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.