View
103
Download
1
Category
Preview:
Citation preview
10 février 2006 GDR ISIS Journée Localisation et Navigation
Projet EGNOS-BUS (Eurêka)
André Monin, Wael SuleimanLAAS-CNRS
10 février 2006 GDR ISIS Journée Localisation et Navigation
Techniques de filtrage (1/2)• Filtrage optimal en dimension finie :
– Filtre de Kalman (1960)– Estimation paramétriques de variances de bruit
(1965)– Filtres de Kalman en parallèle (1970)– Estimation de paramètres bornés (1996)– Quelques autres curiosités!
• Filtrage sous-optimal en dimension finie:– Filtre de Volterra (polynomial) (1996)
• Approximations locales analytiques :– Filtre de Kalman étendu (1967)– Filtre sans parfum (1977)
10 février 2006 GDR ISIS Journée Localisation et Navigation
Techniques de filtrage (2/2)• Approximations numériques (globales) :
– Discrétisation de l’espace d’état (1971)• Grille fixe• Grille adaptative
– Approximation par somme de gaussiennes (1972)• Pour la distribution initiale de l’état• Pour la distribution des bruits
=> Filtres de Kalman (étendu) en parallèle– Discrétisation de l’espace de probabilités :
• Echantillonnage aléatoire de l’état initial et des bruits (méthodes séquentielles de Monte-Carlo) (1970-1990)
• Echantillonnage déterministe de l’état initial et des bruits (2000)
10 février 2006 GDR ISIS Journée Localisation et Navigation
Comparaison des techniques
ALGORITHMES CANDIDATS
MODELE DOMAINE D’APPLICATION
NATURE COUT ALGORITHMIQUE
Filtre de Kalman (1960)
Linéaires Bruits gaussiens
Acquisition + Poursuite
Optimal *
Filtre de Kalman Etendu (1967)
Localement linéaires Bruits gaussiens Bruits dynamiques faibles Incertitude initiale faible
Poursuite Approximation analytique
*
Filtrage polynomial de Volterra (1996)
Analytiques Linéaires non gaussiens Bilinéaires Bruits quelconques
Acquisition + Poursuite
Sous optimal * en ligne *** hors-ligne
Filtres de Kalman Etendu en Parallèle (1972)
Localement linéaires Bruits gaussiens Bruits dynamiques faibles Incertitude initiale forte
Acquisition + Poursuite
Approximation analytique
**
Discrétisation de l’espace d’état (1971)
Quelconque Acquisition + Poursuite
Approximation numérique
*****
Filtre particulaire (1989)
Quelconque Acquisition + Poursuite
Approximation numérique (Monte-Carlo)
****
Mélange de gaussiennes (1972)
Localement linéaire Bruits quelconques Incertitude initiale forte
Acquisition + Poursuite
Approximation numérique
***
10 février 2006 GDR ISIS Journée Localisation et Navigation
A propos du filtrage particulaire…
• Astuce de base :– Echantillonner l’espace des bruits et pas l’espace d’état
• Dimension des bruits plus faible que celle de l’état• Evite d’explorer des zones impossibles d’accès
– Ne résout pas le problème de la condition initiale• Finalement presque limité au problème de poursuite si nombre de
particule raisonnable
– Facile à comprendre et facile à programmer
• Incongruités :– Fonctionne mal si bruits dynamique et/ou observation faibles– Présence de tirages aléatoires difficile à justifier :
• Convergence lente en fonction du nombre de particules ( )• Contexte différent du calcul d’intégrale sur des domaines complexes• Il n’y a rien de « magique » à introduire de l’aléa
€
1/ N
10 février 2006 GDR ISIS Journée Localisation et Navigation
Explications…
• Bruits dynamiques faibles– Faible capacité d’exploration => difficulté
d’accrocher la trajectoire du système parce que la condition initiale a beaucoup de mémoire
• Bruits d’observation faibles– Nécessite une grande densité de particules si on ne
veut pas « rater » la bonne trajectoire
10 février 2006 GDR ISIS Journée Localisation et Navigation
Algorithme déterministe (1/2)
• Algorithme déterministe– Initialisation particules sur une grille
• Si domaine complexe => Monte-Carlo• Poids 1/N
– A l’instant t-1
– Exploration déterministe => explosion combinatoire
€
p x0( ) ≈1N
δx0
i
i=1
N
∑ x0( )
€
xt = f xt−1,wt( )
€
p wt( ) ≈ μ jδwi wt( )j=1
p
∑€
xti, j = f xt−1
i, j ,w j( )
€
p xt y0:t−1( ) ≈ μ jρ t−1i δ
xti, j xt( )
i=1
N
∑j=1
p
∑€
p xt−1 y0:t−1( ) ≈ ρ t−1i δ
xt−1i
i=1
N
∑ xt−1( )
10 février 2006 GDR ISIS Journée Localisation et Navigation
Algorithme déterministe (2/2)
– Correction
– Sélection (poids les plus forts)€
yt = h xt( ) + vt
€
p xt y0:t( )∝ μ jρ t−1i p yt xt
i, j( )δ xt
i, j xt( )i=1
N
∑j=1
p
∑
€
p xt y0:t( ) ≈ ρ tiδ
xti xt( )
i=1
N
∑
10 février 2006 GDR ISIS Journée Localisation et Navigation
Avantages ./. particulaire
• Pas de tirages aléatoire• Pour chaque particule, on explore plusieurs
possibilités de bruit (et non une seule aléatoire)
• Pas de dégénérescence des poids• Convergence en 1/N• Cas particulier du particulaire de base où le
hasard ferait que les tirages correspondent aux bruits les plus probables
• Extension au filtrage à maximum de vraisemblance aisée
• Facile à comprendre et facile à programmer
10 février 2006 GDR ISIS Journée Localisation et Navigation
Somme de gaussiennes Alpach & Sorenson (1971)
• Distribution initiale : somme de gaussiennes• Distribution des bruits : somme de gaussiennes
Distribution a posteriori : somme de gaussiennes
Problème : explosion exponentielle du nombre de gaussiennes
Réduction/Sélection
» Regroupement» Elimination» …Extension aisée aux systèmes hybrides
10 février 2006 GDR ISIS Journée Localisation et Navigation
Le projet EGNOS-BUS
• Partenaires : Navocap (Toulouse), LAAS (Toulouse), ETRA (Espagne).
• Objectifs : Développer un système de localisation performant pour une flotte de bus en milieu urbain.– Utilisation des corrections EGNOS centralisées puis
distribuées par VHF aux récepteurs embarqués– Couplage avec capteurs locaux (odomètre,
gyromètres?, accéléromètres?, …)– Prise en compte des masquages et multi-trajets*
10 février 2006 GDR ISIS Journée Localisation et Navigation
Démarche envisagée
• Modélisation de l’effet des multi-trajets– Identification du processus source à partir
d’enregistrements in situ• Effet sur la mesure de pseudo-distance• Effet sur la mesure d’amplitude
=> Modèle à base de somme pondérée de gaussiennes
• Estimation conjointe de la position est des multi-trajets
=> Filtre par somme de gaussiennes
10 février 2006 GDR ISIS Journée Localisation et Navigation
Modélisation
• Effet d’un multi-trajet
€
st = xt − Xti
( )2
+ yt −Yti
( )2
+ zt − Zti
( )2
+ π t + vt
€
π t = 1− ΔNt1
( )π t−1 + ut−1ΔNt2
ut = ut−1 + wt
où est un accroissement poissonien de fréquence
€
ΔNti
€
λi
€
P ΔNti =1[ ] = λ i
€
P ΔNti = 0[ ] =1− λ i
et distribué comme une somme de gaussiennes
€
ut
€
p(ut ) = 12 Γ(ut −u ,Q)+ Γ(ut + u ,Q)( )
10 février 2006 GDR ISIS Journée Localisation et Navigation
Distribution d’amplitude
u−
u
10 février 2006 GDR ISIS Journée Localisation et Navigation
Exemple de trajectoire simulée
10 février 2006 GDR ISIS Journée Localisation et Navigation
Résultat d’estimation en 2D
10 février 2006 GDR ISIS Journée Localisation et Navigation
Merci de votre attention
Recommended