Académique Documents
Professionnel Documents
Culture Documents
30 mars 2010
2 Filtre de Kalman 2
Introduction
En 1960, R.E. Kalman a publié un article intitulé "A new Approach to
Linear Filtering and Prediction Problems". Ses recherches le mènent à y
décrire un processus qui sera connu comme le filtre de Kalman.
1 Principe
Pour comprendre un peu mieux le fonctionnement du filtre de Kalman et
surtout son utilité, nous allons prendre un exemple de la vie quotidienne ou
vous l’utilisez sans vous en rendre compte.
1
Supposons que nous sommes sur un bateau sur lequel nous ramons. Pour
savoir dans combien de temps nous atteindrons le port, nous disposons d’un
certain nombre d’informations, plus ou moins précises :
– un GPS nous donne notre position
– Nos yeux nous donnent une autre estimation de notre distance au port,
ainsi que des obstacles à contourner
– Notre connaissance approximative de notre vitesse de déplacement sur
le début du parcours
2 Filtre de Kalman
Nous appliquons ici le filtre de Kalman à des systèmes qui peuvent être
modélisés par une équation différentielle linéaire stochastique. Nous allons
nous intéresser au cas discret qui est plus simple et surtout qui est le plus
utilisé.
2
∗ w : un bruit blanc appliqué au système
où :
∗ z est le vecteur de mesures des capteurs
∗ H est une matrice déterministe
∗ v est un vecteur de bruit Gaussien blanc
Les vecteurs de mesure ne sont pas non plus connus de manière précise, à
cause du bruit de mesure. Le but du filtre va être de trouver une estimation
x̂ la plus fiable possible, et ce avec les informations données par les capteurs
et la valeur de x estimée à l’état précédent grâce a la première équation. Le
filtre est donc récursif d’ordre 1. Il est possible d’utiliser un filtre de Kalman
d’ordre supérieur en tenant compte de plusieurs étapes antérieures, ce qui le
rend plus performant mais d’autant plus complexe.
3
∗ t+
i : correction à l’aide des informations des capteurs de la prédiction
au temps t−i .
−
D’après les équations précédentes, les estimateurs aux temps t+
i−1 et ti
sont ainsi liés par l’équation :
x̂(t+ + +
i ) = F x̂(ti−1 ) + Bu(ti−1 )
P (t− + T
i ) = F P (ti−1 )F + Q
K = P (t− T −
i )H (HP (ti ) + R)
−1
A noter que sous les hypothèses de départ choisies dans cette partie le
filtre de Kalman est optimal au point de vue mathématique, c’est à dire que
l’on ne peut pas trouver un estimateur plus proche.
Cette méthode est très efficace, mais étant donné que la plupart des sys-
tèmes physiques sont des systèmes non linéaires, il n’est pas possible de leur
appliquer le filtre de Kalman directement.
4
Pour le cas d’un système non linéaire, l’équation d’état et l’équation de
sortie sont de la forme :
ẋ = f (x) + ω
z = h(x) + ν
Les fonctions f et h ne sont pas des fonctions linéaires mais ont la contrainte
d’être différentiables. Comme ce n’est pas possible de les utiliser directement
pour le calcul des covariances, on utilise une matrice Jacobienne. Cette der-
nière est calculée à chaque instant autour du point d’estimation courant x̂
avec l’objectif de linéariser le système :
∂f (x)
F = |x=x̂ti−1
∂x
∂h(x)
H= | −
∂x x=x̂ti
De cette façon les équations de prédiction deviennent :
x̂(t− +
i ) = f (x(ti−1 ))
P (t− + T
i ) = F P (ti−1 )F + Q
Après avoir obtenu la valeur des sorties du système (z), nous pouvons
calculer la valeur du gain de Kalman (k(ti )), puis la nouvelle valeur de l’état
estimé, pour finalement actualiser la valeur de la matrice de covariance.
k(ti ) = P (t− T − T
i )H (ti )[H(ti )P (ti )H (ti ) + R(ti )]
−1
− −
x̂(t+
i ) = x̂(ti ) + k(ti )[zi − h(x̂(ti ))]
− −
P (t+
i ) = P (ti ) − k(ti )H(ti )P (ti )
5
Conclusion
Le filtre de Kalman est donc un ensemble d’équations très efficace pour
obtenir la solution optimale d’un problème dont on n’a qu’une connaissance
partielle. Son efficacité vient de son adaptabilité suivant le nombre de cap-
teurs traités, la qualité des informations recueillies ou la modélisation du
système qui peut être linéaire ou non, grâce au filtre étendu.
Mais le filtre de Kalman est avant tout un outil physique très important,
utilisé dans de nombreux domaines de l’industrie, en particulier en balistique
et plus généralement dans tous les domaines qui nécessitent une localisation
très précise (radars, navigation...)