1 / 20

Filtrage de Kalman

Filtrage de Kalman. Application au suivi des paramètres de problèmes de vision. 1/90. Cadre de l’étude. Un système physique. Distinction entre paramètres: qui modélisent le système que l’on peut mesurer. Estimer les premiers à partir des seconds. Cadre de l’étude.

jara
Download Presentation

Filtrage de Kalman

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Filtrage de Kalman Application au suivi des paramètres de problèmes de vision 1/90

  2. Cadre de l’étude • Un système physique. • Distinction entre paramètres: • qui modélisent le système • que l’on peut mesurer. • Estimer les premiers à partir des seconds.

  3. Cadre de l’étude Les paramètres mesurables observation xi Les paramètres internes (décrivant le modèle) vecteur d’état si

  4. Prise en compte des incertitudes • Les mesures sont imprécises/incertaines • Le modèle est simpliste • On veut savoir la fiabilité d’une estimation si de l’état courant si. ce que le filtre de Kalman permet.

  5. Formalisation: mesure et vecteur d’état • On a accès a: • bruit blanc additif et: • Evolution du modèle: • Modèle « lâche »:

  6. Formalisation: mesure et vecteur d’état • Filtrage de Kalman: processus itératif d’estimation du vecteur • Estimation à l’instant i: • traduit la confiance que l’on a en l’estimation • Si on connaît , la meilleure estimation possible de est:

  7. Formalisation: les équations de mesures • Liens entre les observations et le vecteur d’état: • Cas linéaire:

  8. Formalisation: les équations de mesures • Dans le cas non-linéaire, on s’y ramène: développement de Taylor à l’ordre 1 de • on a bien:

  9. L’algorithme • 3 étapes, propagation des incertitudes. • Initialisation: • Prédiction: • Calcul du gain de Kalman: • Mise à jour: • Un pas du filtre.

  10. Algorithme: interprétation • Compromis entre la contribution de la prédiction et de la mesure: • On peut réécrire: • Grande incertitude sur le vecteur d’état « grande » « grand » innovation favorisée. • Grande incertitude sur la mesure « grande » « petit » prédiction privilégiée.

  11. Algorithme: améliorations possibles • Filtres de Kalman itérés • Globalement • Localement • Objectif: limiter l’influence des linéarisations

  12. Utilisation pour l’estimation robuste • Réjection des mesures aberrantes: v.a. gaussienne de moyenne nul, de covariance • Distance de Mahalanobis associée: • Seuil de réjection tel que:

  13. Applications • Suivi de la trajectoire d’une particule dans le plan • Estimation des paramètres d’une ellipse à partir d’un nuage de points • Suivi des paramètres externes d’une caméra en trou d’épingle.

  14. Suivi de la trajectoire d’une particule dans le plan • Le système: mouvement à accélération constante • Equation de mesures: • Incertitude: Meyer a montré que

  15. Suivi de la trajectoire d’une particule dans le plan • Résultats: • influence des incertitudes • influence des incertitudes • Réjection des valeurs aberrantes

  16. Estimation des paramètres d’une ellipse à partir d’un nuage de points • Vecteur d’état: • Mesures: (points du nuage) • Equations de mesures:

  17. Estimation des paramètres d’une ellipse à partir d’un nuage de points • résultats • comparaison filtre classique / itéré localement 1 • comparaison filtre classique / itéré localement 2 • Mais des fois…

  18. Suivi des paramètres externes d’une caméra en trou d’épingle. • Rappel - modèle de caméra: • Calibrage…

  19. Suivi des paramètres externes d’une caméra en trou d’épingle. • Une caméra en mouvement autour d’un cube. exemple • 2 possibilités: • suivi sur les points 2D, puis estimation de P (svd) grâce aux 8 correspondances 2D 3D • Résultats 1 | 2 • Suivi sur les paramètres (R,t): • rotation 3 angles • translation 3 composantes • Résultats 1 | 2

  20. Suivi des paramètres externes d’une caméra en trou d’épingle. • La suite …

More Related