Glossaire

Filtre de Kalman étendu (EKF)

Apprends comment le filtre de Kalman étendu permet une estimation d'état précise pour les systèmes non linéaires en robotique, les véhicules autonomes et la fusion de capteurs.

Entraîne les modèles YOLO simplement
avec Ultralytics HUB

En savoir plus

Le filtre de Kalman étendu (EKF) est un algorithme puissant utilisé pour estimer l'état d'un système lorsque la dynamique du système ou la façon dont les mesures sont prises implique des fonctions non linéaires. Il étend les principes du filtre de Kalman standard (KF) pour gérer ces complexités courantes du monde réel. Cela fait de l'EKF un outil précieux dans diverses applications d'intelligence artificielle (AI) et d'apprentissage automatique (ML) où la compréhension de l'état actuel d'un système dynamique est cruciale, en particulier lorsqu'il s'agit de données de capteurs bruyantes et qu'il est nécessaire de procéder à une inférence en temps réel.

Comprendre le filtre de Kalman étendu (EKF)

L'EKF est un processus itératif d'estimation de l'état, qui permet de déterminer l'état interne caché d'un système (comme la position, la vitesse ou l'orientation) sur la base d'une série de mesures potentiellement imprécises au fil du temps. De nombreux systèmes du monde réel, des robots se déplaçant dans des environnements complexes à la navigation aérienne, suivent des règles qui ne sont pas de simples relations linéaires, connues sous le nom de systèmes non linéaires. L'EKF relève ce défi en faisant une approximation des parties non linéaires du système.

Il utilise une technique mathématique, en particulier une expansion en série de Taylor, pour créer une approximation linéaire des fonctions non linéaires autour de la meilleure estimation actuelle de l'état. Cette linéarisation permet d'appliquer le cycle principal de prédiction et de mise à jour du filtre de Kalman, même si le système sous-jacent n'est pas vraiment linéaire. L'EKF fonctionne en deux étapes répétitives similaires à celles du KF :

  1. Prédire : estimer le prochain état du système en fonction de l'état actuel et du modèle dynamique (linéarisé) du système. Cette prédiction augmente naturellement l'incertitude.
  2. Mise à jour : utilise la dernière mesure pour corriger l'état prédit. Le filtre pondère la prédiction et la mesure en fonction de leurs incertitudes respectives (à l'aide du modèle de mesure linéarisé) pour produire une estimation d'état améliorée et mise à jour avec une incertitude réduite. Cette étape implique le calcul du gain de Kalman, qui détermine l'influence de la mesure sur la mise à jour.

Ce cycle permet à l'EKF d'affiner continuellement son estimation au fur et à mesure que de nouvelles données sont disponibles, en s'adaptant au comportement non linéaire du système au fil du temps. La compréhension de ce processus est cruciale pour les tâches impliquant l'analyse de séries temporelles.

Principales différences avec le filtre de Kalman

La différence fondamentale entre l'EKF et le filtre de Kalman (KF) standard est la façon dont ils traitent le modèle du système. Le KF suppose que les transitions d'état du système et les processus de mesure sont linéaires. Cette hypothèse simplifie les calculs mais limite son applicabilité. L'EKF, en revanche, est spécialement conçu pour les systèmes dont l'un ou les deux processus sont non linéaires. Il y parvient en linéarisant ces fonctions non linéaires à chaque pas de temps à l'aide de matrices jacobiennes (dérivées de l'expansion de la série de Taylor).

Cette linéarisation est une approximation. Bien que puissante, elle signifie que la précision et la stabilité de l'EKF peuvent parfois être moins fiables que les performances du KF sur des systèmes purement linéaires, en particulier si le comportement du système est fortement non linéaire ou si l'estimation de l'état initial est médiocre. L'approximation introduit des erreurs auxquelles le KF standard n'est pas confronté. Pour les systèmes vraiment linéaires, le KF standard fournit une solution optimale et calculatoirement plus simple, souvent mesurée en termes de FLOPs. D'autres filtres, comme le filtre de Kalman non centré (UKF), ont été mis au point pour remédier à certaines limites de l'EKF dans les scénarios hautement non linéaires en utilisant une méthode d'approximation différente (transformée non centrée), mais souvent à un coût de calcul plus élevé. Tu peux explorer diverses tâches de vision par ordinateur où l'estimation de l'état est vitale.

Applications du filtre de Kalman étendu (EKF)

La capacité de l'EKF à gérer la non-linéarité le rend largement applicable dans les domaines de l'IA, de la ML et de l'ingénierie qui nécessitent une estimation en temps réel à partir de données de capteurs :

  • Robotique: Utilisé intensivement pour la navigation et la localisation des robots, en particulier dans des techniques telles que la localisation et la cartographie simultanées (SLAM), où un robot construit une carte d'un environnement inconnu tout en gardant simultanément la trace de son propre emplacement à l'intérieur. Les mouvements du robot et les lectures des capteurs (comme les balayages laser ou les images des caméras) impliquent souvent des relations non linéaires. Pour en savoir plus sur l'intégration de l'IA dans la robotique, consulte le Guide de démarrage rapide de ROS.
  • Véhicules autonomes: Essentiel pour fusionner les données de divers capteurs comme le GPS, les unités de mesure inertielle (IMU), le LIDAR, le radar et les caméras afin d'estimer avec précision la position, l'orientation et la vitesse du véhicule, ainsi que pour suivre les autres véhicules et les piétons dont les mouvements sont intrinsèquement non linéaires. Découvre comment l'IA est utilisée dans les solutions d'IA dans l'automobile.
  • Vision par ordinateur et suivi d'objets: Employé pour le suivi d'objets dont la dynamique de mouvement n'est pas linéaire (par exemple, les objets qui accélèrent, les objets qui tournent brusquement). Alors que des modèles comme Ultralytics YOLO effectuent la détection initiale, l'EKF peut faire partie de l'algorithme de suivi (comme ceux utilisés dans le mode de suivi deYOLO ) pour prédire et mettre à jour l'état de l'objet à travers les images. Un exemple est le suivi d'un drone dont les changements d'orientation (roulis, tangage, lacet) affectent de façon non linéaire la façon dont sa caméra embarquée perçoit le monde. Tu trouveras des informations plus générales sur le suivi vidéo ici.
  • Fusion de capteurs: Combine des mesures provenant de différents types de capteurs pour obtenir une estimation plus précise que celle qui pourrait être obtenue à partir de capteurs individuels. Par exemple, la fusion des données GPS (position absolue, mais bruyante et à basse fréquence) avec les données IMU (accélération et vitesse angulaire à haute fréquence, mais sujette à la dérive) sur un smartphone ou un drone. La relation entre les relevés IMU et l'orientation/la position de l'appareil implique une dynamique non linéaire complexe, ce qui rend l'EKF adapté.
  • Systèmes de navigation: Utilisés dans l'aérospatiale pour guider les avions, les satellites et les engins spatiaux, où la mécanique orbitale et les effets atmosphériques introduisent des non-linéarités. Explore la recherche connexe sur le guidage aérospatial.
  • Traitement du signal: Appliqué à la réduction du bruit et à l'estimation de l'état dans les systèmes où les signaux ou les processus sous-jacents sont non linéaires.
  • Modélisation financière : Peut être adapté pour estimer les paramètres de certains modèles de séries temporelles financières qui présentent un comportement non linéaire, contribuant ainsi aux efforts de modélisation prédictive.

Bien qu'il s'agisse d'une approximation, le filtre de Kalman étendu reste un algorithme fondamental et largement utilisé pour l'estimation d'état dans les systèmes dynamiques non linéaires. Il permet de nombreuses technologies sophistiquées d'IA et d'automatisation disponibles aujourd'hui, dont certaines peuvent être explorées ou entraînées à l'aide de plateformes comme Ultralytics HUB, qui simplifie l'entraînement et le déploiement des modèles. Comprendre l'EKF permet d'apprécier les complexités impliquées dans la perception et l'interaction des machines avec le monde dynamique, un objectif central exploré dans des ressources telles que Steps of a Computer Vision Project (Étapes d'un projet de vision par ordinateur).

Tout lire