Technologie / Guide technique
Estimation de Kalman : Prédiction, Innovation et Covariance
L’estimation de Kalman combine une prédiction dynamique avec une observation dans le cadre d’un modèle mathématique explicite. Elle maintient une estimation de l’état interne et un modèle de l’erreur d’estimation. Une courbe d’apparence plus lisse n’est pas sa caractéristique déterminante, et le nom de la méthode ne permet pas d’établir l’exactitude lorsque les hypothèses sous-jacentes sont erronées.
Prédiction et observation portent des informations différentes.
Suivez la manière dont leur différence intervient dans la correction, puis distinguez la covariance modélisée de la certitude mesurée.
01 / Deux modèles.
Le mouvement et l’observation sont décrits par des relations distinctes.
Un modèle linéaire discret de base décrit x[k] à partir de l'état précédent à travers une matrice de transition, avec un terme de bruit de processus.
Un modèle linéaire discret de base décrit x[k] à partir de l’état précédent au moyen d’une matrice de transition, avec un terme de bruit de processus. Un modèle d’observation transforme l’état courant en z[k] au moyen de H, avec un terme distinct de bruit de mesure.
MathWorks présente ces relations de prédiction et de correction. L'incertitude de processus concerne l'évolution de l'état ; l'incertitude de mesure concerne l'observation rapportée. Il ne s'agit pas de deux désignations d'une même source de bruit, et ces incertitudes ne sont pas automatiquement indépendantes dans tous les systèmes physiques.
02 / Prédiction
L’estimation évolue selon la dynamique spécifiée.
L’état prédit découle de l’estimation précédente et des entrées connues du modèle.
L'état prédit découle de l'estimation précédente et des entrées connues du modèle. Sa covariance évolue également, en incluant la contribution Q du bruit de processus. Cela représente l'incertitude dans le cadre du modèle supposé, plutôt que des informations nouvellement observées sur la réalité physique.
Une prédiction peut rester lisse tout en dérivant sous l’effet d’un changement non représenté. À l’inverse, une augmentation modélisée de l’incertitude peut être appropriée même lorsque la courbe prédite paraît stable. Le caractère lisse et la confiance justifiée répondent à des questions différentes.
03 / Innovation
La correction part de l’écart entre la valeur mesurée et la valeur prédite.
L'innovation est z−H x_predicted : la différence entre l'observation et sa mesure prédite.
L’innovation est z−H x_predicted : l’observation moins sa mesure prédite. Un gain transforme cette différence en correction de l’état. Lorsque l’état et l’observation ont des unités différentes, ce gain doit effectuer la conversion dimensionnelle correspondante.
Une innovation de grande amplitude n’indique pas uniquement un capteur défaillant. Elle peut résulter d’une inadéquation du modèle, d’un changement réel, d’un biais ou d’un problème d’observation. Le Guide d'observabilité. explique pourquoi certaines distinctions internes ne peuvent pas être reconstituées à partir des seules sorties choisies.
04 / Exemple scalaire
Le système de pondération est basé sur des entrées d'incertitude inventées.
Modèle scalaire hypothétique : l'état prédit est de 4 unités avec une variance de 4 unités² ; une observation indépendante est de 6 unités avec une variance de mesure de 1 unité², et H = 1.
Modèle scalaire hypothétique. L'état prédit est de 4 unités avec une variance de 4 unités² ; une observation indépendante est de 6 unités avec une variance de mesure de 1 unité², et H = 1. Le gain est de 4/(4+1) = 0.8.
L’estimation corrigée est de 4+0.8(6−4) = 5.6 unités, avec une variance a posteriori modélisée de (1−0.8)4 = 0.8 unités². Ces valeurs illustrent une mise à jour idéale. Ce ne sont ni des réglages de filtre, ni des mesures de produit, ni la preuve que l’erreur physique est désormais connue exactement.
05 / Hypothèses concernant le bruit.
La covariance décrit la dispersion et la variation partagée.
L’interprétation linéaire standard conserve les moyennes, les covariances et les relations déclarées des erreurs de processus et de mesure.
L’interprétation linéaire standard conserve les moyennes, les covariances et les relations déclarées des erreurs de processus et de mesure. Les erreurs corrélées nécessitent un modèle approprié ; ignorer une perturbation commune peut conduire à traiter des informations répétées comme des preuves indépendantes.
Les éléments diagonaux de la matrice de covariance s’expriment dans les unités au carré de leurs variables ; les éléments hors diagonale s’expriment dans les produits des unités correspondantes. Une variance n’est pas une enveloppe de tolérance. Une faible covariance calculée peut coexister avec une estimation physique biaisée si ce biais est absent du modèle.
06 / Périmètre
Une estimation fondée sur un modèle n’est pas un remède universel contre le bruit.
L'estimation de Kalman diffère d'une transformation passe-bas fixe car la prédiction, la correspondance avec les observations et l'incertitude régissent sa correction.
L'estimation de Kalman diffère d'une transformation passe-bas fixe, car la prédiction, la correspondance avec les observations et l'incertitude régissent sa correction. Les dynamiques non linéaires, les valeurs aberrantes et les observations manquantes soulèvent des questions supplémentaires de modélisation ; les équations simples ne les résolvent pas automatiquement.
Aucun filtre de Kalman, aucune valeur de covariance ni aucune amélioration de la précision ne sont confirmés pour MARSTON. L’explication ne fournit ni mise en œuvre, ni réglage de covariance, ni ajustement à partir de données en temps réel, et ne qualifie pas un contrôleur non vérifié d’avancé simplement en nommant un algorithme.
Guides techniques associés : États dynamiques et observabilité : ce que les sorties peuvent révéler · Corrélation croisée : signe du décalage, similarité et délai temporel. · Mesure ratiométrique : référence commune et erreurs résiduelles.
Complétez l’examen de l’estimation avec biais, variance et erreur quadratique moyenne d’un estimateur, résidus des moindres carrés et erreurs d'entrée, et résidus du modèle et causes ambiguës.
Contexte général : MathWorks : Prédiction linéaire, innovation et équations de covariance.. Ces références expliquent des concepts du secteur ; elles sont distinctes des documents MARSTON applicables au produit et au projet.
Concepts clés et conditions.
Interpréter chaque grandeur avec sa référence, ses unités et les conditions indiquées. Une relation générale ne permet pas d’établir une valeur propre à un modèle.
| Concept / grandeur | Signification / relation | Conditions / limites |
|---|---|---|
| État prédit | Estimation interne propagée par le modèle | Ce n’est pas une nouvelle observation directe. |
| Innovation | z−H x_predicted | Son signe et ses unités de mesure sont explicites. |
| Q | Covariance du bruit de processus. | S’applique au modèle d’évolution de l’état indiqué. |
| R | Covariance de bruit de mesure. | À distinguer de l’incertitude du processus. |
| Covariance a posteriori | Dispersion modélisée de l’erreur d’estimation | Pas une borne garantie de l’erreur physique. |
Questions d’ingénierie.
Est-ce que l'estimation de Kalman est simplement un lissage ?
Non. La dynamique, les observations et l'incertitude déterminent la correction.
Une grande innovation révèle-t-elle un capteur défectueux ?
Pas de manière univoque ; plusieurs causes liées au modèle ou à des phénomènes physiques peuvent y contribuer.
Est-ce que la covariance est une tolérance admise ?
Non. Cela décrit la dispersion statistique modélisée.
Est-il possible qu'une faible covariance coexiste avec un biais ?
Oui, si le modèle ne parvient pas à représenter ce biais.
0.8 et 5.6 sont-ils des résultats MARSTON ?
Non, ils découlent d'un exemple scalaire inventé et indépendant.
Cette page prescrit-elle le réglage des filtres ?
Aucune implémentation ni aucun paramétrage de l’incertitude ne sont fournis.
Demande technique
Discutons de la question technique.
L’estimation de Kalman combine une prédiction dynamique et une observation dans le cadre d’un modèle mathématique spécifié. Communiquez le modèle et les informations de fonctionnement ou de conception applicables pour une discussion technique.