Filtre de Kalman Étendu
- Introduite par
- Richard S. Bucy
- Année
- 1961
- Type
- algorithm
- Famille
- Nonlinear Estimation
Ce texte est une traduction automatique et n’a pas encore été relu. Lire l’original en anglais
À quoi sert-elle ?
Le filtre de Kalman étendu (EKF) est la généralisation non linéaire du filtre de Kalman, étendant l'algorithme d'estimation d'état linéaire aux systèmes non linéaires par linéarisation locale.
Développé par Bucy au début des années 1960, l'EKF est devenu l'outil de référence pour l'estimation d'état dans les systèmes non linéaires en robotique, en aérospatiale et en navigation, permettant le traitement en temps réel de mesures bruitées issues de capteurs et de dynamiques non linéaires.
L’intuition derrière la méthode
Le filtre de Kalman est optimal pour les systèmes linéaires, mais les systèmes réels sont souvent non linéaires (les capteurs de robots mesurent des angles, pas des états ; la navigation implique des relations trigonométriques). L'EKF étend le filtre de Kalman linéaire en linéarisant les dynamiques du système non linéaire et les équations de mesure autour de l'estimation d'état actuelle. À chaque pas de temps, l'EKF calcule les matrices jacobiennes (dérivées partielles) des fonctions non linéaires, puis applique les équations standard du filtre de Kalman linéaire en utilisant ces jacobiennes. Le résultat est une estimation localement optimale qui gère bien les non-linéarités modérées, bien qu'elle perde la garantie d'optimalité globale du filtre de Kalman linéaire.
Histoire
Bucy a développé l'EKF en 1961 comme une extension du filtre de Kalman aux systèmes non linéaires. La méthode a été rapidement adoptée pour la navigation spatiale (programme Apollo) et le contrôle d'aéronefs. Battin et d'autres ont affiné l'implémentation numérique pour les systèmes embarqués. Le manuel de Bar-Shalom (2001) est devenu la référence standard. Les variantes modernes incluent le filtre de Kalman non parfumé (UKF), qui utilise un échantillonnage déterministe au lieu de la linéarisation, et le filtre de Kalman d'ensemble (EnKF), utilisé dans l'assimilation de données à grande échelle.
Quand l’utiliser
Utilisez l'EKF lorsque vous avez un système non linéaire et que vous souhaitez une estimation d'état en temps réel à partir de mesures bruitées. Il est idéal pour la robotique (fusion de capteurs IMU, GPS, données d'encodeur), la navigation (unités de mesure inertielle d'aéronefs) et les systèmes de contrôle (rétroaction d'état sur des usines non linéaires). L'EKF fonctionne bien pour les systèmes avec des non-linéarités légères à modérées et un bruit gaussien. Évitez l'EKF si le système est fortement non linéaire (forte courbure), si le bruit n'est pas gaussien, ou si vous avez besoin de bornes garanties sur l'erreur d'estimation (utilisez des méthodes d'intervalle).
Limites et points d’attention
- Sous-optimal pour les systèmes non linéaires ; la linéarisation introduit des erreurs d'approximation qui s'accumulent.
- Le calcul jacobien peut être sujet aux erreurs ; les erreurs numériques dans les dérivées dégradent les performances.
- Suppose un bruit gaussien et des équations de mesure linéaires ; des mesures non gaussiennes ou fortement non linéaires entraînent une divergence du filtre.
- Linéarisation locale uniquement ; échoue pour de grandes perturbations d'état éloignées de l'estimation.
- Peut diverger si l'estimation initiale est trop éloignée de l'état réel ou si le décalage du modèle est important.
Les conditions de la source ne remplacent ni une revue scientifique indépendante ni la validation par un moteur d’analyse.
Points forts
- Étend l'optimalité et l'efficacité récursive du filtrage de Kalman aux systèmes non linéaires.
- Implémentation en temps réel possible ; s'adapte bien aux systèmes de grande dimension (utilisé dans l'automobile et l'aérospatiale).
- Théorie bien comprise et implémentations abondantes ; écosystème logiciel mature.
- Peut fusionner plusieurs capteurs non linéaires (caméra, lidar, radar) en une estimation d'état unifiée.
- Fournit une estimation de la covariance d'état, permettant la prise de décision basée sur la confiance dans l'estimation.
Applications
- Robotique : Localisation de robots mobiles fusionnant l'odométrie et les observations de points de repère, SLAM en temps réel avec des capteurs bruyants.
- Aérospatiale : Estimation d'état d'aéronefs à partir d'IMU et de GPS (fusion de capteurs), estimation d'attitude de véhicules spatiaux à partir de capteurs stellaires.
- Automobile : Localisation de véhicules à partir d'encodeurs de roues et de GPS, estimation d'état pour le régulateur de vitesse adaptatif.
- Navigation : Estimation du biais d'unité de mesure inertielle (IMU), intégration GPS/INS pour un positionnement précis.
- Vision par ordinateur : Suivi d'objets 3D à partir de vidéo, odometrie visuelle combinant les mesures de caméra et d'IMU.
Comment ça marche
Comment ça marche
Définir l'estimation d'état initiale x_hat_0 et l'estimation de covariance P_0 ; celles-ci reflètent votre incertitude quant à la condition initiale.
Utiliser le modèle de mouvement non linéaire x_{k+1} = f(x_k, u_k) pour prédire l'état suivant ; calculer la jacobienne F_k de f et propager la covariance en utilisant P_{k+1|k} = F_k P_k F_k^T + Q.
À chaque instant de mesure, calculer la jacobienne H_k de la fonction de mesure h autour de l'état prédit x_hat_{k|k-1}.
Appliquer la mise à jour standard du filtre de Kalman : calculer le gain de Kalman K_k, mettre à jour l'estimation d'état x_hat_{k|k}, et mettre à jour la covariance P_{k|k}.
Pièges courants
- Calculer incorrectement les jacobiennes (erreurs de signe, termes manquants) ; toujours vérifier numériquement par rapport aux différences finies.
- Sur-ajuster les covariances de bruit Q et R ; des statistiques de bruit mal spécifiées entraînent une divergence du filtre ou une convergence lente.
- Ignorer l'observabilité ; si le système n'est pas observable, les gains du filtre deviennent peu fiables et les estimations divergent.
- Supposer des distributions gaussiennes ; le bruit réel des capteurs a souvent des valeurs aberrantes, ce qui peut induire le filtre en erreur.
Questions fréquentes
Comment calculer les matrices jacobiennes pour l'EKF ?
Calculez la jacobienne en prenant les dérivées partielles : F[i,j] = ∂f_i/∂x_j évaluée à l'estimation actuelle. Pour les fonctions complexes, utilisez des outils de différenciation automatique (par exemple, PyTorch, JAX) pour éviter les erreurs. Vérifiez toujours numériquement en comparant aux approximations par différences finies : (f(x+ε)-f(x))/ε.
Quelle est la différence entre EKF et UKF ?
L'EKF linéarise la fonction non linéaire en utilisant un développement de Taylor (jacobienne). L'UKF échantillonne plutôt un ensemble de points choisis de manière déterministe (points sigma) autour de l'estimation et les propage à travers la fonction non linéaire, capturant une non-linéarité d'ordre supérieur sans jacobiennes explicites. L'UKF est souvent plus précis pour les systèmes fortement non linéaires mais légèrement plus coûteux en calcul.
Comment détecter la divergence du filtre ?
Surveillez l'innovation normalisée (résidu de mesure divisé par la covariance de mesure prédite). Pour un filtre bien réglé, ces innovations devraient être blanches (moyenne nulle, variance constante). Si les innovations sont constamment biaisées ou ont une variance croissante, le filtre diverge. Vérifiez également que la covariance prédite diminue avec le temps ; si elle augmente, l'incertitude du modèle Q est trop grande.
Puis-je utiliser l'EKF pour des systèmes avec des retards temporels ?
L'EKF standard ne gère pas les retards temporels dans les mesures. Pour utiliser l'EKF avec des mesures retardées, augmentez le vecteur d'état pour inclure les états passés, ou utilisez une variante de filtre de Kalman retardé qui stocke et traite les mesures désordonnées. Une autre approche consiste à augmenter la covariance de bruit de mesure R pour tenir compte de l'incertitude du retard.
Méthodes associées
Sources
Bucy, R. S. (1961). A linear approximation to the solution of nonlinear filtering equations. Technical Report No. 32-486, Jet Propulsion Laboratory.
Ouvrir la référence de la publicationCopié.Bar-Shalom, Y., Li, X. R., & Kirubarajan, T. (2001). Estimation with Applications to Tracking and Navigation. Wiley-Interscience.
Ouvrir la référence DOICopié.Welch, G., & Bishop, G. (2006). An Introduction to the Kalman Filter. UNC-CH Technical Report.
Ouvrir la référence de la publicationCopié.