Documentation

Représentation d’état et filtre de

Kalman

Fait par :
ERRADE Mariyem

Année :
2023-2024
Table des matières
1 Représentation d’état : 2
1.1 Objectif : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Définition : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Résoudre les équations d’état : . . . . . . . . . . . . . . . . . . . . . . . 3
1.3.1 Équation de transition : . . . . . . . . . . . . . . . . . . . . . . . 3
1.3.2 Équation différentielle simple : . . . . . . . . . . . . . . . . . . . . 3
1.3.3 Système d’équation : . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3.4 Les méthodes de résoudre l’équation : . . . . . . . . . . . . . . . . 3

2 Filtre de Kalman 5
2.1 Définition : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2 Objectif : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.3 Les types de filtre de Kalman : . . . . . . . . . . . . . . . . . . . . . . . 6
2.4 Domaine d’application de filtre de Kalman : . . . . . . . . . . . . . . . . 6

1
 1 Représentation d’état :
1.1 Objectif :
L’objectif de la représentation d’état d’un système est de fournir une description
complète et précise de l’état du système à un moment donné. Cela peut permettre de
comprendre le comportement du système, de prédire son évolution future et de prendre
des décisions en conséquence. La représentation d’état peut également aider à identifier
les facteurs clés qui influencent le système, à déterminer les relations causales entre les
différents éléments du système et à trouver des solutions pour optimiser son comporte-
ment. En général, l’objectif de la représentation d’état est de fournir une base solide pour
la compréhension, la prédiction et la contrôle de l’état d’un système, ce qui peut être
très utile dans de nombreuses applications, telles que la planification de la production, la
résolution de problèmes techniques, la prise de décisions économiques et la robotique

1.2 Définition :
La représentation d’état est la modélisation du fonctionnement du système.
En effet, on modélise le fonctionnement du système avec des equations d’état :

(
Ẋ(t) = f (X(t), U (t))
Y (t) = g(X(t), U (t))

1−La première équation présente l’équation d’évolution c’est une équation différentielle
permettent de savoir ou va se diriger l’état X(t) sachant sa valeur à l’instant présent t et
la commande U (t) actuelle.

2− la deuxième équation présente l’équation d’observation permet de calculer des

sorties Y (t) actuelles en fonction de l’état actuelX(t) et la commande actuelle U (t).

Mot Clés :
ˆ État : vecteur souvent noté X regroupant les variables d’état.
ˆ Entrées : vecteur souvent noté U regroupant en général les signaux de commande
directement envoyés au système, ou parfois leurs mesures plus ou mois directes.
ˆ Sortie : vecteur souvent noté Y regroupant en général les variables intéressantes
mesurées par les capteurs du système.

Alors, la représentation matricielle d’état est :

(
Ẋ(t) = AX(t) + BU (t)
Y (t) = CX(t) + DU (t)

2
 Avec :
A :Matrice d’état, matrice carréen × n.
B :Matrice d’entré,matrice n × 1.
C :Matrice de sortie , matrice 1 × n.
D :Matrice de transfert directe.
X(t) :Vecteur d’état.
Y (t) :Vecteur de commande.
U (t) :Vecteur de sortie.

1.3 Résoudre les équations d’état :

1.3.1 Équation de transition :
La solution de l’équation d’état est appelée l’équation de transition.
Résoudre les équations d’état consiste à déterminer l’expression d’état en fonction du
temps.Ou bien,à déterminer les expressions temporelles des n variables d’état connais-
sant le système (c.à.d A,B,C et D)et connaissant l’entrée U (t) qui lui est appliquée.

1.3.2 Équation différentielle simple :

On considère l’équation suivante :

ẋ = ax + bu

La solution de telle équation différentielle :

Z t
at
x(t) = e x(0) + ea(t−τ ) bu(τ )dτ
|0
| {z }
{z }
* La première partie de cette équation représente la solution libre.
* La seconde partie représente La solution forcée.

1.3.3 Système d’équation :

On considère le système suivant :

Ẋ(t) = AX(t) + BU (t)

La solution :
Rt
X(t) = eAt X(0) + 0
eA(t−τ ) BU (τ )dτ

1.3.4 Les méthodes de résoudre l’équation :

3
Méthode 1 :La méthode de la transformée de Laplace.
On peut trouver la matrice de transition eAt par :

eAt = L−1 [(pI − A)−1 ]

Méthode 2 :La méthode de la diagonalisation.

L’objectif est de diagonaliser la matrice A afin de déterminer la matrice de transition.
les étapes sont :
1- déterminer les valeurs propres pour construire la matrice diagonale D :
Tel que :
 
λ1 0 ... 0
.. 
 0 λ2 0 . 

D= . .
 .. ..

0 0
0 ··· 0 λn

2- Calculer Les vecteurs propres pour déterminer T et T −1

3- On détermine A tel que :

A = T DT −1

4- Alors la matrice de transition est :

eAt = T eDt T −1

4
 2 Filtre de Kalman
2.1 Définition :
L’algorithme de filtre de Kalman est un algorithme de filtrage qui utilise des mesures
observées et un modèle mathématique pour estimer les valeurs cachées d’un système in-
certain ou en évolution.
L’algorithme de filtre de Kalman peut être décrit comme suit :
1. Initialisation : La première étape consiste à initialiser les variables du filtre, telles que
la covariance d’erreur, la matrice de transition et les matrices de mesure et de processus.
2. Prédiction : La deuxième étape consiste à utiliser les équations de prédiction pour es-
timer la valeur cachée du système à l’étape suivante en utilisant les mesures précédentes
et les équations de transition.
3. Correction : La troisième étape consiste à utiliser les mesures observées pour corriger
les estimations précédentes en utilisant les équations de correction.
4. Mise à jour : La quatrième étape consiste à mettre à jour les variables du filtre, telles
que la covariance d’erreur, la matrice de transition et les matrices de mesure et de pro-
cessus.
5. Répétition : Les étapes 2 à 4 sont répétées pour chaque nouvelle mesure observée.
L’algorithme de filtre de Kalman utilise des techniques statistiques pour estimer les in-
certitudes dans les mesures et les variables cachées du système. Il utilise également des
méthodes de mise à jour pour ajuster les estimations en temps réel en fonction des nou-
velles mesures.

En bref,le filtre de Kalman est un algorithme qui estime l’état d’un système à partir
de mesures incomplètes ou bruitées et d’un modèle d’état.
L’état peut être calculé pour l’instant présent (filtrage/correction/mise à jour/innovation),un
instant passé (lissage), ou sur un horizon futur (prédiction).
Forme des équations d’état :
(
Xk+1 = Ak Xk + Uk + αk
Y k = C k X k + βk

Avec αk est le bruit d’état et βk le bruit de mesure.

5
2.2 Objectif :
On cherche la meilleur façon d’estimer Xk à partir de yk ( mesures actuelles)et
Xk−1 (estimation de l’état précédent).
La représentation d’état avec l’observateur :
˙
(
X̂ = AX̂ + BU + L(Y − C X̂)
Ŷ = C X̂

Avec L présente le gain d’observateur.

2.3 Les types de filtre de Kalman :

Il existe plusieurs types de filtres de Kalman, notamment :

1. Filtre de Kalman classique : C’est le filtre de Kalman original qui est utilisé pour
estimer l’état d’un système linéaire et gaussien.

2. Filtre de Kalman étendu (EKF) : C’est une extension du filtre de Kalman classique
qui peut être utilisée pour des systèmes non linéaires.

3. Filtre de Kalman Unscented (UKF) : C’est un autre type de filtre de Kalman pour
les systèmes non linéaires. Il utilise une technique d’échantillonnage appelée ”scented
sampling” pour produire des estimations plus précises.

4. Filtre de Kalman cubique : C’est un filtre de Kalman qui utilise des polynômes
cubiques pour modéliser les relations non linéaires entre les entrées et les sorties d’un
système.

5. Filtre de Kalman en ligne : C’est un filtre de Kalman qui peut être utilisé pour
estimer l’état d’un système en temps réel. Il ne nécessite pas de données historiques pour
fonctionner.

6. Filtre de Kalman à état caché multi-modèle (MM-EKF) : C’est un filtre de Kal-

man qui peut gérer des incohérences dans les données en utilisant plusieurs modèles pour
estimer l’état d’un système.

2.4 Domaine d’application de filtre de Kalman :

Voici quelques exemples d’application du filtre de Kalman :

1. Navigation : le filtre de Kalman est utilisé pour estimer la position, la vitesse et

l’accélération d’un véhicule à partir de capteurs tels que le GPS, l’accéléromètre et le
gyroscope.

2. Suivi d’objets : le filtre de Kalman est utilisé pour estimer la position et la vitesse
d’objets en mouvement à partir de mesures bruitées provenant de caméras, de radars ou

6
de lidars.

3. Traitement de signal : le filtre de Kalman est utilisé pour extraire des signaux cachés
à partir de mesures bruitées, par exemple pour filtrer des bruits de fond dans des signaux
audio ou pour détecter des anomalies dans des signaux électriques.

4. Contrôle de processus : le filtre de Kalman est utilisé pour estimer l’état d’un pro-
cessus à partir de mesures bruitées et ajuster les actions de contrôle en conséquence.