UMR CNRS 7253

Site Tools


en:q_cheng

ASER Seminar -- February 16th, 2010


Estimation d'état: Du filtre de Kalman au filtre particulaire

by Qui CHENG, Postdoc Heudiasyc

Abstract:

Estimation d'état dans des modèles non linéaires est un sujet actif dans le domaine de l’automatique. De nombreux travaux ont été menés sur ce sujet depuis le célèbre filtre de Kalman qui est la solution optimale pour un modèle linéaire avec des bruits Gaussiens. Dans le contexte non linéaire, les équations intégrales définissant la solution optimale n'admettent pas en général de solution explicite.

Nous traitons les modèles linéaires et les modèles non linéaires dans un cadre unifié en prenant trois points de vue différents: la méthode des moindres carrés, l'approche Bayésiene et l'approche de la théorie de l'information. Le filtre de Kalman apparaît comme la solution optimale dans ces trois approches. Cependant, pour un modèle non linéaire ou pour un modèle linéaire non Gaussien, les trois points de vue conduisent à des filtres différents.

Nous présentons ensuite le principe du filtrage particulaire. Le filtre particulaire peut être considéré comme une approximation du filtre Bayésien recursif. L'idée consiste à représenter les densités dans le filtre Bayésien par un ensemble d'échantillons aléatoires avec des poids. Le filtre particulaire n'est rien d'autre qu'un échantillonnage d'importance séquentiel avec une étape de rééchantillonnage. Les performances du filtre particulaire dépendent fortement du choix de la distribution d'importance. Le choix le plus populaire est d'utiliser la fonction de transition (densité a priori) ce qui conduit au filtre bootstrap. Malgré de nombreuses propriétés attrayantes, ce choix peut conduire à de mauvaises performances lorsque le bruit d'état est trop fort ou lorsque le bruit d'observation est trop faible.

Nous introduisons deux nouveaux algorithmes de filtrage non linéaire permettant d'améliorer les performances du filtre particulaire. Pour le premier algorithme, nous proposons une méthode d'échantillonnage où chaque particule génère plusieurs sous-particules et on sélectionne la sous-particule dont la vraisemblance conditionnelle est maximale. Quand la variance de bruit d'état est forte, cette méthode fonctionne mieux que le filtre bootstrap classique, le filtre particulaire avec ré-échantillonnage au moyen d'une méthode de Monte Carlo par chaînes de Markov, le filtre particulaire dont la distribution d'importance est générée avec un filtre de Kalman étendu, le filtre particulaire “unscented”, et le filtre particulaire auxiliaire. Pour le second algorithme, nous introduisons un modèle auxiliaire et nous utilisons des filtres “unscented” pour générer la distribution d'importance dans le filtre particulaire. Lorsque la variance du bruit d'observation est faible, nous montrons que notre méthode a de meilleures performances que les filtres particulaires précédents.

Slides


User Tools