Filtrage de Kalman, application en trajectographie

Fabien Campillo

dess d'Ing
nierie Math
matique

Universit
s AixMarseille I & II
Table des mati res
1 Syst
mes linaires en temps discret 1
1.1 Processus al
atoires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Systmes totalement observ
s . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.3 Systmes partiellement observ
s . . . . . . . . . . . . . . . . . . . . . . . . . 3
2 Filtrage linaire optimal et extensions 5
2.1 Critre d'estimation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2 Filtre de Kalman . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.3 Filtre de Kalman
tendu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
3 Syst
mes sans bruit de dynamique 17
3.1 Estimateur bay
sien . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.2 Estimateur du maximum de vraisemblance . . . . . . . . . . . . . . . . . . . 19
4 Application  la trajectographie passive 23
4.1 Le problme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
4.2 Le modle cart
sien . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
4.3 Le modle polaire modi
. . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
4.4 Problme de localisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
A Rappels de probabilits 33
B Simulation sur ordinateurs 38
B.1 Filtre de KalmanBucy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
B.1.1 Simulation d'un bruit blanc gaussien . . . . . . . . . . . . . . . . . . 38
B.1.2 Simulation d'un systme lin
aire partiellement observ
. . . . . . . . 40
B.1.3 Filtre de KalmanBucy . . . . . . . . . . . . . . . . . . . . . . . . . . 41
B.2 Filtre de Kalman
tendu en dimension 1 . . . . . . . . . . . . . . . . . . . . 43
B.3 Application  la localisation . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
Bibliographie 49
Index 51

i
ii
Chapitre 1
Syst mes linaires en temps discret
1.1 Processus alatoires
Un processus al atoire en temps discret est une famille fXk k 2 N g de vecteurs al
atoires
(not
e fXk g) d
nies sur un espace probabilis
( F P )  valeurs dans R n . Un processus
al atoire gaussien est un processus al
atoire fXk g tel que pour tout N et tout i1 : : : iN 2 N
0 1
B@ X...i1 CA
XiN
est un vecteur al
atoire gaussien (de dimension n
N ).
Deux processus al
atoires fXk g et fYk g sont ind pendants si pour tout N et M et
i1 : : : iN j1 : : : jM 2 N , les vecteurs al
atoires
0 1 0 1
B@ X...i1 CA et B@ Y...j1 CA
XiN YjN
sont ind
pendants.
Un bruit blanc est un processus al
atoire fXk g tel que
E Xk ] = 0 E Xk Xl ] = 0 si k 6= l :
fXk g est appel
bruit blanc gaussien lorsque qu'il s'agit d'un processus gaussien et d'un bruit
blanc.

1.2 Systmes totalement observs

On considre le systme dynamique suivant
Xk+1 = Ak Xk + Bk + Ck Wk k  0 (1.1)
o Xk prend ses valeurs dans R n , Ak 2 R n
n , Bk 2 R n , Ck 2 R n
l . Les entr
es du systmes
sont
 le bruit fWk g : on suppose que fWk g est un bruit blanc gaussien de covariance
QWk de dimension l,
la condition initiale X0 : on suppose qu'elle est gaussienne d'esp
rance X 0 et de
covariance QX0 (connues), de plus on suppose que X0 est ind
pendante de
fWk g.

Proposition 1.2.1 fXk g la sortie du syst
me (1.1) est un processus gaussien  valeurs dans
R n , Xk  N (X k QX
k ) avec

X k+1 = Ak X k + Bk X 0 = EX0
QXk+1 = Ak QXk Ak + Ck QWk Ck QX0 = Cov(X0) :

Preuve Comme sortie d'un systme lin
aire  entr
es gaussiennes, fXk g est un proces
sus gaussien. En eet : pour tout N et i1 : : : iN  0, il existe M tel que fi1 : : : iN g 
f0 1 : : : M g et on v
ri e ais
ment qu'il existe une matrice A 2 R M
M et B 2 R M tels que
0 1 0 1
X1 X0
BB X2 CC BB W1 CC
B@ ... CA = A B@ ... CA + B
XM WM ;1
D'aprs les hypothses (X0 W1 : : : WM ;1) est un vecteur gaussien, donc (X1 X2    XM )
est un vecteur al
atoire gaussien (comme transformation ane d'un vecteur al
atoire gaus-
sien).
Par ailleurs, d'aprs (1.1)
X k+1 = E Xk+1]
= E Ak Xk + Bk + Ck Wk ]
= Ak E Xk ] + Bk + Ck E Wk ]
= Ak X k + Bk

QXk+1 = E (Xk+1 ; X k+1)(Xk+1 ; X k+1)


= E (Ak (Xk ; X k ) + Ck Wk ) (Ak (Xk ; X k) + Ck Wk ) 
= Ak E (Xk ; X k )(Xk ;X k ) Ak + Ck E Wk (Xk ; X k ) Ak
+Ak E (Xk ; X k ) Wk Ck + Ck E Wk Wk ] Ck
= Ak QXk Ak + Ck QWk Ck :
Dans cette dernire
galit
on a utilis
le fait que Xk ; X k est ind
pendant de Wk donc
E (Xk ; X k ) Wk ] = 0. 2
 Bk Vk
+
+- ? Xk+1- retard 
?+ -
Wk - Ck
+6

Xk- H
k
+-

Y k

Ak 

Fig. 1.1  Syst me lin
aire partiellement observ
.

1.3 Systmes partiellement observs

Coe cients d
terministes

Xk+1 = Ak Xk + Bk + Ck Wk (1.2)
Yk = Hk Xk + Vk (1.3)
o fXk g, fYk g, fWk g et fVk g sont respectivement  valeurs dans n, d, l et p. On fait les
hypothses du paragraphe 1.2 et de plus Hh 2 R d
n (cf. Figure 1.1). On suppose que
 fWk g (resp. fVk g) est un bruit blanc gaussien de covariance QWk (resp. QVk ),
 X0  N (X 0 QX0 ),
 X0, fWk g et fVk g sont mutuellement ind
pendants.
Dans (1.2,1.3), Xk repr
sente l'
tat d'un systme  l'instant k. On suppose que l'on ne
peut pas observer directement ce systme, mais que l'on dispose d'une observation Yk qui
est la somme d'un signal Hk Xk et d'un bruit d'observation Vk .
D'aprs le r
sultat 1.2.1, f(Xk Yk )g est un processus gaussien, Xk  N (X k QXk ), Yk 
N (Y k QYk ) avec
X k+1 = Ak X k + Bk
QXk+1 = Ak QXk Ak + Ck QWk Ck
Y k = Hk X k
QYk = Hk QXk Hk + QVk
et X 0 = EX0 et QX0 = Cov(X0).
Coe cients d
pendants de l'observation
Dans le systme (1.2,1.3) les coecients Ak , Bk , Ck et Hk peuvent d
pendre de l'obser
vation Yk de la manire suivante
Xk+1 = Ak (Y ) Xk + Bk (Y ) + Ck (Y ) Wk (1.4)
Yk = Hk (Y ) Xk + Vk (1.5)
o Ak (Y ), Bk (Y ), Ck (Y ), Hk (Y ) sont des fonctions de Y0 Y1 : : : Yk;1  valeurs dans R n
n ,
R n , R n
l , R d
n respectivement ( l'instant k les coecients ne d
pendent de l'observation
que jusqu' l'instant k ; 1). Les covariances QWk , QVk des bruits fWk g, fVk g peuvent d
pendre
de la mme manire de l'observation.
Dans ce cas le processus f(Xk Yk )g (a fortiori fXk g) n'est plus gaussien, mais le processus
fXk g est conditionnellement gaussien par rapport  l'observation Yk;1 = fY0 : : : Yk;1g (i.e.
pour des valeurs de l'observation donn
es, la sortie du systme (1.4) est gaussienne).
Exemple 1.3.1 Identication de param
tres dans un mod
le ARMA. On consid
re un
mod
le ARMA scalaire
Yk + a1 Yk;1 +    + an Yk;n = an+1 uk;1 +    + an+m uk;m : (1.6)
Dans ce syst
me uk d signe l'entr e d terministe (contr
le) et Yk la sortie (observ e). Le but
est d'estimer les coecients (a1 : : : an+m), cela revient donc  identi er le mod
le (1.6).
Si (1.6) est pris comme mod
le exact et si les ai sont suppos s constants, le probl
me
d'estimation est alors trivial (il sut de r soudre un syst
me lin aire). Mais, dans la plupart
des cas, le mod
le lin aire (1.6) est trop simple. Il est donc plus r aliste de supposer que les
coecient ai sont soumis  des uctuations al atoires et que l'observation donn e par (1.6)
est bruit e. Cela revient  prendre
aik+1 = aik + Wki i = 1 : : : n + m (1.7)
et
Yk + a1k Yk;1 +    + ank Yk;n = ank +1 uk;1 +    + ank +m uk;m + Vk : (1.8)
o fWk1g : : : fWkn+mg et fVk g sont des bruits blancs gaussiens mutuellement ind pendants.
On obtient donc un syst
me de la forme
Xk+1 = Xk + Wk
Yk = Hk Xk + Vk
o 0 1 1 0 1 1
ak Wk
Xk = @ . A Wk = @ ... C
B .
. C B A
akn +m
Wk n +m

et
Hk =4 ;Yk;1 ; Yk;2    ; Yk;n uk;1 uk;2    uk;m] :
On note que Hk d pend des observations pass es et du contr
le. 2
Chapitre 2
Filtrage linaire optimal et extensions
Le problme de ltrage (en temps discret) se pr
sente en g
n
ral de la manire suivante :
on considre fXk g, un processus (qui possde certaines caract
ristiques donn
es) repr
sentant
l'
tat d'un systme non observ
. A l'instant k, on a accs  une observation Yk qui est form
e
d'un signal (i.e. une fonction h(Xk ) de l'
tat Xk ) et d'un bruit additif Vk :
Yk = h(Xk ) + Vk :
Le bruit de mesure fVk g doit aussi avoir certaines caract
ristiques. A l'instant k, on dispose
donc de l'information Yk = fY0 : : : Yk g le but est alors d'obtenir le plus d'information
possible sur l'
tat du systme Xk (on veut, par exemple, pouvoir calculer un estimateur Xbk
de Xk ). Comme on le verra au paragraphe 2.1, la solution est de calculer la loi conditionnelle
de Xk sachant Yk .
Dans le cas des systmes d
crits dans le chapitre 1, on est dans un cadre gaussien et
l'
volution de cette loi conditionnelle (d
termin
e par son esp
rance et sa covariance) est
r
gie par un systme dynamique (le ltre de Kalman) simple  mettre en uvre (cf. para
graphe 2.2). Dans tous les autres cas (non lin
aires), l'
volution de cette loi conditionnelle
est d
termin
e par un tout autre type de systmes souvent impossibles  utiliser en pratique.
Mais les techniques d
velopp
es dans le cas lin
aire peuvent s'
tendre au cas non lin
aire
par des m
thodes de lin
arisation (cf. paragraphe 2.3). Les ltres ainsi obtenus sont souvent
utilisables en pratique mais conduisent parfois  de mauvais r
sultats.

2.1 Critre d'estimation

On considre le problme g
n
ral suivant : soient X et Y deux vecteurs al
atoires, qu'ap
porte le fait d'observer la r
alisation Y = y sur la connaissance que l'on a de X ?
La r
ponse  ce problme est en fait la densit
conditionnelle pX jY =y (x) de X sachant
que Y = y. Cette densit
est donn
e par

pX jY =y (x) = R ppX Y((xx yy))dx = pXpY ((xy)y) : (2.1)

XY Y
 X
Proposition 2.1.1 Soit Z = Y un vecteur al atoire gaussien de dimension N (X de
dimension n et Y de dimension d) d'esp rance et de covariance
 X  Q Q 
Z = Y QZ = QXX QXY :
YX YY
Alors la densit conditionnelle pX jY =y (x) de X sachant que Y = y est gaussienne d'esp rance
X + QXY Q;1
Y Y (y ; Y )
et de covariance
QXX ; QXY Q;1
Y Y QY X :

Preuve On suppose (pour simpli er) que QZ et QY Y sont inversibles.

pX jY =y (x) =
= pX Y (x y)
p (y)
Y
  x ; X   x ; X 
1 1
(2
)N=2 jQZ j1=2
exp ; 2 y ; Y
1
QZ y ; Y
;1

= ;
exp ; 12 (y ; Y ) Q;1  :
Y Y (y ; Y )
1 1
(2
)d=2 jQ j
Y Y 1=2

On utilise la formule suivante (simple  v
ri er)

 I ;Q Q;1   I 0

XY Y Y QZ ;Q;1 Q I =
0 I
 Q Y Y ;XYQ Q;1 Q 0

= XX XY Y Y Y X : (2.2)
0 QY Y
En prenant le d
terminant dans (2.2), on obtient
1
jQZ j
1 = jQXX ; QXY Q;1
Y Y QY X j
jQY Y j :
(2.2) implique aussi que
 I 0
;1  I ;Q Q;1 ;1
QZ 0
;1 XY Y Y =
;Q;1
Y Y QXY I I
 (Q ; Q Q;1 Q );1 
= XX XY Y Y Y X 0
0 Q;1
YY
c'est  dire
 I 0
  (Q ; Q Q;1 Q );1 0 
QZ =
;1
;Q;1
XX XY Y Y Y X

Y Y QXY I 0 Q;1
 I ;Q Q;1 
Y Y

0 XY Y Y
I :
Donc
 x ; X   x ; X 
y ; Y QZ;1
y ; Y
= (x ; X ) (QXX ; QXY Q;1
Y Y QY X ) (x ; X ) +
;1

+(y ; Y ) Q;1
Y Y (y ; Y )
o
X =4 X + QXY Q;1
Y Y (y ; Y ) :
Donc  
pX jY =y (x) = (21)n=2 jR1j1=2 exp ; 21 (x ; X ) R (x ; X )
avec
R =4 QXX ; QXY Q;1
Y Y QY X
ce qui montre le r
sultat. 2
Estimateur Soient X et Y deux variables al
atoires. Un estimateur de X obtenu a partir
de l'observation de Y = y est une fonction Xb (y) de y :
R d 3 y ! Xb (y ) 2 R n :
On note Xb = Xb (Y ). Pour une r
alisation particulire de l'observation Y = y (y x
),
xb = Xb (y) est appel
e une estimation de X .

y - Estimateur - xb
observation Xb () estimation :
sortie de l'estimateur

Estimateur du minimum de variance Soit Xb (y) un estimateur de X sachant Y = y.

Naturellement Xb n'est pas
gal  X , une mesure de l'erreur moyenne est donn
e par
h i
E jX ; Xb (Y )j2jY = y : (2.3)
L'estimateur du minimum de variance est un estimateur Xb () tel que
h i  
E jX ; Xb (Y )j2jY = y
E jX ; (Y )j2 jY = y
pour tout autre estimateur () et pour toute r
alisation y de l'observation.
Proposition 2.1.2 Soient X et Y des vecteurs al atoires de dimensions respectives n et d,
et de densit conjointe pX Y . L'estimateur du minimum de variance de X sachant Y = y est
la moyenne conditionnelle, i.e.
Z
Xb (y) = E X jY = y] = x pX jY =y (x) dx :
Rn
Preuve Soit () un estimateur,

E jX ;Z (Y )j2jY = y

= (x ; (y)) (x ; (y)) pX jY =y (x) dx
ZR n
Z
= x x pX jY =y (x) dx ; 2 (y) pX jY =y (x) dx + (y) (y)
Rn Z  Rn Z 
=  (y ) ; x pX jY =y (x) dx (y) ; x pX jY =y (x) dx
Z Rn
Z 2 Rn

+ x x pX jY =y (x) dx ; x pX jY =y (x) dx

Rn R n

et le vecteur (y) qui minimise cette expression est

Z
(y) ; x pX jY =y (x) dx :
Rn
2
On vient de voir que la moyenne conditionnelle est l'estimateur qui r
alise le minimum
de l'erreur conditionnelle (2.3). On aimerait avoir un r
sultat inconditionnel.

Proposition 2.1.3 Soient X et Y des vecteurs al atoires.

Xb =4 Xb (Y ) = E X jY ]
est l'estimateur du minimum de variance, i.e. pour tout (Y ) estimateur de X

b  ; 
E jX ; X (Y )j
E jX ; (Y )j2 :
2

Preuve On utilise le r
sultat 2.1.2

 Z
E jX ; Xb (Y )j 2
= E jX ; Xb (Y )j2jY = y] pY (y) dy
ZR d

= E jX ; Xb (y)j2jY = y] pY (y) dy

ZR d

E jX ; (y)j2jY = y] pY (y) dy
ZR d

E jX ; (Y )j2jY = y] pY (y) dy

E jX ; (Y )j2 :
R; d

2
Biais d'un estimateur Soient X et Y des vecteurs al
atoires et () un estimateur de X
sachant Y . Le biais de  est d
ni par
b (y) =4 E X ; (y)jY = y] :
On dit que  est un estimateur sans biais si b (y) = 0 pour tout y. D'aprs la d
nition de
la moyenne conditionnelle Xb de X sachant Y , le r
sultat suivant est imm
diat
Proposition 2.1.4 La moyenne conditionnelle Xb de X sachant Y est un estimateur sans
biais.

2.2 Filtre de Kalman

On considre un systme lin
aire du type (1.2), c'est  dire
Xk+1 = Ak Xk + Bk + Ck Wk (2.4)
Yk = Hk Xk + Vk (2.5)
avec les hypothses du paragraphe 1.3. A l'instant k on dispose de l'information
Yk =4 fY0 Y1 : : : Yk g :
Le but est donc de d
terminer Xk  partir de Yk , d'aprs le paragraphe 2.1 il s'agit donc
de calculer la loi conditionnelle de Xk sachant Yk . Comme nous sommes dans le cas gaussien
il sut donc de calculer la moyenne et la covariance
h i
Xbk =4 E Xk jYk ] Rk =4 E (Xk ; Xbk ) (Xk ; Xbk ) :
On d
nit les quantit
s suivantes (la pr
diction de la moyenne et de la covariance)
h i
Xbk; =4 E Xk jYk;1] Rk; =4 E (Xk ; Xbk;) (Xk ; Xbk;) :
Proposition 2.2.1 (Filtre de Kalman) Xbk et Rk sont les sorties du ltre suivant
Xbk; = Ak;1 Xbk;1 + Bk;1 (2.6)
Rk; = Ak;1 Rk;1
Ak;1 + Ck;1 Q W C (2.7)
 k;1 k;1
Xbk = Xbk; + Kk Yk ; Hk Xbk; (2.8)
Rk = (I ; Kk Hk ) Rk; (2.9)
Kk =
; 
Rk; Hk Hk Rk; Hk + QVk ;1
avec l'initialisation
Xb0; = X 0 = E X0] R0; = QX0 = CovX0 ] :
Kk est appel le gain du ltre de Kalman.
Construction du ltre de Kalman On procde en plusieurs
tapes. Le point central est
le r
sultat 2.1.1 qui sera constamment utilis
.
1 On montre
 (2.8,2.9) pour k = 0
X0 est un vecteur gaussien d'esp
rance et de covariance donn
es par
Y 0
 X   QX QX0 H0

H0Q0 H0QX0 H0 + QV0 :
0 0
H0 X 0 X

Donc la loi de X0 sachant Y0 est gaussienne de moyenne

Xb0 = X 0 + QX0 H0 (H0 QX0 H0 + QV0 );1 (Y0 ; H0X 0 )
et de covariance
R0 = QX0 ; QX0 H0 (H0 QX0 H0 + QV0 );1H0 QX0 :
2 On montre (2.6,2.7) pour k = 1
X1 = A0 X0 + B0 + C0 W0 : (2.10)
W0 et Y0 sont ind
pendants, ainsi
loi(W0 jY0) = loi(W0 ) = N (0 QW0 ) :
Comme
loi(X0jY0) = N (Xb0 R0)
et d'aprs (2.10) on a donc : la loi de X1 sachant Y0 est gaussienne d'esp
rance
Xb1; = A0 Xb0 + B0
et de covariance
R1; = A0 R0 A0 + C0 QW0 C0 :
3 On montre (2.8,2.9) pour k = 1
Y1 = H1 X1 + V1 : (2.11)
V1 et Y0 sont ind
pendants, ainsi loi(V1 jY0) = loi(V1) = N (0 QV1 ). Comme
loi(X1jY0) = N (Xb1; R1;)
et d'aprs (2.11) on a donc : la loi de Y1 sachant Y0 est gaussienne d'esp
rance
Yb1; =4 H1 Xb1;
et de covariance
H1 R1; H1 + QV1 :
D'o
E (X1 ; Xb1;) (Y1 ; Yb1;) ] =
= E (X1 ; Xb1;) (H1 (X1 ; Xb1;) + V1) ]
= E (X1 ; Xb1;) E (V1) + E (X1 ; Xb1;) (X1 ; Xb1;) ] H1
= R1; H1 :
X 
On en d
duit donc que la loi conditionnelle de Y 1 sachant Y0 est gaussienne d'esp
rance
1
et de covariance  b; !  ; 
X1 R1 R1; H1
H1 Xb1; H1 R1; H1 R1; H1 + QV1 :
En appliquant le r
sultat de base, on obtient que la loi conditionnelle de X1 sachant Y1
est gaussienne d'esp
rance
Xb1 = Xb1; + R1; H1 (H1 R1; H1 + QV1 );1 (Y1 ; H1 Xb1;)
et de covariance
R1 = R1; ; R1; H1 (H1 R1; H1 + QV1 );1 H1 R1; :
4 En r
p
tant les
tapes 2 et 3, on construit le ltre de Kalman. 2
Proposition 2.2.2 Le processus fk g d ni par
k =4 Yk ; Hk Xbk;
est un bruit blanc gaussien de covariance
Qk = Hk Rk; Hk + QVk :
fk g est appel processus innovation.
Preuve
k = Yk ; Hk Xbk; = Yk ; E Yk jYk;1]
donc
E k ] = E Yk ] ; E E Yk jYk;1]] = 0 :
Maintenant on remarque que k est ind
pendant de Yk;1. En eet pour toute fonction
mesurable '
E '(Y0 : : : Yk;1) k ] =
= E '(Y0 : : : Yk;1) (Yk ; E Yk jYk;1]]
= E '(Y0 : : : Yk;1) Yk ] ; E E '(Y0 : : : Yk;1) YkjYk;1]]
= E '(Y0 : : : Yk;1) Yk ] ; E '(Y0 : : : Yk;1) Yk ]
=0:
Donc pour k < l, k est ind
pendant de l (car k est Yl;1 mesurable), ainsi E k l ] = 0.
En n
k = Yk ; Hk Xbk; = Hk (Xk ; Xk;) + Vk
comme Xk ; Xbk; et Vk sont ind
pendants, on a
Covk ] = Hk CovXk ; Xbk;] Hk + CovVk ] = Hk Rk; Hk + QVk :
2

Exemple 2.2.3 On consid
re le probl
me de ltrage lin aire en dimension 1 :

Xn+1 = Xn
Yn = Xn + Vn
o V est un bruit blanc gaussien N (0 2 ) ind pendant de X0  N (0 ;0 ).

Filtre de Kalman : Le ltre s' crit :

X^n;+1 =X^n
Rn;+1 =Rn
X^n+1 =X^n;+1 + Kn+1 Yn+1 ; X^n;+1]
Rn+1 =1 ; Kn+1] Rn;+1
R;
Kn+1 = ; n+1 2
Rn+1 + 
avec l'initialisation : X^0 = 0, R0 = ;0 .
Apr
s simplication, on obtient

X^n+1 = X^n + R R+n 2 Yn+1 ; X^n]

 n
R

Rn+1 = 1 ; R + 2 Rn :
n
n

Etude de la variance :
 
= 1 ; Rn 2 Rn =  2 Rn = RnRn :
2
Rn+1 Rn +  Rn +  1 + 2
On peut donc obtenir une expression explicite pour la variance Rn :

Rn = ;0 ;0 :
1 + n 2
Convergence de la moyenne conditionnelle : L' quation de l'esp rance conditionnelle
s' crit :
;0
1+n
02
;
X^n+1 = X^n + Y ; X^n]
+ 2 n+1
;0
1+n
20
;

;0
= X^n + Y ; X^n] :
(n + 1) ;0 + 2 n+1
Ainsi, pour n grand : X^n+1 ' X^ n.

2.3 Filtre de Kalman tendu

On considre un systme non lin
aire
Xk+1 = fk (Xk ) + gk (Xk ) Wk (2.12)
Yk = hk (Xk ) + Vk : (2.13)
fXk g, fYk g, fWk g, fVk g sont  valeurs dans R n , R d , R l , R p , et
fk gk hk : R n ! R n R n
l Rd
respectivement. On va supposer que les fonctions fk et hk sont d
rivables par rapport  la
variable x. fWk g et fVk g sont des bruits blancs gaussiens (de covariances respectives QWk et
QVk ) ind
pendants entre eux et ind
pendants de la condition initiale X0 de (2.12).
Pour le systme (2.12) (2.13), la plupart des propri
t
s obtenues au chapitre 1 ne sont
plus vraies. En particulier le processus solution de (2.12) (2.13) n'est pas gaussien (ni mme
conditionnellement gaussien), ses moments ne peuvent pas tre calcul
s de manire simple.

Filtre de Kalman lin
aris

On se donne fX k g une suite (d
terministe) dans R n , appel
e trajectoire nominale (on
peut prendre par exemple X k comme une approximation de la moyenne de Xk ). La m
thode
consiste  lin
ariser les fonctions fk gk hk autour de X k , c'estdire
fk (x) ' fk (X k ) + rfk (X k ) (x ; X k )
gk (x) ' gk (X k )
hk (x) ' hk (X k ) + rhk (X k ) (x ; X k ) :
On note
Fk0 =4 fk (X k ) Fk =4 rfk (X k )
Gk =4 gk (X k )
Hk0 =4 hk (X k ) Hk =4 rhk (X k ) :
 Le systme (2.12) (2.13) est alors approch
par
Xk+1 = Fk Xk ; X k ] + Fk0 + Gk Wk (2.14)
Yk = Hk Xk ; X k ] + Hk0 + Vk : (2.15)
On applique le ltre de Kalman, et on obtient
Xbk; = fk;1(X k;1) + rfk;1(X k;1) (Xbk;1 ; X k;1)
Rk; = rfk;1(X k;1) Rk;1 rfk;1(X k;1)] +
+gk;1(X k;1) QWk;1 gk;1(X k;1)]
h i
Xbk = Xbk; + Kk Yk ; (hk (X k ) + rhk (X k ) (Xbk; ; X k ))
Rk = I ; Kk rhk (X k )] Rk;
 
Kk = Rk; rhk (X k ) rhk (X k ) Rk; rhk (X k )] + QVk ;1 :
A la place de la premire et la troisime de ces
quations, on peut utiliser
Xbk; = fk;1(Xbk;1)
Xbk = Xbk; + Kk Yk ; hk (Xbk;)] :
On choisit en n l'initialisation Xb0; et R0; de telle sorte que N (Xb0; R0;) soit une bonne
approximation de la loi de X0.
Proposition 2.3.1 (ltre de Kalman linaris)
Xbk; = fk;1(Xbk;1)
Rk; = Fk;1 Rk;1 Fk;1 + Gk;1 QWk;1 Gk;1

Xbk = Xbk; + Kk Yk ; hk (Xbk;)]

Rk = I ; Kk Hk ] Rk;

Kk = Rk; Hk Hk Rk; Hk + QVk ;1

avec : Fk;1 =4
rfk;1(X k;1) , Gk;1 =4 gk;1(X k;1) , Hk =4 rhk (X k ) , o fX k g est une
trajectoire nominale donn e (une suite dans R n ).

Filtre de Kalman
tendu

On a vu (cf. paragraphe 2.2) que les coecients du systme lin
aire peuvent d
pendre
des observations (jusqu' l'instant k ; 1). Donc, au lieu d'utiliser une trajectoire nominale
d
terministe fX k g, on peut utiliser des estimateurs de Xk : Xbk;1 pour l'
tape de pr
diction
et Xbk; pour l'
tape de correction. Pour l'
tape de pr
diction ( l'instant k) on utilise donc
la lin
arisation
fk (x) ' fk (Xbk;1) + rfk (Xbk;1) (x ; Xbk;1)
pour l'
tape de correction ( l'instant k) on utilise les lin
arisations
gk (x) ' gk (Xbk;)
hk (x) ' hk (Xbk;) + rhk (Xbk;) (x ; Xbk;) :
Proposition 2.3.2 (ltre de Kalman tendu)
Xbk; = fk;1(Xbk;1)
Rk; = Fk;1 Rk;1 Fk;1 + Gk;1 QWk;1 Gk;1

Xbk = Xbk; + Kk Yk ; hk (Xbk;)]

Rk = I ; Kk Hk ] Rk;

Kk = Rk; Hk Hk Rk; Hk + QVk ;1

avec : Fk;1 =
4
rfk;1(Xbk;1) , Gk;1 =4 gk;1(Xbk;1) , Hk =4 rhk (Xbk;) .
Remarque 2.3.3
 On peut s'attendre  de bons r sultats avec cette technique de ltrage lorsque l'on est
proche d'une situation lin aire ou lorsque le rapport signal=bruit est grand.
 Pour v rier si le ltre de Kalman tendu se comporte bien, on peut, en sortie, tester
le processus de pseudoinnovation
k =4 Yk ; hk (Xbk;)
et v rier s'il est proche d'un bruit blanc.
 Le choix du syst
me de coordonn es dans lequel on exprime le probl
me in uence beau
coup le comportement du ltre de Kalman tendu (cf. chapitre 4).
Chapitre 3
Syst mes sans bruit de dynamique
On observe un processus al
atoire fYk g  valeurs dans R d de la forme
Yk = hk (Xtk ) + Vk (3.1)
o fVk g est un bruit blanc gaussien, et fXtg v
ri e l'
quation d'
tat dans R n
X_ t = b(t Xt ) (3.2)
avec une condition initiale inconnue X0  l'instant t0 , et t0 < t1 <    < tk    d
signe la
suite des instants d'observation.
On introduit le ot di
rentiel x 7!
t s x] associ
 l'
quation di
rentielle ordi
naire (3.2), qui permet d'exprimer la solution de l'
quation (3.2)  l'instant t, en fonction de
la condition initiale  l'instant s, c'estdire
Xt =
t s Xs] : (3.3)
On notera que le ot
t s x] est d
ni pour tout couple (t s) : dans le cas t < s, il sut de
consid
rer l'
quation di
rentielle (3.2) dans le sens r
trograde du temps.
Ceci permet de transformer le systme (3.1) (3.2) en un systme non lin
aire  temps
discret, du type
tudi
au chapitre 2. On introduit Xk = 4
Xtk et on a
Xk+1 = Xtk+1 =
tk+1 tk Xtk ] = fk (Xk )
avec fk (x) =4

tk+1 tk x]. On obtient ainsi le systme non lin
aire suivant
Xk+1 = fk (Xk ) (3.4)
Yk = hk (Xk ) + Vk : (3.5)
On peut aussi adopter le point de vue que pour estimer l'
tat Xtk il sut d'estimer le
paramtre  = X0 , et consid
rer le problme comme un problme d'estimation param
trique.
En eet, Xtk =
tk t0 ] et l'observation (3.1) peut s'exprimer comme une observation du
paramtre 
Yk = hk (Xtk ) + Vk = hk (
tk t0 ]) + Vk = mk () + Vk
avec mk () = 4
hk (
tk t0 ]). On obtient ainsi le modle de r
gression non lin
aire
Yk = mk () + Vk : (3.6)
Il existe deux approches possibles pour traiter ce problme.
Approche baysienne On suppose que l'on dispose d'une information a priori sur la
valeur du paramtre . On mod
lise cette information a priori en consid
rant  comme une
variable al
atoire de loi 0. Ce problme peut tre trait
comme un problme de ltrage non
lin
aire et r
solu  l'aide du ltre de Kalman
tendu pr
sent
au chapitre 2.
Approche non baysienne Ici on suppose que l'on n'a aucune information a priori sur
la valeur du paramtre . Utiliser une technique bay
sienne en se donnant une loi a priori 0
non repr
sentative de la r
alit
peut conduire  de mauvais r
sultats. Dans ce cas on peut
utiliser la technique d'estimation du maximum de vraisemblance expos
e plus loin.

3.1 Estimateur baysien

On dispose d'observations Yk = fY0 : : : Yk g mod
lis
es par le systme non lin
aire sui
vant
Xk+1 = fk (Xk ) X0  0 (3.7)
Yk = hk (Xk ) + Vk (3.8)
avec fk (x) =
4

tk+1 tk x].
Le ltre de Kalman
tendu fournit une estimation (Xbk Rk ) de l'
tat Xk au vu des obser
vations Yk , d
nie par les
quations suivantes
INITIALISATION
Z Z
Xb0; = x 0(dx) R =
;
0 (x ; Xb0;) (x ; Xb0;) 0(dx) :
Rn Rn

PHASE DE PR DICTION
Xbk; = fk;1(Xbk;1)
Rk; = Fk;1 Rk;1 Fk;1
o
Fk;1 =4 rfk;1(Xbk;1) :
PHASE D'ACTUALISATION
Xbk = Xbk; + Kk Yk ; hk (Xbk;)]
Rk = I ; Kk Hk ] Rk;

Kk = Rk; Hk Hk Rk; Hk + QVk ;1

o
Hk =4 rhk (Xbk;) :
3.2 Estimateur du maximum de vraisemblance
D
nition g
n
rale
Soit Y un vecteur al
atoire de densit
pY (y ) qui d
pend d'un paramtre  2 R n inconnu.
L'estimateur du maximum de vraisemblance b de  est d
ni par
b(y) 2 Arg max p (y ) :
2Rn Y
C'est  dire, pour tout autre estimateur (y) de ,
pY (y (y))
pY (y b(y)) 8y 2 R d :
A y x
, l'application
 ! pY (y )
est appel
e fonction de vraisemblance.
Si Y  N ( Q) o  est inconnue et Q est connue, alors
 
pY (y ) = p 1 d exp ; 21 y ; ] Q;1 y ; ] :
(2) jQj
Maximiser pY (y ) revient donc a minimiser
y ; ] Q;1 y ; ] :
On trouve donc
b(y) = y :

Application aux r
gressions

Soit Yk = fY0 : : : Yk g donn
e par
Yk = mk () + Vk : (3.9)
L'estimateur du maximum de vraisemblance se calcule de la manire suivante. fYk g est une
suite de vecteurs al
atoires gaussiens, Yk  N (mk () QVk ), donc
Yk
pY0 ::: Yk (y0 : : : yk ) = pYl (yl ) =
l=0
Y
p(21)d jQV j exp ; 12 yl ; ml()] (QVl );1 yl ; ml()]
k
=
l=0
( X l
k )
= Ck exp ; 12 yl ; ml ()] (QVl );1 yl ; ml ()] :
l=0
Donc bk l'estimateur du maximum de vraisemblance de  sachant Yk est d
ni par
bk (y0 : : : yk ) 2 Arg min
2Rn
Jk () (3.10)

o
X
k
Jk () =
4 1
2 yl ; ml ()] (QVl );1 yl ; ml ()] : (3.11)
l=0

Application aux systmes sans bruit de dynamique

On dispose d'observations Yk = fY0 : : : Yk g mod
lis
es par le systme non lin
aire sui
vant
X_ t = bt (Xt ) (3.12)
Yk = hk (Xtk ) + Vk : (3.13)
La fonction de vraisemblance pour l'estimation du paramtre  = X0 au vu des observations
Yk est ( )
X
k
Lk () = Ck exp ; 1
2
yl ; ml ()] (QVl );1 yl ; ml ()] (3.14)
l=0

avec ml () =
4
hl (
tl t0 ]), et l'estimateur du maximum de vraisemblance est
bkMV 2 Arg max L ( ) :
2Rn k
(3.15)

Compte tenu de la relation Xk =

tk t0 ], l'estimateur du maximum de vraisemblance
de l'
tat Xk au vu des observations Yk est
XbkMV =
tk t0 bkMV ] : (3.16)

Remarque 3.2.1 A la di rence de l'approche bay sienne pr sent e plus haut, et condui
sant  l'utilisation du ltre de Kalman tendu, le calcul de l'estimateur du maximum de
vraisemblance XbkMV n'est pas r cursif.

Un algorithme it
ratif
Le critre d'estimation (3.11) peut tre minimis
 l'aide de techniques d'optimisation
standard. La plupart de ces m
thodes it
ratives sont fond
es sur le gradient de la fonction
co!t
 @J ()  " X k
@m (  )
#
rJk () = @ = ; yl ; ml ()] (QVl );1 @
k l
: (3.17)
i i l=0 i i
La matrice des d
riv
es secondes est
 @2J () 
r Jk () = @ k@
2
i j ij
"X k  
= @m l ()
(QVl );1 @ml ()
@i @j
l=0
X
k #
; yl ; ml ()] (QVl );1 @ 2 ml () : (3.18)
l=0 @i @j ij
Il n'est pas toujours judicieux d'utiliser (3.18) pour calculer la matrice des d
riv
es se
condes, en eet cela augmente la masse de calcul. En pratique il est donc conseill
d'utiliser
la matrice des d
riv
es secondes approch
e suivante
"X
k   #
re 2Jk () = @ml () (QVl );1 @ml () : (3.19)
l=0 @i @j ij
Si le critre d'estimation Jk () est presque quadratique en , alors l'estimateur du maxi
mum de vraisemblance de  peut tre approch
en une seule
tape par
h i;1
bk = k(0) ; re 2Jk (k(0) ) rJk (k(0) )
o k(0) est une valeur initiale. Si cette valeur initiale est loin de la vraie valeur et si le critre
Jk () n'est pas quadratique, il est n
cessaire s'utiliser un algorithme it
ratif
(i) initialisation : k(0) et p = 0
(ii)
valuer r e 2Jk et rJk au point k(p), et la direction de descente
h i;1
d(kp) = re 2Jk (k(p) ) rJk (k(p))
(iii) on cherche s > 0 tel que


s 2 Arg min J (p) ; s d(kp)
s>0 k k

(iv) on pose
k(p+1) = k(p) ; s d(kp)
(v) si Jk (k(p+1) ) ; Jk (k(p)) est susamment petit on s'arrte, sinon on pose
p = p + 1 et on retourne  l'
tape (ii).
Chapitre 4
Application  la trajectographie passive
4.1 Le problme
Un b"timent B appel
bruiteur cherche  d
terminer la position d'un second b"timent
P appel
porteur,  l'aide de mesures d'angle seulement. La situation est d
crite par la
gure 4.1.

Porteur Bruiteur Relatif

xP position en Ox xB position en Ox r distance Porteur Bruiteur

yP position en Oy yB position en Oy rx coordonn
e relative en Ox
cP cap cB cap ry coordonn
e relative en Oy
vP vitesse vB vitesse azimut
vxP vitesse en Ox vxB vitesse en Ox vx vitesse relative en Ox
vyP vitesse en Oy vyB vitesse en Oy vy vitesse relative en Oy
aP acc
l
ration
aPx acc
l
ration en Ox
aPy acc
l
ration en Oy

o, par d
nition,

rx =4 xB ; xP
ry =4 yqB ; yP
r =4 rx2 + ry2
vx =4 vxB ; vxP
vy =4 vyB ; vyP :
A l'instant tk on mesure
Yk =  (tk ) + Vk (4.1)
 Bruiteur

mouvement
rectiligne
uniforme

β
ry
observation
β + bruit

Porteur

rx

Fig. 4.1  Trajectographie passive

o  (tk ) est l'azimut   l'instant tk , Vk est un bruit blanc gaussien de variance
gale  2 ,
et t0 < t1 <    < tk    d
signe la suite des instants d'observation. On fait l'hypothse
suivante
la vitesse v B et le cap cB du bruiteur sont constants. (4.2)
On va pr
senter dans la suite deux systmes de coordonn
es utilis
s pour mod
liser
le problme : le modle cart
sien, et le modle polaire modi
. Pour chacun de ces deux
systmes, on obtient une
quation d'
tat non bruit
e, de sorte que le problme revient 
estimer l'
tat initial, c'estdire un paramtre constant, au vu des mesures successives
Y0 Y1    Yk   . Les deux approches pr
sent
es au chapitre pr
c
dent pour ce type de
problme d'estimation, sont appliqu
es ensuite au problme de trajectographie : il s'agit de
l'approche bay
sienne, conduisant au ltre de Kalman
tendu, et de l'approche bas
e sur le
maximum de vraisemblance.

4.2 Le modle cartsien

Modlisation
Dans les coordonn
es cart
siennes (relatives), le vecteur d'
tat est
0 X (t) 1 0 v (t) 1
x
X (t) = B
B X2 (t) C =4 B vy (t) C
1
C B
@ X3(t) A @ rx(t) CA (4.3)
X4 (t) ry (t)
Il est facile de v
ri er que l'
quation d'
tat est
X_ (t) = F X (t) ; G(t) (4.4)
o
00 0 0 01 0 aP (t) 1
x
4 B 0 0 0 0 C 4 B a P (t) C
F =B @1 0 0 0A C G ( t ) = B
@ y0 CA :
0 1 0 0 0
Si t0 d
signe un instant de r
f
rence, on obtient en int
grant (4.4) entre t0 et t
X (t) = A(t t0 ) X (t0) ; B (t t0) (4.5)
o
0 1 0 0 0
1
A(t t0) =4 B
B 0 1 0 0C
@ t ; t0 0 1 0 CA (4.6)
0 t ; t0 0 1
0 aP (s) 1
Z t B axP (s) C
B (t t0) = 4
B@ (t ; sy) aP (s) CA ds : (4.7)
t0 x
(t ; s) aPy (s)
L'azimut est donn
e par  = Arctg(X3=X4), l'
quation d'observation s'
crit donc
Yk = h(X (tk )) + Vk (4.8)
o h(X ) = Arctg(X3=X4).
Dans la suite on notera
Xk =4 X (tk )
Ak =4 A(tk+1 tk )
Bk =4 B (tk+1 tk ) :
Le systme non lin
aire en temps discret correspondant est
Xk+1 = Ak Xk ; Bk (4.9)
Yk = h(Xk ) + Vk : (4.10)
Le ltre de Kalman tendu
Le problme de ltrage est d
crit par l'
quation d'
tat (4.9) et par l'
quation d'obse-
vation (4.10). L'
quation d'
tat est lin
aire et d
terministe, et l'
quation d'observation est
bruit
e et non lin
aire.
PHASE DE PR DICTION 8 b;
< Xk = Ak;1 Xbk;1 ; Bk;1
: R; (4.11)
k = Ak;1 Rk;1 Ak;1 :
PHASE D'ACTUALISATION
8b h i
>
> Xk = Xbk; + Kk Yk ; h(Xbk;)
>
<
> Rk = I ; Kk Hk ] Rk; (4.12)
>
>  ;1
: Kk = Rk; Hk Hk Rk; Hk + 2
o
Hk =4 rh(Xbk;) :
INITIALISATION
0 0
1 0 v2 0 0 0
1
max
B
Xb0; =4 B 0 C
C B
R0; = B
4 0 vmax
2
0 0 CC : (4.13)
@d0 sin(Y0 )
A @ 0 0 d20 0 A
d0 cos(Y0) 0 0 0 d20
o
d0 : distance initiale suppos
e ,
Y0 : premire observation de l'azimut ,
vmax : vitesse maximale suppos
e du bruiteur .
Mthode de maximum de vraisemblance
On pose  = X (t0 ), d'aprs (4.5)
X (t) = A(t t0 )  ; B (t t0 )
et
Yk = mk () + Vk
avec
mk () =4 h (A(tk t0 )  ; B (tk t0)) :
A k x
, l'estimateur du maximum de vraisemblance bk est obtenu en minimisant
X
k
1
Jk () =4 21 Yl ; ml ()]2 :
l=0 QlV

4.3 Le modle polaire modi

Modlisation
Le vecteur d'
tat est
0 Z (t) 1 0 _ (t) 1
B
Z (t) = B Z
1
(t) C 4 B r_(t)=r(t) C
@ Z2(t) CA = B@
3
CA :
 (t) (4.14)
Z4(t) 1=r(t)
On peut v
ri er que l'
quation d'
tat est alors
Z_ (t) = b(t Z (t)) (4.15)
o
0 ;2 Z Z ; Z ;aP (t) cos Z ; aP (t) sin Z  1
4; x y 3
4 B Z1 ; Z2 ; Z4 ax (t) sin Z3 + ay (t) cos Z3 C
1 2 3
P P
b(t Z ) = B CA :
2 2
@ Z 1
;Z2 Z4
Si t0 d
signe un instant de r
f
rence, on v
ri e que la solution de (4.15) est
Z (t) =
t t0 Z (t0)] (4.16)
avec
0 (S S ; S S )=(S 2 + S 2) 1
4 B
2 C
1 4 2 3 3 4

t t0 Z ] = B ( S S + S S ) = ( S 2
+ S4) C
@ Z3 + Arctg (S3=S4) A
1 3 2 4 3

p
Z = S2 + S2
4 3 4
et
S1 =
4
Z1 ; Z4 B1(t t0 ) cos Z3 ; B2(t t0 ) sin Z3]
S2 =
4
Z2 ; Z4 B1(t t0 ) sin Z3 + B2 (t t0) cos Z3]
S3 =
4
(t ; t0) Z1 ; Z4 B3(t t0 ) cos Z3 ; B4(t t0 ) sin Z3]
S4 =
4
1 + (t ; t0) Z2 ; Z4 B3(t t0 ) sin Z3 + B4 (t t0) cos Z3]
B (t t0 ) = B1 B2 B3 B4 ] est d
ni par (4.7). L'
quation d'observation s'
crit
Yk = H Z (tk ) + Vk (4.17)
o H =
4
0 0 1 0]. Dans la suite on notera
Zk =4 Z (tk )
fk (Z ) =4
tk+1 tk Z ] :
Le systme non lin
aire en temps discret correspondant est
Zk+1 = fk (Zk ) ; Bk (4.18)
Yk = H Zk + Vk : (4.19)
Le ltre de Kalman tendu
Le problme de ltrage est d
ni par l'
quation d'
tat (4.18) et par l'
quation d'obser-
vation (4.19). Dans ce cas l'
quation d'
tat est non lin
aire et d
terministe, et l'
quation
d'observation est bruit
e et lin
aire.
PHASE DE PR DICTION
8 b;
< Zk = fk;1(Zbk;1)
: R; (4.20)
k = Fk;1 Rk;1 Fk;1
o
Fk;1 =4 rfk;1(Zbk;1) :
PHASE D'ACTUALISATION
8 b h i
>
> Zk = Zbk; + Kk Yk ; H Zbk;
>
<
> Rk = I ; Kk H ] Rk; (4.21)
>
>  ;1 :
: Kk = Rk; H H Rk; H + 2
INITIALISATION
 00 1 0p 0 0 0
1
B0
Zb0; =4 B
CC B0 p 0
R0; =4 B
0 CC (4.22)
@Y 0 A @0 0 p 0 A
1
d0 p 0 0 1
d20
o
d0 : distance initiale suppos
e ,
Y0 : premire observation de l'azimut ,
p : paramtre  choisir par simulation .

Mthode de maximum de vraisemblance

On pose  = Z (t0 ), d'aprs (4.16)
Z (t) =
t t0 ]
et
Yk = mk () + Vk
avec
mk () =4 H
tk t0 ] :
A k x
, l'estimateur du maximum de vraisemblance bk est obtenu en minimisant
X
k
1 Y ; m ()]2 :
Jk ( ) = 4 1
2 QVl l l
l=0

4.4 Problme de localisation

Un b"timent P appel
porteur cherche  d
terminer la position d'un second b"timent B
appel
bruiteur,  l'aide de mesures d'angle seulement. On suppose que B est immobile et
que P se d
place suivant une trajectoire rectiligne uniforme (i.e.  cap et vitesse constant).

Mod
le cartsien relatif : On note :

Porteur Bruiteur

xP (t) position en Ox  l'instant t xB position en Ox (constante)

y P (t) position en Oy  l'instant t yB position en Oy
cP cap (constant) cB cap (constant)
vP vitesse (constante) vB vitesse (constante)
vxP B
vitesse en Ox (constante) vx = 0 vitesse en Ox (nulle)
vyP vitesse en Oy (constante) vyB = 0 vitesse en Ox (nulle)
 Relatif

r(t) distance Porteur Bruiteur  l'instant t

rx (t) coordonn
e relative en Ox  l'instant t
ry (t) coordonn
e relative en Oy  l'instant t
(t) azimut  l'instant t
vx = vxB ; vxP = ;vxP vitesse relative en Ox (constante)
vy = vyB ; vyP = ;vyP vitesse relative en Oy (constante)

o, par d
nition, q

r(t) =4 rx2 (t) + ry2 (t) :
A l'instant tk on mesure
Yk =  (tk ) + Vk
o  (tk ) est l'azimut   l'instant tk , Vk est un bruit blanc gaussien de variance
gale  2 ,
et t0 < t1 <    < tk    d
signe la suite des instants d'observation.
On choisit le vecteur d'
tat :
 r (t) 
X (t) = 4 x :
ry (t)

Le vecteur d'
tat est solution de l'
quation di
rentielle :

 
d X (t) = 0 0 X (t) + ;vxP
 
dt 0 0 ;vyP : (4.23)
La di
rentielle de X (t) est donc constante, d'o l'
quation d'
tat :
Zt d k
Xk = Xk;1 + X (t) dt
t ; dt
k 1
 vP 
= Xk;1 ; (tk ; tk;1) vxP :
y
On note :  vP 
Bk = ;(tk ; tk;1) vxP
4
:
y
Ainsi :
Xk = Xk;1 + Bk
L'
quation d'observation est :
 r (t) 
Yk = Arctg rx(t) + Vk
y
o  X 1(t)   r (t) 
h(X (t)) = Arctg X 2 (t) = Arctg rx(t) :
y

Le ltre de Kalman
tendu s'
crit donc :

Pr
diction

X^k; = X^k;1 + Bk;1

Rk; = Rk;1 :
Correction

h i
X^k = X^k; + Kk Yk ; h(X^k;)
Rk = I ; Kk Hk ] Rk;

Kk = Rk; Hk Hk Rk; Hk + 2 ;1

o
Hk =4 rh(X^k;) :

Cas de deux porteurs : On suppose maintenant qu'il existe deux porteurs P1 et P2.
A l'instant tk on mesure donc :
  (t )   V 1 
Yk = 1 k + k2
2 (tk ) Vk (4.24)

o Vk1 et Vk2 sont deux bruits blancs gaussiens de variance 2 , et t0 < t1 <    < tk   
d
signe la suite des instants d'observation.

On note (pour i = 1 2) :

Porteur Pi Bruiteur

xPi (t) position en Ox  l'instant t xB position en Ox (constante)

y Pi (t) position en Oy  l'instant t yB position en Oy
cPi cap (constant) cB cap (constant)
v Pi vitesse (constante) vB vitesse (constante)
vxPi B
vitesse en Ox (constante) vx = 0 vitesse en Ox (nulle)
vyPi vitesse en Oy (constante) vyB = 0 vitesse en Ox (nulle)
 Relatif

ri (t) distance Porteur Pi Bruiteur  l'instant t

rxi (t) coordonn
e relative Porteur Pi Bruiteur en Ox  l'instant t
ryi (t) coordonn
e relative Porteur Pi Bruiteur en Oy  l'instant t
i (t) azimut Porteur Pi Bruiteur  l'instant t
vxi = vxB ; vxPi = ;vxPi vitesse relative Porteur Pi Bruiteur en Ox (constante)
vyi = vyB ; vyPi = ;vyPi vitesse relative Porteur Pi Bruiteur en Oy (constante)

o, par d
nition, q

ri(t) =4 rxi ]2 (t) + ryi ]2 (t) :

On choisit le vecteur d'
tat :

 r1 (t) 
X (t) =4 x :
ry1(t)

L'
quation d'
tat est la mme que dans le cas pr
c
dent :

Xk = Xk;1 + Bk
avec :  vP 
Bk = ;(tk ; tk;1) vxP1
1
4
:
y

Pour l'
quation d'observation :

 r1 (t)   X 1(t) 
1 (t) = Arctg x = Arctg
ry1(t) X 2(t)
et
 r2 (t)   r1(t) + r2(t) ; r1 (t)   X 1(t) + r2(t) ; r1 (t) 
2 (t) = Arctg x = Arctg x x x = Arctg x x
ry2(t) ry1(t) + ry2 (t) ; ry1 (t) X 2(t) + ry2(t) ; ry1(t)
donc  V1 
Yk = hk (Xk ) + Vk2
k
o  ArctgX 1=X 2]

hk (X ) = Arctg(X 1 + r x(tk ))=(X 2 + r y (tk ))]
et
r x(t) = rx2 (t) ; rx1 (t) r y (t) = ry2(t) ; ry1(t) :
Annexe A
Rappels de probabilits
On pr
sente ici quelques notions utilis
es dans ce cours. Il s'agit d'un expos
non math
-
matique et succinct. En particulier on suppose que toutes les variables al
atoires sont conti
nues et admettent des densit
s.

Espace de probabilit
s
Un triplet ( F P ) est appel
espace de probabilit s si
  est un ensemble de r
alisations,
 F est une tribu sur , c'estdire F est un ensemble de parties de  tel que
 A 2 F ) Ac 2 F ,
 Ai 2 F i 2 N ) i2N Ai 2 F ,
  2 F.
 P est une mesure de probabilit
(ou une probabilit ) sur ( F ), c'estdire P : F ! R
est tel que
 P (A)  0, 8A 2 F ,
 P () = 1,
 Ai 2 F i 2 N , tel que Ai \ Aj =  si i 6= j alors
X
P (i2N Ai ) = P (Ai) :
i2N

En particulier,Pon a les propri
t
s suivantes : 0

P (A)
1, P (Ac) = 1 ; P (A),
P (i2N Ai)
i2N P (Ai). Les
l
ments de F sont les v nements.
Probabilit
conditionnelle et ind
pendance
Soit A B 2 F , la probabilit
que l'
v
nement A se r
alise sachant que B est r
alis
est
appel
la probabilit conditionnelle de A sachant B est d
nie par
\ B)
P (AjB ) =4 P (PA(B )
en supposant que P (B ) 6= 0.
Des
v
nements A1 : : : An sont mutuellement ind pendants si
P (Ai1 \    \ Aik ) = P (Ai1 )    P (Aik )
8k, fi1 : : : ik g  f1 : : : ng tels que ip 6= iq si p 6= q.  A et B ind
pendants est not

A ? B . Attention : on peut avoir A ? B , B ? C , A ? C mais pas A B C mutuellement
ind
pendants.
Si Ai, i = 1 : : : n est une famille d'
v
nements disjoints tels que i Ai =  (i.e. fAi i =
1 : : : ng est une partition de ), alors
X
n
P (B ) = P (B jAi) 8B 2 F :
i=1

Formule de Bayes

P (AjB ) = P (BPjA(B) P) (A) si P (B ) 6= 0 :

Si fAi i = 1 : : : ng est une partition de , alors

P (Aj jB ) = PnP (BPj(ABjj)AP)(AP j()A ) :

i=1 i i

Variables al
atoires
Cas scalaire
Une variable al atoire r elle X est une application
X:!R
telle que
8B 2 B : f! 2  X (!) 2 B g 2 F
o B est la tribu bor
lienne sur R , on dit que X est une application mesurable de ( F )
dans (R B). On note
fX 2 B g =4 f! 2  X (!) 2 B g  
et
P (X 2 B ) =4 P (fX 2 B g) :
Soit X une variable al
atoire r
elle, sa fonction de r partition est d
nie par
FX (x) =4 P (X
x) x2R :
La fonction de r
partition est croissante, monotone avec FX (x) ! 0 quand x ! ;1 et
FX (x) ! 1 quand x ! +1 et elle est continue  droite.
Dans beaucoup de cas FX (x) est di
rentiable par rapport  x, dans ce cas la densit de
la variable al
atoire X est d
nie par

pX (x) =4 dFdx
X (x)
:
Dans ce cas Z
P (X 2 B ) = pX (x) dx :
B
Soit X une variable al
atoire r
elle et B un
v
nement, la fonction de r partition condi
tionnelle de X sachant B est d
nie par

FX jB (x) =4 P (X
xjB ) = P (fXP
(Bx)g \ B ) :

Si FX jB (x) est d
rivable, on peut d
nir la densit conditionnelle de X sachant B par

dFX jB (x)
pX jB (x) =4dx :
Si Y est une autre variable al
atoire, et en prenant B = fy < Y
y + yg et en faisant
y ! 0, on d
nit la densit conditionnelle de X sachant Y

pX jY =y (x) = pXpY ((xy)y) :

Y
On a la formule Z
pX (x) = pX jY =y (x) pY (y) dy :
R

Cas vectoriel
Un vecteur al atoire est une application
0 1
X1
X = @ ... C
B A :  ! Rn
Xn
mesurable de ( F ) dans (R n Bn). On d
nit la fonction de r
partition et la densit
de X
par
FX (x) =4 P (fX1
x1 g \    \ fXn
xng) x = (x1 : : : xn)
pX (x) =4 @x @  @x FX (x) :
n
1 n
Soit 1
p < n, la densit
(marginale) de (X1 : : : Xp) est obtenue par int
gration
Z Z
pX1 ::: Xp (x1 : : : xp) =    pX (x) dxp+1    dxn :
R R
Les vecteurs al
atoires sont aussi appel
s des variables al
atoires.
Ind pendance
Deux variables al
atoires X et Y sont ind
pendante si les
v
nements fX
xg et fY
yg
sont ind
pendants, ce qui est
quivalent 
FX Y (x y) = FX (x) FY (y)
PX Y (x y) = PX (x) PY (y)
pX jY =y (x) = pX (x) :
Esp
rance
L'esp rance (ou la moyenne) de la variable al
atoire X , not
e E (X ), est d
nie par
Z
E (X ) = 4
x pX (x) dx :
Rn
Si Y = g(X ) est une fonction de la variable al
atoire X , Y a pour esp
rance
Z
E (g(X )) = 4
g(x) pX (x) dx :
Rn
La matrice de covariance (en dimension 1 on parlera de variance) est d
nie par
Cov(X ) =4
E (X ; E (X )) (X ; E (X )) ] :
Il s'agit d'une matrice sym
trique et d
nie positive.
L'op
rateur d'esp
rance est lin
aire : soit   2 R et X Y deux vecteurs al
atoires de
dimension n,
E ( X +  Y ) =  E (X ) +  E (Y ) :
Soit X1 : : : Xp des variables al
atoires mutuellement ind
pendantes,
E (X1    Xp) = E (X1 )    E (Xp)
si de plus elles sont centr
es
2 p !23 p
X 5 X 2
E4 Xi = E (Xi ) :
i=1 i=1
Esp
rance conditionnelle
Soit X une variable al
atoire et B un
v
nement, l'esp rance conditionnelle de g(X )
sachant B est d
nie par
Z
E g(X )jB ] =
4
g(x) pX jB (x) dx :
Rn
Soit Y une autre variable al
atoire, par analogie avec les probabilit
s conditionnelle, on
d
nit Z
E g(X )jY = y] = g(x) pX jY =y (x) dx :
4

Rn
Cette dernire quantit
est une fonction (y) de y. L'esp
rance conditionnelle de g(X ) sa
chant Y est la variable al
atoire (Y ), not
e E g(X )jY ], c'est une fonction de Y . L'esp
rance
conditionnelle est un op
rateur lin
aire.
L'esp
rance de E g(X )jY ] est
E (E g(X )jY ]) = E g(X )] :
Si X et Y sont ind
pendants
E g(X )jY ] = E g(X )] :
Variables al
atoires gaussiennes
Soit X une variable al
atoire de dimension n, X est dite gaussienne de moyenne E X ] =
 2 R n et de matrice de covariance CovX ] = R 2 Rd
d (sym
trique, d
nie positive) si la
transform
e de Laplace de la loi de X est donn
e par :
Ee;i
X = exp (;i   +  R )  2 Rn :
Lorsque la matrice R est strictement d
nie positive, alors R est une matrice r
gulire et la
loi de X admet la densit
:
 
pX (x) = (21)n=2 jR1j1=2 exp ; 21 (x ; ) R;1 (x ; ) :
On a les propri
t
s suivantes
 Les composantes d'un vecteur al
atoire gaussien sont des variables al
atoires gaus
siennes. Mais un vecteur al
atoire dont les composantes sont des variables al
atoires
gaussiennes n'est pas n
cessairement gaussien.
 Les combinaisons lin
aires de variables gaussiennes sont des variables gaussiennes. Si
X  N ( R) (de dimension n) et si  2 R p
n et  2 R p alors
Y  N ( +  R ) :
 Si X et Y sont des variables gaussiennes ind
pendantes
X  N (X RX ) et Y  N (Y RY )
ind
pendantes, alors
X + Y  N (X + Y RX + RY ) :
Annexe B
Simulation sur ordinateurs
Sur (presque) tout systme informatique et avec (presque) tous les langages (Pascal,
Fortran, C) on peut g
n
rer une suite
U0 U1 : : : Uk : : :
de variables al
atoires ind
pendantes et de loi uniforme sur 0 1] (plus exactement il s'agit
d'une suite de nombres pseudoal
atoires g
n
r
s suivant une loi uniforme sur 0 1] et de
manire ind
pendante).
A partir de ces nombres, on peut g
n
rer une suite variables al
atoires gaussiennes
N ( 2)  l'aide de l'algorithme de BoxMuller : on pose
p
X2i;1 =  +  p;2 log(U2i;1) sin(2 U2i)
X2i =  +  ;2 log(U2i;1) cos(2 U2i ) :
En particulier si on veut g
n
rer un bruit blanc N (0 1), on pose
p
W2i;1 = p;2 log(U2i;1) sin(2 U2i)
W2i = ;2 log(U2i;1 ) cos(2 U2i) :
On peut ainsi g
n
rer la sortie d'un systme de la forme (1.1) ou de la forme (1.2) (1.3).

B.1 Filtre de Kalman Bucy

B.1.1 Simulation d'un bruit blanc gaussien
Utiliser la m
thode de BoxMuller (cf. cours) pour g
n
rer un bruit blanc gaussien r
el
N (0 1). Tracer le r
sultat  l'aide de Gnuplot. Constater, toujours  l'aide de Gnuplot, que
ce bruit blanc reste(avec une grande probabilit
) dans l'intervalle ;2 2]. V
ri er que la
moyenne et la variance empirique sont proches de 0 et 1.
Cr
er donc une fonction BBG(seed), o seed est un entier (germe du g
n
rateur) (cf.
Algorithme B.1).
 Function BBG(seed)
D claration
Entier seed
Logique seesaw vrai
Si seesaw faire
C1 2 RAND(seed)
C2
C2
p;2C log( RAND(seed) )
C  sin(C )
2
W1
C  cos(C )
2 1
W2 2 1
Rendre W1
seesaw not seesaw
Sortir
Sinon
Rendre W2
seesaw not seesaw
Sortir
Fin faire

Tab. B.1  G n rateur de bruit blanc gaussien N (0 1).

B.1.2 Simulation d'un systme lin
aire partiellement observ

Xk+1 = a Xk + c Wk X0  N (X 0 QX0 ) (B.1)
Yk = h Xk + Vk (B.2)
o fXk g, fYk g, fWk g et fVk g sont  valeurs dans R # a, c, h 2 R . On suppose que fWk g
(resp. fVk g) est un bruit blanc gaussien de covariance QW (resp. QV ) et que X0, fWk g et
fVk g sont mutuellement ind
pendants.
La simulation du systme (B.1) est donn
e par l'algorithme (B.2).
Fichiers
donnees chier d'entre
simulation chier de sortie
Lecture des donn es
Lire
X 0 , QX W V
0 , a, c, h, K , Q , Q , seed
dans le chier donnees
Initialisation
q
X X 0 + QX0  BBG(seed2)

W 
cp
p
Q W

V QW
Y h X +
V  BBG(seed)
Enregistrer 0 X Y dans le chier simulation
It ration
Pour k = 1
K faire
X a X +
W BBG(seed)
Y h X +
V BBG(seed)
Enregistrer k X Y dans le chier simulation
Fin faire

Tab.B.2  Simulation du syst
me (B.1).

Le processus f(Xk Yk )g est un processus gaussien, Xk  N (X k QXk ), Yk  N (Y k QYk )
avec
X k+1 = a X k
QXk+1 = a2 QXk + c2 QWk
Y k = h X k
QYk = h2 QXk + QVk
et X 0 = EX0 et QX0 = Var(X0).
B.1.3 Filtre de Kalman Bucy
La loi conditionnelle - de Xk sachant Y0    Yk est gaussienne N (X^k Rk ). L'esp
rance
et la variance conditionnelles sont les sorties du ltre de Kalman bucy :
X^k; = a X^k;1
Rk; = a2 Rk;1; + c2 QW 
Kk = Rk; h= h2 Rk; + QV


X^k = X^k; + Kk Yk ; h X^k;
Rk = (1 ; Kk h) Rk;
avec l'initialisation X^0; = X 0 = E X0] R0; = QX0 = VarX0 ].
Fichiers
donnees chier d'entre
simulation chier d'entre
filtre chier de sortie
Lecture des donn es
Lire
X 0 , QX W V
0 , a, c, h, K , Q , Q , seed
dans le chier donnees

Initialisation
Lire k X Y dans
; le chier
simulation
K QX 2 X
0 h= h Q0 + Q
V
X^ X0 + K (Y h X^ ; ) ;
R ;
(1 K h) R;
^ R dans le chier
Enregistrer k X filtre

It ration
Tant que Lire k X Y dans le chier simulation faire
X^ ; aX
R; a2 R +;c2 QW

K R; h= h2 R; + QV
X^ ;
X^ ; + K (Y h X^ ; )
R ;
(1 K h) R;
^ R dans le chier
Enregistrer k X filtre
Fin faire

Tab. B.3  Filtre de KalmanBucy associ au syst
me (B.1), version 1.

On considre l'innovation k = Yk ; h X^k;, il s'agit d'un bruit blanc gaussien de variance
h2 Rk; + QV , ainsi le processus
q ;
4
^
 k = (Yk ; h Xk ) = h2 Rk + QV
;
est un bruit blanc gaussien N (0 1).
Fichiers
donnees chier d'entre
simulation chier d'entre
filtre chier de sortie
Lecture des donn es
Lire
X 0 , QX W V
0 , a, c, h, K , Q , Q , seed
dans le chier donnees
Initialisation
Lire k X Y dans
; le chier
simulation
K QX 2 X
0 h= h Q0 + Q
V
X^ X 0 + K (Y h X^ ; ) ;
R (1 K h) R;;
^ R dans le chier
Enregistrer k X filtre

It ration
Tant que lire k X Y dans le chier simulation faire
X^ ; aX
R; a2 R + c2 QW
Q
h2 R; + QV
p
P 1= Q

 ;
P (Y h X^ ; )
K P 2 R; h
X^ X^ ; + P R; h 
R P 2 QV R;
^ R  dans le chier
Enregistrer k X filtre
Fin faire

Tab. B.4  Filtre de KalmanBucy associ au syst
me (B.1) version 2.

B.2 Filtre de Kalman tendu en dimension 1
On considre un systme non lin
aire
Xk+1 = a Xk + Wk (B.3)
Yk = h(Xk ) + Vk : (B.4)
fXk g, fYk g, fWk g, fVk g sont  valeurs dans R, fWk g et fVk g sont des bruits blancs gaus
siens (de covariances respectives QW et QV ) ind
pendants entre eux et ind
pendants de la
condition initiale X0 de (B.3). On considre l'exemple


h(x) =4  Arctg x
o  > 0 est donn
. On d
nit les fonctions FUNC(x) et DFUNC(x) comme h(x) te h0(x) (on
pourra en faire des routines  part o int
grer les fonction dans les programmes.
La simulation du systme non lin
aire (B.3,B.4) est donn
e par l'Algorithme B.5, le ltre
de Kalman
tendu par l'Algorithme B.6.
 Fichiers
donnees chier d'entre
simulation chier de sortie
Lecture des donn es
Lire
X 0 , QX W V
0 , a, K , Q , Q , seed
dans le chier donnees
Initialisation
q
X X 0 +
p
QX
0  BBG(seed2)

W pQ
W

V QW
Y FUNC(X ) +
V  BBG(seed)
Enregistrer 0 X Y dans le chier simulation
It ration
Pour k = 1
K faire
X 
a X +
W BBG(seed)
Y FUNC(X ) +
V 
BBG(seed)
Enregistrer k X Y dans le chier simulation
Fin faire

Tab. B.5  Simulation du syst
me non lin aire (B.3,B.4).

 Fichiers
donnees chier d'entre
simulation chier d'entre
filtre chier de sortie
Lecture des donn es
Lire
X 0 , QX W V
0 , a, c, h, K , Q , Q , seed
dans le chier donnees
Initialisation
Lire k X Y dans
; le chier
simulation
K QX 2 X
0 h= h Q0 + Q
V
X^ X 0 + K (Y h X^ ; ) ;
R (1 K h) R;;
^ R dans le chier
Enregistrer k X filtre

It ration
Tant que lire k X Y dans le chier simulation faire
X^ ; a X^
R; a2 Rk;1 + QW
H DFUNC(X ^ ;)
K R H = (H 2 R; + QV )
;

X^ ;
X^ ; + K (Y FUNC(X^ ; ))
R ;
(1 K H ) R;
^ R  dans le chier
Enregistrer k X filtre
Fin faire

Tab. B.6  Filtre de Kalman tendu en dimension 1 associ au syst
me (B.3,B.4).

B.3 Application
la localisation
Un b"timent B appel
bruiteur cherche  d
terminer la position d'un second b"timent
P appel
porteur,  l'aide de mesures d'angle seulement. On suppose que le porteur est
immobile.

Porteur Bruiteur Relatif

xP position en Ox xB position en Ox r distance Porteur Bruiteur

yP position en Oy yB position en Oy rx coordonn
e relative en Ox
cP cap ry coordonn
e relative en Oy
vP vitesse azimut
vxP vitesse en Ox vx vitesse relative en Ox
vyP vitesse en Oy vy vitesse relative en Oy

o, par d
nition,

rx(t) =
4
xB ; xP (t)
ry (t) =
4
yqB ; yP (t)
r(t) =
4
rx2 (t) + ry2(t)
vx =
4
;vxP
vy =
4
;vyP :
Dans ce problme, si on suppose que le porteur suit un mouvement rectiligne uniforme,
alors les quantit
s suivantes sont constantes : cP , vP , vxP , vyP , xB , yB , vx , vy .
A l'instant tk on mesure
 r (t ) 
Yk = Arctg rx(tk ) + Vk (B.5)
y k
o Vk est un bruit blanc gaussien de variance
gale  2 , et t0 < t1 <    < tk    d
signe la
suite des instants d'observation. On suppose que :
tk = k  k = 0 2 ::: :
On se xe
galement Tmax , la dur
e totale de la simulation.
Dans les coordonn
es cart
siennes (relatives), le vecteur d'
tat est
 X (t)  4  r (t) 
X (t) = 1
= x : (B.6)
X2(t) ry (t)
 $crire le systme
quation d'
tat/
quation d'observation.
  $crire le ltre de Kalman
tendu associ
.
 R
aliser plusieurs simulations (plusieurs sc
narios).
Il est facile de v
ri er que l'
quation d'
tat est
 vP 
_X (t) = G =
4
; vxP (B.7)
y
qui est constant, d'o
X (tk+1) = X (tk ) + 
G :
L'
quation d'observation s'
crit
Yk = h(X (tk )) + Vk
o h(X ) = Arctg(X1=X2).
On note Xk = X (tk ), on obtient donc le systme non lin
aire
Xk+1 = Xk + 
G (B.8)
Yk = h(Xk ) + Vk : (B.9)
Le ltre de Kalman tendu
Le problme de ltrage est d
crit par l'
quation d'
tat (B.8) et par l'
quation d'obse-
vation (B.9). L'
quation d'
tat est lin
aire et d
terministe, et l'
quation d'observation est
bruit
e et non lin
aire.
PHASE DE PREDICTION  X^ ; = X^k;1 + 
G
k
Rk; = Rk;1 : (B.10)
PHASE D'ACTUALISATION
8K
< k = Rk; Hk = (Hk Rk; Hk + 2 )
: XR^kk = X^k; + Kk Yk ; h(X^k;)]
= I ; Kk Hk ] Rk;
(B.11)

o
Hk =4 rh(X^k;) :
INITIALISATION
d sin(Y0)
  d20

X^0; =4 0
d0 cos(Y0) R =
; 4
0
0
0 d20 : (B.12)
o
d0 : distance initiale suppos
e ,
Y0 : premire observation de l'azimut .
Structure de chiers
donnees contenant Tmax , , , xP (0), yP (0), cP , vP , xB , yB .
mesure contenant (tk Ytk   (tk )) pour tout k.
porteur contenant (tk xP (tk ) yP (tk ) vP vP ) pour tout k.
bruiteur contenant (tk xB yB ) pour tout k.
Bibliographie
&1] B.D.O. ANDERSON and J.B. MOORE. Optimal Filtering. PrenticeHall, Englewood
Clis, NJ, 1979.
&2] A. GELB, editor. Applied Optimal Estimation, volume 64 of Mathematics in Science and
Engineering. MIT Press, Cambridge, 1974.
&3] G.C. GOODWIN and R.L. PAYNE. Dynamic System Identication, volume 136 of Ma
thematics in Science and Engineering. Academic Press, New York, 1977.
&4] A.H. JAZWINSKI. Stochastic Processes and Filtering Theory, volume 64 of Mathematics
in Science and Engineering. Academic Press, New York, 1970.
&5] R.E. KALMAN and R.S. BUCY. New results in linear ltering and prediction theory.
Transactions of the ASME, Series D. Journal of Basic Engineering, 83:95108, 1961.
&6] P.S. MAYBECK. Stochastic Models, Estimation, and Control. Volume 1, volume 1411
of Mathematics in Science and Engineering. Academic Press, New York, 1979.
&7] P.S. MAYBECK. Stochastic Models, Estimation, and Control. Volume 2, volume 1412
of Mathematics in Science and Engineering. Academic Press, New York, 1979.
&8] P.S. MAYBECK. Stochastic Models, Estimation, and Control. Volume 3, volume 1413
of Mathematics in Science and Engineering. Academic Press, New York, 1982.
Index
approche
bay
sienne, 18
non bay
sienne, 18
azimut, 25
bruit blanc, 1
gaussien, 1
simulation, 38
estimateur, 7
bay
sien, 18
bias d'un, 9
du maximum de vraisemblance, 19
du minimum de variance, 7
ltre
de Kalman, 9

tendu, 14
lin
airis
, 13
fonction
de vraisemblance, 19
problme
de localisation, 29
de r
gression, 19
de trajectographie passive, 23
en coordonn
es cart
siennes, 25
en coordonn
es polaires modi
es, 27
processus
al
atoires, 1
al
atoires gaussiens, 1
al
atoires ind
pendants, 1
innovation, 11
pseudoinnovation, 15
systme
lin
aire conditionnellement gaussien, 4
lin
aire gaussien, 2
sans bruit de dynamique, 17
Ce cours a
t

labor
d'abord dans le cadre du dess Informatique
et Sciences de l'Ing
nieur (option ttns) de l'essi (Universit
de Nice
SophiaAntipolis), puis dans celui du dess d'Ing
nierie Math
matique
(Universit
s AixMarseille I & II). Il a
t
r
dig
en collaboration avec
Fran(ois LeGland.
L'accent a
t
mis sur les applications du ltrage de Kalman, no
tamment au travers d'applications  la trajectographie passive. Les
pr
requis probabilistes sont r
duits  leur plus simple expression.
Les lois de probabilit
s sont suppos
es poss
der une densit
. Un mini
mum de rappels de probabilit
s est propos
en annexe.

Fabien Campillo
Inria (Sophia Antipolis) & latp (umr cnrs 6632)
cmi 39 rue F. JoliotCurie 13435 Marseille Cedex 13
http://www.inria.fr/mefisto/personnel/campillo/