Aller au contenu
Omnikalc

Calculateur de gain de Kalman : combinez au mieux une prédiction et une mesure

Saisissez l’estimation précédente et sa variance, les bruits de processus et de mesure et une nouvelle mesure pour obtenir le gain de Kalman et l’estimation mise à jour.

Mis à jour le
Vos paramètres
°C

Valeur hors limites

Valeur hors limites

Valeur hors limites

Valeur hors limites

°C

Valeur hors limites

Résultats

Gain de Kalman K

0,692

Le filtre fait plus confiance à la nouvelle mesure qu’à sa prédiction
Estimation mise à jour
21,385 °C
Variance mise à jour
1,385
Variance prédite avant la mesure
4,500
Poids accordé à la mesure
69,2 %

Tout capteur est bruité, et tout modèle est imparfait. Le filtre de Kalman combine les deux de façon optimale. Le calculateur de gain de Kalman effectue une étape du filtre de Kalman scalaire. Avec l’estimation précédente, sa variance, le bruit de processus, le bruit de mesure et une nouvelle mesure, il donne le gain de Kalman, l’estimation mise à jour, la variance mise à jour et le poids accordé à la mesure.

Comment se fait le calcul

  • Saisissez votre estimation précédente de la grandeur et sa variance P, qui mesure son incertitude.
  • Saisissez le bruit de processus Q, l’incertitude ajoutée avec le temps, le bruit de mesure R, l’incertitude du capteur, et la nouvelle mesure.
  • Le calculateur effectue une étape du filtre de Kalman scalaire. L’étape de prédiction donne P⁻ = P + Q, et le gain de Kalman est K = P⁻ / (P⁻ + R).
  • L’étape de mise à jour donne la nouvelle estimation x = x₀ + K (z − x₀) et la nouvelle variance (1 − K) P⁻. Répétez l’étape pour chaque nouvelle mesure.

Exemple

Une estimation de la température d’une pièce est de 20 °C avec une variance de 4. Le bruit de processus est de 0,5 et le bruit du capteur de 2. La variance prédite est 4 + 0,5 = 4,5, donc le gain de Kalman est 4,5 / (4,5 + 2) = 0,692. Une nouvelle mesure de 22 °C déplace l’estimation de 0,692 × 2 = 1,38 °C, à 21,38 °C, et la variance tombe à 1,385.

Pourquoi c’est utile

Le filtre scalaire est le moyen le plus simple de comprendre l’idée du filtre de Kalman que l’on trouve dans les téléphones, les drones, les voitures et les vaisseaux spatiaux. Il montre comment le gain dépend de l’incertitude, et comment la variance diminue après chaque mesure. Il aide aussi à régler un filtre simple de capteur sans modèle d’état complet.

À savoir

Le calculateur vaut pour une seule grandeur avec un modèle constant, un processus de marche aléatoire et un bruit gaussien de variance connue. Les systèmes réels ont plusieurs états, des modèles non linéaires et un bruit non gaussien, ce qui demande des versions matricielles, le filtre étendu ou le filtre sans parfum. Prenez le résultat comme un guide pour lisser un seul capteur.

Outils liés

Le calculateur de moyenne mobile exponentielle est le filtre de lissage le plus simple, celui de moyenne pondérée combine des valeurs avec des poids, celui d’écart type mesure la dispersion, et celui de régression linéaire ajuste une tendance.

Questions fréquentes

Que fait le filtre de Kalman ?

Il combine une prédiction issue d’un modèle avec une mesure bruitée pour donner une estimation meilleure que chacune seule. Il pondère les deux selon leur incertitude : la source la plus certaine reçoit le poids le plus fort. Il sert en navigation, en poursuite, en robotique et en fusion de capteurs, et il a servi à guider les vaisseaux Apollo.

Qu’est-ce que le gain de Kalman ?

Le gain K est un nombre entre 0 et 1 qui fixe de combien l’estimation se déplace vers la nouvelle mesure. Si le capteur est très bruité, R est grand et K est petit, donc le filtre garde surtout sa prédiction. Si le capteur est précis, R est petit et K est proche de 1, et l’estimation suit la mesure.

Comment choisir Q et R ?

R vient du capteur : utilisez la variance de mesures répétées d’une grandeur constante, ou la valeur de la fiche technique. Q décrit de combien la vraie grandeur peut changer entre deux pas, et il est plus difficile à trouver. Régler Q est la tâche principale en pratique : un Q petit donne une estimation lisse mais lente, et un Q grand une estimation rapide mais bruitée.

Quel lien avec la moyenne mobile exponentielle ?

Dans le cas scalaire, la mise à jour est x = x₀ + K (z − x₀), c’est-à-dire une moyenne mobile exponentielle dont le facteur de lissage K change à chaque pas. Le filtre de Kalman trouve K à partir des incertitudes, et il se stabilise à une valeur constante quand Q et R sont constants. C’est pourquoi un filtre simple est souvent une bonne approximation.

Ce calculateur vous a-t-il été utile ?

Merci pour votre avis !

Résultats indicatifs fournis à titre d'information. Ils ne remplacent pas l'avis d'un professionnel.