Extended Kalman Filter (EKF)

Le Filtre de Kalman Étendu (EKF) est un algorithme mathématique robuste conçu pour estimer l'état d'un système dynamique qui se comporte de manière non linéaire. Alors que le Kalman Filter (KF) standard fournit une solution optimale pour les systèmes se déplaçant en ligne droite ou suivant des équations linéaires simples, la physique du monde réel est rarement aussi prévisible. La plupart des objets physiques, tels qu'un drone luttant contre la résistance du vent ou un bras robotique tournant sur plusieurs axes, suivent des trajectoires courbées ou complexes. L'EKF répond à cette complexité en créant une approximation linéaire du système à un moment précis dans le temps, permettant aux ingénieurs et aux data scientists d'appliquer des techniques de filtrage efficaces aux tâches de predictive modeling même lorsque la mécanique sous-jacente est compliquée.

Mécanisme et linéarisation#

Pour gérer des dynamiques complexes, l'EKF emploie un processus mathématique appelé linéarisation, qui estime essentiellement la pente d'une fonction au point de fonctionnement actuel. Cela implique souvent le calcul d'une Jacobian matrix pour approximer la manière dont le système change sur de courts intervalles. L'algorithme fonctionne dans une boucle récursive composée de deux phases principales : la prédiction et la mise à jour. Dans la phase de prédiction, le filtre projette l'état actuel vers l'avant à l'aide d'un modèle physique de mouvement. Dans la phase de mise à jour, il corrige cette projection en utilisant de nouvelles données, souvent bruitées, provenant de capteurs tels que des gyroscopes ou des accéléromètres. Ce cycle continu de prédiction et de correction aide à réduire le data noise et fournit une estimation plus fluide et plus précise de l'état réel que ne pourrait le faire un seul capteur de manière isolée.

Pertinence en vision par ordinateur#

Dans le domaine de la computer vision (CV), le Filtre de Kalman Étendu joue un rôle essentiel pour maintenir l'identité d'éléments en mouvement. Les modèles avancés tels que YOLO26 sont exceptionnels pour détecter des objets dans des images uniques, mais ils ne comprennent pas intrinsèquement la continuité du mouvement au fil du temps. En intégrant un EKF ou une logique similaire, un système d'object tracking peut prédire où une bounding box devrait apparaître dans la frame vidéo suivante en fonction de sa vitesse et de sa trajectoire précédentes. Ceci est particulièrement utile pour gérer les occlusions, où un objet est temporairement bloqué de la vue ; le filtre maintient la "piste" active en estimant la position de l'objet jusqu'à ce qu'il soit à nouveau visible, une technique indispensable pour un multi-object tracking (MOT) robuste.

Applications concrètes#

La polyvalence de l'EKF en fait une technologie de premier plan dans diverses industries de haute technologie où le machine learning (ML) croise le matériel physique :

• Autonomous Vehicles: Les voitures autonomes s'appuient sur le sensor fusion pour naviguer en toute sécurité. Un EKF fusionne des flux de données distincts provenant des systèmes de positionnement global (GPS), du LiDAR et du radar pour calculer la position précise et l'orientation du véhicule sur la route, en compensant les pertes de signal ou le bruit environnemental.
• Robotics: Les robots opérant dans des environnements non structurés utilisent des algorithmes de Simultaneous Localization and Mapping (SLAM). L'EKF aide un robot à construire une carte d'une pièce tout en déterminant simultanément sa propre position au sein de cette carte, en corrigeant le patinage des roues ou la dérive des capteurs pour garantir un mouvement précis.
• Pose Estimation: Dans des applications telles que la réalité virtuelle ou l'analyse sportive, le suivi des articulations humaines nécessite d'atténuer les points clés instables. Les algorithmes EKF affinent la sortie des modèles de deep learning pour créer des animations de mouvement fluides et naturelles pour les systèmes d'action recognition.

Comparaison avec des concepts associés#

Il est utile de distinguer le Filtre de Kalman étendu des méthodes de filtrage apparentées pour comprendre son utilité spécifique :

• EKF vs. Kalman Filter (KF): Le KF standard est mathématiquement optimal et moins coûteux en calculs, mais il échoue lorsque les systèmes sont fortement non linéaires. L'EKF étend le KF pour fonctionner avec des systèmes non linéaires via l'approximation.
• EKF vs. Particle Filter: Un filtre particulaire gère très bien la non-linéarité et le bruit non gaussien en utilisant de nombreux échantillons aléatoires (particules) pour représenter la probabilité. Cependant, il nécessite une computational power nettement supérieure, faisant de l'EKF un choix privilégié pour les embedded systems aux ressources limitées.
• EKF vs. Unscented Kalman Filter (UKF): Le Unscented Kalman Filter offre un juste milieu, en utilisant des points d'échantillonnage déterministes pour gérer la non-linéarité sans le calcul complexe requis par l'EKF, bien que l'EKF reste une norme de l'industrie pour de nombreux systèmes de contrôle.

Exemple d'implémentation#

Dans le package ultralytics, les algorithmes de suivi utilisent en interne des concepts de filtrage de Kalman pour lisser les trajectoires et associer les détections entre les frames. Bien que tu ne codes pas manuellement les mathématiques matricielles de l'EKF lors de l'utilisation d'outils de haut niveau, comprendre qu'il alimente le tracker aide à configurer les paramètres pour la Ultralytics Platform.

Voici comment initier un tracker avec un YOLO model, qui utilise ces techniques de filtrage pour l'estimation d'état :

from ultralytics import YOLO

# Load the latest YOLO26 model (nano version for speed)
model = YOLO("yolo26n.pt")

# Track objects in a video source
# Trackers like BoT-SORT or ByteTrack use Kalman filtering logic internally
results = model.track(source="https://ultralytics.com/images/bus.jpg", tracker="botsort.yaml")

# Print the ID of the tracked objects
for r in results:
    if r.boxes.id is not None:
        print(f"Track IDs: {r.boxes.id.numpy()}")