
Afin de comparer les diffrentes mthodes mises en uvre ci-dessus, nous avons cal-
cul les erreurs quadratiques de position moyennes sur vingt itrations de chacun des
algorithmes. Nous obtenons les rsultats suivants :
Erreurs quadratiques moyenne X Y

sur 20 trajectoires
Moindres carrs 7.4164 7.2640
Filtrage particulaire de base 7.4221 7.7300
Filtrage particulaire tendu 6.1978 6.3784
Table 1: Erreurs quadratiques moyennes sur 20 estimations de la trajectoire
On note une lgre amlioration denviron 1 mtre avec le filtrage particulaire tendu
par rapport aux deux autres mthodes.

4 Multitrajets
On sintresse maintenant aux multitrajets, et on cherche attacher ce phnomne
un modle qui permette de les prendre en compte dans la rsolution du problme de na-
vigation.
Les multitrajets peuvent tre modliss par un saut de moyenne ou un saut de variance
selon la prsence ou non de trajets directs. Lquation dobservation est alors donne par
Yt = ht (Xt ) + vt + mt (52)
o mt reprsente le saut de moyenne ou de variance li aux multitrajets.
4.1 Modle associ

Les multitrajets sont le plus souvent lis, dans un environnement urbain, la rflexion
du signal GPS sur des btiments alentours. On considre donc quun tel phnomne est
corrl dans le temps, cest--dire que la prsence de multitrajets linstant t dpend de
leur prsence aux instants prcdents. Un choix classique pour reprsenter des signaux
corrls est un modle auto-rgressif dordre p [2] :
p
X
mt (k) = ait mti (k) + t (k) (53)
i=1
o les (ait )i=1:p sont les coefficients du modle AR linstant t et t un bruit blanc
2
gaussien de variance m .
Les coefficients du modle AR sont choisis variant dans le temps. De cette faon, il est
possible de modliser des comportements diffrents selon la vitesse du vhicule et lenvi-
ronnement de propagation.
Estimation du modle AR :
Ce modle ntant pas stationnaire, les coefficients du modle voluent au cours du

temps. Il est donc ncessaire chaque instant de les estimer en mme temps que la tra-
jectoire dans le filtre particulaire. Cela conduit un vecteur dtat augment
e t = [XT , mT , aT ]T .
X t t t
Il faut donc associer un modle aux coefficients (ait )i=1:p . Nous avons retenu le modle
de la marche alatoire contrainte qui assure la stabilit des coefficients au cours du temps
donn par :
N (ait1 , a2 ) si max{|p|; 1 pi=1 ait pi = 0} < 1

P
i i 2
(at |at1 , a ) (54)
0 sinon
De plus, la relation (53) nous donne :

p
X
(mt |mt1,...,tp ) N ( ait mti , m
2
) (55)
i=1

Dans un premier temps, nous nous sommes intresses la mise en place du filtrage
particulaire afin destimer uniquement les coefficients du modle auto-rgressif ainsi que
les multitrajets, indpendamment du problme de navigation GPS, en supposant les va-
2
riances a2 et m connues, gales 1 4 .
Nous avons simul des multitrajets selon le modle ci-dessus, puis nous avons cherch
les estimer par filtrage particulaire. En choisissant un modle auto-rgressif dordre p = 3,
nt = 3 satellites, cest--dire trois multitrajets estimer, et Ns = 500 particules, nous
obtenons les estimations suivantes :
Figure 7: Simulation des multitrajets (en rouge) et estimation (en pointills bleu)
Nous avons pu ensuite intgrer ce modle de multitrajets lalgorithme de naviga-

tion afin destimer conjointement les coordonnes du mobile et les trajets multiples. Nous
avons pour cela considr le vecteur dtat augment X e t = [XT , aT , mT ]T . Laugmenta-
t t t
tion significative de la taille du vecteur dtat implique une augmentation du nombre de
particules lors de lexcution de lalgorithme de filtrage particulaire.
4. terme, il faudrait estimer ces variances. Le principe est dtaill en annexe C.

4.2 Loi optimale

Comme prcdemment, nous nous intressons la loi optimale afin dimplmenter le
filtrage particulaire tendu. La loi de simulation optimale est
q(Xt |Xt1 , Yt ) = p(Xt |Xt1 , Yt ) (56)
Afin dexpliciter cette loi, nous rappellons tout dabord les diffrents modles dont nous
disposons :
Modle dobservation : Les pseudo-distances sont lies aux coordonnes de position
du mobile et du satellite par lquation
Yt = ht (Xt ) + mt + vt (57)
Comme Yt est de dimension nt (le nombre de satellites), et vt un bruit blanc gaussien

centr de variance Rv = v2 Int , la loi dobservation est alors :
p(Yt |Xt , mt ) = N (Yt ; ht (Xt ) + mt , Rv ) (58)
Modle du mouvement : on a dfini dans la section 2.2 le modle du mouvement par

lquation dvolution :
Xt = F Xt1 + ut (59)
o Xt est de dimension nx et ut un bruit blanc gaussien centr de matrice de

covariance Q. Ainsi, la loi dvolution est :
p(Xt |Xt1 ) = N (Xt ; F Xt1 , Q) (60)
Modle dvolution des coefficients at du modle AR : On dispose pour chaque

modle AR de p coefficients. On note at (k) = [a1t (k), . . . , apt (k)]T le vecteur des
coefficients associs au multitrajet affectant le k e satellite. On regroupe lensemble
de ces coefficients dans le vecteur at = [at (1)T , . . . , at (nt )T ]T , de taille (nt p, 1). La
loi dvolution des coefficients at est alors :
p(at |at1 ) = N (at ; at1 , Ra ) avec Ra = a2 Int p (61)
Modle dvolution des multitrajets mt : on a utilis un modle auto-rgressif dordre

p, que lon note sous la forme :
p
mt = Mt1 at + t (62)
o mt est un vecteur de taille nt (nous considrons un multitrajet par satellite

2 p
visible) et t un bruit blanc gaussien centr de variance Rm = m Int . Mt1 est
une matrice diagonale par blocs contenant les p prcdents multitrajets ncessaires
au modle AR. Pour chaque satellite, ces valeurs sont stockes dans le vecteur de
p p
taille p : Mt1 (k) = [mt1 (k), . . . , mtp (k)]T , et donc la matrice Mt1 dfinie par
p p
Mt1 = diag(Mt1 (i))i=1:nt est de taille (nt , nt p). La loi est ainsi donne par :
p
p(mt |mt1 ) = N (mt ; Mt1 at , Rm ) (63)

On regroupe lensemble des paramtres estimer dans le vecteur dtat tendu

e t = [XT , aT , mT ]T
X (64)
t t t
Les dpendances statistiques entre les diffrentes variables sont explicites sur le graphe
suivant :
Figure 8: Modle de dpendance
De ce graphe, on en dduit la loi a priori lie au vecteur dtat tendu, donne par :
p(X e t1 ) = p(Xt |Xt1 )p(at |at1 )p(mt |M p , at )

e t |X (65)
t1
On peut partir des lois et des dpendances explicites ci-dessus calculer la loi optimale
e t |X
q(X e t1 , Yt ) p(X
e t |X
e t1 , Yt ) :
e t1 , Yt ) = p(Xt , at , mt |Xt1 , at1 , M p , Yt )

e t |X
p(X t1
p p
= p(at |Xt , mt , Xt1 , at1 , Mt1 , Yt )p(Xt , mt |Xt1 , at1 , Mt1 , Yt )
p p p
= p(at |mt , at1 , Mt1 )p(mt |Xt , Xt1 , at1 , Mt1 , Yt )p(Xt |Xt1 , at1 , Mt1 , Yt )
(66)
Ainsi, la loi optimale peut tre dcompose de la faon suivante :
p(X e t1 , Yt ) = p(at |mt , at1 , M p )

e t |X (a)
t1
p
p(mt |Xt , at1 , Mt1 , Yt ) (b)
p
p(Xt |Xt1 , at1 , Mt1 , Yt ) (c)
Les calculs de (a), (b) et (c) sont dtaills en annexe B. On obtient les lois suivantes :
Loi de simulation de at :
p
p(at |mt , at1 , Mt1 ) = N (at ; at , at ) (67)
p T 1 p
a
t = (Mt1 Rm Mt1 + Ra1 )1
avec (68)
p T 1
at at [Mt1 Ra1 at1 ]

= Rm mt +

Loi de simulation de mt :
p
p(mt |Xt , at1 , Mt1 , Yt ) = N (mt ; m m
t , t ) (69)
p p T 1 1

1 1 1
m a
t = (Rv + Rm Rm Mt1 t Mt1 Rm )
avec (70)
1 1 p
m = m
t (Rv (Yt ht (Xt )) + Rm Mt1 at Ra1 at1 )

t
Loi de simulation de Xt :
p
p(Xt |Xt1 , at1 , Mt1 , Zt ) = N (Xt ; X X
t , t ) (71)

X T 1 1 T 1 m 1
1
t = Ht Rv Ht + Q Ht Rv t Rv Ht

avec
X = X ZT R1 Ht + XT F T Q1 ZT R1 m R1 Ht at1 R1 a M p T R1 m R1 Ht T

t t t v t1 t v t v a t t1 m t v
(72)
4.3 Rsultats
Nous avons implment le filtrage particulaire tendu prenant en compte les multi-
trajets sur des mesures bruites par les multitrajets. Nous avons ajout aux mesures de
chacun des satellites, sur tout lintervalle de temps, des multitrajets gnrs partir du
modle AR dordre p = 4 avec des variances m et a gales 1. Il a fallu augmenter
le nombre de particules Ns = 1000 afin de compenser laugmentation du nombre de
paramtres estimer. Nous obtenons une estimation de trajectoire de la sorte :
Figure 9: Estimation de la trajectoire par filtrage particulaire tendu adapt aux multi-
trajets

Si les rsultats ne sont pas forcment bien meilleurs que ceux obtenus sans traiter
les phnomnes de multitrajets, cet algorithme permet en plus de bien estimer la valeur
des multitrajets. La figure (10) montre lestimation de certains multitrajets ainsi que leur
valeur relle :
Figure 10: Gnration de multitrajets (en rouge continu) et estimation (en bleu)
Nous pouvons comparer les rsultats obtenus avec les diffrentes mthodes, sur des me-
sures bruites par des multitrajets. Afin de laisser aux multitrajets le temps de sinstaller
pour quils perturbent notablement les mesures, nous ne considrons lerreur moyenne
que sur la seconde moiti du trajet. Nous comparons dans le tableau suivant les erreurs
moyennes sur 10 simulations de 100 secondes obtenues avec respectivement lalgorithme
des moindres carrs, les algorithmes de filtrage particulaire simple et tendus ne prenant
pas en compte les multitrajets, et les algorithmes de filtrage particulaire simple et tendu
qui traitent les problmes de trajets multiples :
Erreurs quadratiques moyenne X Y

sur 10 trajectoires
Moindres carrs 14.0386 7.7367
Filtrage particulaire de base (Fb) 7.1121 6.0523
Filtrage particulaire tendu (Fe) 7.1725 6.5270
Fb + multitrajets 8.0618 7.0893
Fe + multitrajets 8.5237 6.2079
Table 2: Erreurs quadratiques moyennes sur 10 estimations de la trajectoire avec ajout

de multitrajets de variance m = 1
Mis part pour les moindres carrs, les autres algorithmes offrent des taux der-
reur quivalents. La robustesse du premier filtrage particulaire est dailleurs surprenante.
On constate sur les simulations des multitrajets que ceux-ci ne sont pas ngligeables (il
peuvent monter jusqu une trentaine de mtres), et le filtrage particulaire parvient tout
de mme estimer correctement la trajectoire du mobile. Cependant, le filtre particulaire
adapt aux multitrajets offre en plus de la trajectoire une assez bonne estimation de ces
multitrajets.

5 Conclusion
Ce projet nous a permis dtudier une mthode destimation baysienne, et de lappli-
quer au problme concret de navigation GPS. Si de nombreux algorithmes existent pour
lestimation de la position GPS, nous avons choisi dtudier en particulier le filtrage par-
ticulaire. Celui-ci offre une bonne prcision dans des conditions nominales dutilisation.
Nous avons ensuite tendu notre algorithme lestimation des multitrajets qui peuvent
affecter les mesures et les algorithmes usuels. Nous avons utilis comme modle dvolu-
tion des multitrajets un modle auto-rgressif qui permet dassurer une corrlation dans
le temps des coefficients. En intgrant ce modle au filtrage particulaire afin destimer les
coefficients du modle auto-rgressif ainsi que les multitrajets, nous avons mis en place un
algorithme qui permet destimer les trajets multiples et de les prendre en compte dans le
calcul de la position.
Lestimation des valeurs des multitrajets est assez bonne, ce qui nous conforte dans
le choix du filtrage particulaire et du modle AR. Cependant, la trajectoire estime
partir de mesures bruites nest pas forcment bien meilleure que celle obtenue avec les
algorithmes standards.
Une possible amlioration pourrait reposer sur la dtection pralable des multitrajets :
en introduisant une variable latente qui vaudrait 1 en prsence de multitrajets et 0 sinon,
nous pourrions nutiliser le filtrage particulaire adapt quen cas de prsence de trajets
multiples et le filtrage simple sinon. Cela permettrait de gagner du temps de calcul, et
probablement de la prcision dans les estimations des multitrajets et de la trajectoire.
Lun des problmes que nous avons rencontrs est li aux nombreux paramtres et
hyper-paramtres qui interviennent dans le filtrage particulaire. Celui-ci repose tout dabord
sur plusieurs lois a priori quil faut dterminer au pralable, et qui dpendent elles-mmes
de paramtres comme les variances, que nous avons d fixer. En particulier, nous avons
d jouer sur les variances a et m intervenant dans le modle AR, ainsi que sur lordre du
modle p. De meilleurs rsultats auraient pu tre obtenus avec dautres jeux de valeurs,
que nous navons malheureusement pas eu le temps de tester. terme, il serait intressant
dajouter lalgorithme une estimation de ces diffrents paramtres.
Le sujet, bas sur la navigation, nous a en premier lieu attires vers ce projet. Il a t
intressant pour nous dassocier cette thmatique des outils mathmatiques qui nous
ont t apports tout au long de notre formation. Nous avons t confrontes au cours de
cette tude des difficults aussi bien mathmatiques qualgorithmiques : nous avons t
amenes calculer des lois de simulation complexes grce en particulier la formule de
Bayes, et mettre en place des algorithmes non triviaux.
Au-del du cadre mathmatique de cette tude, nous avons d grer un projet, son
emploi du temps et les contraintes sous-jacentes. Nous avons galement d apprendre
rdiger un rapport en respectant les contraintes de rigueur, des articles scientifiques
notamment. Ces comptences seront indispensables dans notre vie professionnelle.

Appendices
A Conjugaisons de gaussiennes
Soit X Rn une variable alatoire gaussienne de moyenne et de matrice de cova-
riance C. La densit de X est donne par la formule :
1
p(X) = (2)n/2 det(C)1 exp[ (X )T C 1 (X )]
2
En notant Q(X) la forme quadratique contenue dans lexponentielle de la loi de X, on a :
Q(X) = (X )T C 1 (X )
= XT C 1 X + T C 1 2XT C 1
On peut ainsi identifier la matrice de covariance et la moyenne de la loi de X : linverse

de la matrice de covariance C 1 est le terme dans la partie quadratique en X, et C 1 le
terme de la partie linaire en X.
Cette mthode permet de dterminer les paramtres dune loi gaussienne. En parti-
culier, si la vraisemblance et la loi a priori sont toutes les deux des gaussiennes, alors la
loi a posteriori, proportionnelle au produit de la vraisemblance et de la loi a priori, est
une gaussienne condition que le problme soit linaire. Dans ce cas, on peut retrouver
la moyenne et la matrice de covariance de cette loi partir de la mthode illustre ci-dessus.
B Calcul de la loi optimale

a) Loi de simulation des at
p p p
p p(at , mt |at1 , Mt1 ) p(mt |at1 , at , Mt1 )p(at |at1 , Mt1 )
p(at |mt , at1 , Mt1 ) = =
Cste Cste
p
p(mt |at , Mt1 )p(at |at1 )

1 p T 1 p 1 T 1
exp (mt Mt1 at ) Rm (mt Mt1 at ) (at at1 ) Ra (at at1 )
2 2
p p
car p(mt |Mt1 , at ) = N (mt ; Mt1 at , Rm ) et p(at |at1 ) = N (at ; at1 , Ra ).
Afin dutiliser les proprits de conjugaison de gaussiennes vues en Annexe A, on

dveloppe le terme au sein de lexponentielle et on regroupe les termes quadratiques,
linaires et constants vis--vis des at :
p T 1 p p
f (at ) = aTt [Mt1 Rm Mt1 + Ra1 ]at 2[mTt Rm
1
Mt1 + aTt1 Ra1 ]at + mTt Rm
1
mt + at1 Ra1 at1
p
On en dduit que la loi p(at |mt , at1 , Mt1 ) suit une loi normale de moyenne at et de
covariance at donnes par :
p T 1 p
a
t = (Mt1 Rm Mt1 + Ra1 )1
p T 1
at = at [Mt1 Rm mt + Ra1 at1 ]


b) Loi de simulation des mt

p
p p(mt , Yt |Xt , at1 , Mt1 )
p(mt |Xt , at1 , Mt1 , Yt ) =
Cste
p p
p(Yt |mt , Xt , at1 , Mt1 )p(mt |Xt , at1 , Mt1 )
=
Cste
p
p(Yt |mt , Xt )p(mt |at1 , Mt1 )
De plus, pour faire intervenir la variable at , on utilise la loi jointe et on a :
Z
p p
p(mt |at1 , Mt1 ) = p(mt , at |at1 , Mt1 )dat
at
Z
p p
= p(mt |at , at1 , Mt1 )p(at |at1 , Mt1 )dat
at
Z
p
= p(mt |at , Mt1 )p(at |at1 )dat
at
p
Le calcul de la loi de simulation des at a permis de montrer que p(mt |at , Mt1 )p(at |at1 )
a a 1 T 1 1 a T a 1 a
suit une loi du type N (at ; t , t ) exp[ 2 mt Rm mt + 2 t t t ].
En intgrant par rapport at on rcupre la constante de normalisation de la loi

normale :
p 1 1
p(mt |at1 , Mt1 1
) exp[ mTt Rm mt + at T at 1 at ]
2 2
Il vient donc :
p p
p(mt |Xt , at1 , Mt1 , Yt ) p(Yt |mt , Xt )p(mt |at1 , Mt1 )
1 1 1
exp[ (Yt ht (Xt ) mt )T Rv1 (Yt ht (Xt ) mt ) mTt Rm 1
mt + at T at 1 at ]
2 2 2
En utilisant de mme la proprit de conjugaison de gaussiennes, on montre que :
p
p(mt |Xt , at1 , Mt1 , Yt ) = N (mt ; m m
t , t )
p p T 1 1

1 1 1
m a
t = (Rv + Rm Rm Mt1 t Mt1 Rm )
avec
1 1 p a 1
m m
t = t (Rv (Yt ht (Xt )) + Rm Mt1 t Ra at1 )

c) Loi de simulation de Xt
p
p p(Xt , Yt |Xt1 , at1 , Mt1 )
p(Xt |Xt1 , at1 , Mt1 , Yt ) =
Cste
p p
p(Yt |Xt , Xt1 , at1 , Mt1 )p(Xt |Xt1 , at1 , Mt1 )
=
Cste
p
p(Yt |Xt , at1 , Mt1 )p(Xt |Xt1 )
On utilise ici lintgrale de la loi jointe afin de faire apparatre la variable mt :
Z
p p
p(Yt |Xt , at1 , Mt1 ) = p(Yt , mt |Xt , at1 , Mt1 )dmt
mt
Z
p p
= p(Yt |mt , Xt , at1 , Mt1 )p(mt |Xt , at1 , Mt1 )dmt
mt
Z
p
= p(Yt |mt , Xt )p(mt |at1 , Mt1 )dmt
mt

p
Le calcul de la loi de simulation des mt a permis de montrer que p(Yt |mt , Xt )p(mt |at1 , Mt1 )
suit une loi du type :
1 T 1 1 m T m 1 m
N (mt ; m m
t , t ) exp[ (Yt ht (Xt )) Rv (Yt ht (Xt )) + t t t ]
2 2
En intgrant par rapport mt on rcupre la constante de normalisation de la loi
normale :
p 1 1 T m 1 m
p(Yt |Xt , at1 , Mt1 ) exp[ (Yt ht (Xt ))T Rv1 (Yt ht (Xt )) + m t t ]
2 2 t
On obtient alors :
p p
p(Xt |Xt1 , at1 , Mt1 , Yt ) p(Yt |Xt , at1 , Mt1 )p(Xt |Xt1 )
1 1 T m 1 m 1
exp[ (Yt ht (Xt ))T Rv1 (Yt ht (Xt )) + m
t t t (Xt F Xt1 )T Q1 (Xt F Xt1 )]
2 2 2
Afin de pouvoir obtenir une forme quadratique en Xt pour ensuite utiliser la proprit
de conjugaison de gaussiennes, on linarise comme pour les moindres carrs (section
3.1) la fonction ht en Ht . On effectue la linarisation autour du point X0 = F Xt1 et
on pose Zt = Yt ht (F Xt1 ) + Ht F Xt1 .
p
On peut alors dterminer la loi p(Xt |Xt1 , at1 , Mt1 , Zt ) :
p
p(Xt |Xt1 , at1 , Mt1 , Zt ) = N (Xt ; X X
t , t )

X T 1 1 T 1 m 1
1
t = Ht Rv Ht + Q Ht Rv t Rv Ht

avec
X = X ZT R1 Ht + XT F T Q1 ZT R1 m R1 Ht at1 R1 a M p T R1 m R1 Ht T

t t t v t1 t v t v a t t1 m t v
C Estimation des variances

Dans le cadre de notre projet, et afin de simplifier dans un premier temps le problme,
nous avons suppos connues les variances a2 et m 2
associes au phnomne des multitra-
jets. Or dans la pratique, on ne dispose pas de ces informations. Il est donc ncessaire de
les estimer conjointement aux coefficients ait et mt dans lalgorithme du filtrage particu-
laire.
Pour cela, on a d fixer une loi a priori pour ces variances : on considre que le loga-
rithme de lcart-type t = log(t ) suit une marche alatoire gaussienne [3] . Autrement
dit, les log-cart-types at = log(at ) et mt = log(mt ) suivent les lois suivantes :
(at |at1 , 2 at ) N (at1 , 2 at ) (73)

et (mt |mt1 , 2 mt ) N (mt1 , 2 mt ) (74)
avec 2 at et 2 mt reprsentant les variances des log-cart-types fixes respectivement

0.01 et 0.005.

En prenant toujours p = 3, nt = 3 satellites, et Ns = 500 particules, nous obtenons les

estimations de multitrajets et des variances suivantes :
Figure 11: Simulation (en rouge) et estimation (en pointills bleu) des multitrajets et
des variances

Rfrences
[1] M. Sanjeev Arulampalam, Simon Maskell, Neil Gordon, and Tim Clapp. A tutorial on
particle filters for online nonlinear/non-gaussian bayesian tracking. IEEE, 50, 2002.
[2] Arnaud Doucet, Simon J. Godsill, and Christophe Andrieu. On sequential monte carlo
sampling methods for bayesian filtering. 2000.
[3] Arnaud Doucet, Simon J. Godsill, and Mike West. Monte-carlo filtering and smoothing
with application to time-varying spectral estimation. IEEE, 2000.
[4] Ernest Bruce Lee and Lawrence Markus. Foundations of optimal control theory, 1986.
[5] Mohamed Najim. Modeling estimation and optimal filtering in signal processing, p.
315-333, 2008.
[6] Vincent Pereira. Rapport technique : Apport des copules pour la navigation gps en
prsence de multitrajets par filtrage particulaire. 2011.
[7] Vincent Pereira, Audrey Giremus, and Eric Grivel. Apport des copules pour la navi-
gation gps en prsence de multitrajets par filtrage particulaire, 2011.
[8] Wen shiang Chen. Bayesian estimation by sequential monte carlo sampling for nonli-
near dynamic systems, chap. 2, 2004.

Projet GPS Kalman

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Projet GPS Kalman

Transféré par

Droits d'auteur :

Formats disponibles

Rapport de projet

tude dune nouvelle modlisation

Encadrants : A. Giremus, V. Pereira

Anne universitaire 2011 - 2012

Nous nous intressons dans un premier temps ltude et limplmentation du fil-

milie Darrin, Camille Sutour 1

Table des matires

2 Modles dobservation et dvolution 6

B Calcul de la loi optimale 27

C Estimation des variances 29

milie Darrin, Camille Sutour 2

Figure 1: Estimation de la position du vhicule par trilatration

Cependant, lhorloge du rcepteur nest pas synchronise avec le temps de rfrence

tmesur = tuR tGP

milie Darrin, Camille Sutour 3

Ainsi, la distance mesure est :

Y(k) = ctmesur = ctvrai + ctGP

o r(k) est la distance relle entre le satellite k et le rcepteur et b = ctGP

On obtient ainsi une mesure dite de pseudo-distance donne par la formule :

En plus du biais dhorloge, diffrentes erreurs viennent perturber les mesures de

Il existe de nombreux algorithmes comme lalgorithme des moindres carrs, le filtre

1.2 Les multitrajets

Figure 2: Illustration du phnomne de multitrajets en milieu urbain

milie Darrin, Camille Sutour 4

La rflexion du signal entrane une augmentation du temps de propagation qui fausse

milie Darrin, Camille Sutour 5

2 Modles dobservation et dvolution

2.1 quation de mesure : modle dobservation

Soit Yt (k) la pseudo-distance fournie par le k e satellite de la constellation linstant

Il est possible de rcrire (6) de manire plus compacte, en fonction de Xt , de la manire

Yt (k) = ht,k (Xt ) + vt (k) (8)

milie Darrin, Camille Sutour 6

2.2 Modle dvolution

xt = xt1 + ut1 (10)

o at est lacclration du vhicule et wt un bruit blanc gaussien centr et de variance w2 .

On considre lquation diffrentielle xt = wt .

On se ramne une quation du premier ordre en posant xt = [xt , x t ]T . On a donc

o t0 est le temps initial.

milie Darrin, Camille Sutour 7

Soit en approchant eAT par I + AT et eA(tk s) par I + A(tk s) en effectuant un

Il reste dterminer la matrice de covariance Qx de uk :

On peut donc construire une matrice de transition F = diag(Fx , Fx , Fx , Fx ) et une ma-

milie Darrin, Camille Sutour 8

Cela conduit lestimateur X

Dans le cas du problme de navigation, la fonction dobservation ht nest pas linaire.

Yt = ht (Xt ) + vt ht (Xr ) + ht|Xt =Xr (Xt Xr ) + vt

o Ht est la matrice des drives partielles de ht values au point de rfrence Xr .

On note que cette linarisation consiste approcher localement la sphre entre le r-

En posant Zt = Yt ht (Xr ) + Ht Xr , on obtient alors :

milie Darrin, Camille Sutour 9

Figure 3: Estimation de la trajectoire par moindres carrs

Nous avons galement calcul lerreur quadratique moyenne associe, cest--dire la

Cette technique fournit une bonne estimation de la trajectoire et est couramment

milie Darrin, Camille Sutour 10

Figure 4: Estimation de la trajectoire biaise par moindres carrs

On constate que la trajectoire estime est dcale de la trajectoire relle de quelques

milie Darrin, Camille Sutour 11

3.2 Filtre particulaire

Lalgorithme permettant destimer le vecteur dtat Xt rcursivement opre en deux

Soit en appliquant la loi de Bayes :

Comme Xt1 contient dj les informations apportes par Y1:t1 , il vient :

p(Xt |Xt1 , Y1:t1 ) = p(Xt |Xt1 ) (27)

Nous obtenons ainsi la formule de Chapman-Kolmogorov [8] :

p(Xt |Y1:t ) = p(Xt |Y1:t1 , Yt )