Un estimateur bayésien récursif pour des systèmes dynamiques linéaires sous hypothèse de bruit gaussien qui produit des estimations d'état à variance minimale en alternant étapes de prédiction (mise à jour temporelle) et de correction (mise à jour par mesure).

Principe

Propager une estimation d'état gaussienne à travers des dynamiques linéaires et mettre à jour cette estimation en conditionnant sur de nouvelles mesures linéaires-gaussiennes ; la mise à jour de Kalman minimise la covariance a posteriori parmi les estimateurs linéaires sans biais sous les hypothèses du modèle.

Démonstration

Suivre la position et la vitesse d'un aéronef : utiliser un modèle de mouvement linéaire pour prédire l'état et la covariance, puis incorporer des mesures radar avec un bruit connu pour calculer le gain de Kalman et corriger l'état prédit afin d'obtenir une estimation améliorée.

Mauvaise application

Appliquer le filtre de Kalman standard à des dynamiques fortement non linéaires ou à des bruits non gaussiens sans adaptation, ce qui génère des estimations biaisées ou inconsistantes car les conditions d'optimalité linéaire-gaussiennes sont violées.

Conséquence

Sous les hypothèses du modèle, le filtre de Kalman fournit des estimations séquentielles optimales de l'état et de la covariance, permettant un filtrage en temps réel efficace, des opérations de lissage et l'évaluation de vraisemblance pour l'estimation de paramètres.

Inversion

Les estimateurs par lot non récursifs ou les filtres particulaires fonctionnent différemment : le lissage par lot utilise toutes les données conjointement pour une postérieure, tandis que les filtres particulaires approchent des postérieures arbitraires à coût computationnel supérieur et sans contraintes de linéarité-gaussianité.

Limite

Valide pour des modèles d'état linéaires avec bruit additif gaussien ou pour des approximations localement linéaires ; n'assure pas d'optimalité exacte lorsque les modèles sont non linéaires ou le bruit significativement non gaussien sans adaptations telles que EKF, UKF ou méthodes particulaires.

Tension sémantique

Tension entre filtrage de Kalman et filtrage particulaire ou filtres variationnels : les méthodes de Kalman privilégient la tractabilité et les mises à jour analytiques de covariance sous gaussianité, tandis que les particulaires échangent optimalité analytique contre applicabilité à la non-linéarité et à la non-gaussianité.

Synthèse

Le filtre de Kalman est un algorithme récursif en forme fermée qui transforme des estimées gaussiennes a priori via des modèles linéaires et des mesures en gaussiennes a posteriori grâce à un gain qui minimise l'incertitude ; il est efficace en calcul et optimal sous ses hypothèses, mais nécessite adaptation ou remplacement en cas de violation.