Application du filtrage particulaire au recalage de navigation

Application du filtrage particulaireau recalage de navigation

K. DAHIA Doctorant DGA

A. PHAM DINH Directeur de thèse LMC-IMAG Grenoble

Encadrants : J. P. Guibert (DPRS) et C. Musso (DTIM)Laboratoire d’accueil : ONERA

Plan de la présentation

I - le Kalman-Particulaire Kernel Filter (KPKF)

La borne de Cramer Rao

II - Modélisation des équations d’erreurs inertielles Application au recalage altimétrique

Résultats

Conclusion

Partie I

Le Kalman Particle Kernel Filter

Décomposition la loi de densité conditionnelle en noyau Gaussien (RPF)

est un noyau Gaussien

la taille de la fenêtre du noyau :

La matrice de covariance des particules :

ikkkk PhxxwYxp

21/ )()/(

)/cov( 1/1/ ki

kkkk wXP

Le KPKF

l’étape d ’initialisation :

Le KPKF

ii Phxxwxp1

0/110/110/1 )()(

)/cov( 0/10/12

0/1 wXhP ii Nwi /10/1

On suppose qu’a l’instant k, on a : NiPX ikk

ikk ,...,1),( 1/1/

de norme de l’ordre 2h

A l’étape de correction :

)/)(()/()/( 1/1/

11/ kkkk

ikkkkk RxHyPXxwYxp

Le KPKF

kx0 si n’est pas près dei

kkX 1/

Linéarisation de autour de :i

kkX 1/ )()( 1/1/i

ikkkk XxHyxH

)( kk xH

Le KPKF

)/)(()/()/( 1/1/1/1/1

ikkkkk RXxHyyPXxwYxp

Correction de Kalman

PHHPPP

)/()/(1

ikkkk PXxwYxp

de norme de l’ordre

)/( 1/1ik

ik yyww

u0 si n’est pas près de

Le KPKF

A l’étape de prédiction :

ikkkkk duPXuSuFxwYxp )/()/)(()/( 111

Linéarisation de autour de :)(1 uFkikX

)/)(()/( 111111

ikkkkk SFPFXFxwYxp

n’est plus de norme de l’ordre 2h

« resampling »

Le KPKF

Resampling :

Partiel :

On approche

Par la mixture

Critère utilisé : MISE ( Mean Integrated Square Error )------------------------------------------------------------------------

Total : S.I.R

si les poids sont dispersés:

)/)(()/( /1111

kkikkk

ikkkkk PXFxwYxp

)/()/(ˆ /1/111

1/1 kki

ikkkkk PXxwYxp

)/1( Nwik

SeuilwwE ik

loglog(N)ntropie1

)/()(1

i PXxwxp

On a la loi de densité suivante :

On l’approche par :

ii Phxwxp1

2 )/()(ˆ

Resampling partiel :

Si on tire les suivant :

i PhPXxwxp1

2 )/()(~ N ,...,1

)()/()(ˆ1

xPPXxwxpEN

Variance ? Si on choisit la densité :

i PhPXxwxp1

i PhhPXxwxpE1

22 ))~

(/()(ˆ

on a :

PhPXxwxP iiN

)/()( 2

PhxwxP iN

On cherche qui minimise la MISE (la variance et le biais ) :

Sous la contrainte :

0~2 PhPi

max11 ~)])((min[

~hCPCvph Ti

dxxpxPxPEMISE )(ˆvar)()(2

Solutions : )( DecompKernhh opt max~~hh

Le KPKF

l’entropie Seuil

• de norme de l’ordre de : (correction / prédiction) avec le EKF

pas de resampling partiel

• > de norme de l’ordre de : resampling partiel

l’entropie Seuil : resampling total

kkP /12h

ikkP /1

Mais en pratique en laisse m cycles de calcul, sans faire de resampling

Le KPKF

Originalité du KPKF :

Combinaison du EKF (pas d’approximation MC) avec le RPF (multimodalité, non linéarité )

Algorithme récursif sans redistribution systématique (plus précis)

1 ))((]))(())([(

xxk QFFishFxHRxHEFishk

Tel que : 1kk )Fish(Bcr

Dans le cas ou la dynamique est linéaire :

l’intérêt : Évaluation des performances d’un filtre.

Borne inférieure de la matrice de covariance et limite de précision de n’importe quel estimateur.

La Borne de Cramer RaoPCRB

perte de l’info due a la dynamique

L’info due à la variation de H

Partie II

Modélisation des équations d’erreurs inertielles

L’ellipsoïde terrestre

Définition des grandeurs

Ellipsoïde terrestre

La terre est représentée par un ellipsoide.

Cet ellipsoide est défini par :

L’excentricité 2

Le modèle WGS 84 (World Geodetic System 1984) fournit les données les plus à jour de ces paramètres.

a et b sont le demi-grand axe et le demi-petit axe, respectivement de l’ellipsoïde

Le rayon de courbure dans le plan méridien : 2/3222 )sin1/()1( aRm La grande normale : 2/122 )sin1/( -aRt

Axe équatorial

Le Trièdre Géographique Local (TGL, n) :

Le TGL est le repère de navigation; son origine est située en O, projection de M sur l’ellipsoïde et ses trois axes sont dirigés respectivement vers le nord, vers l’est et la verticale descendante. Il se déplace à la surface de l’ellipsoide en même temps que le mobile,.

Le trièdre mobile (b) :

Ce trièdre est lié a la structure du véhicule. Dans le cas d’une centrale inertielle à composants liés ce trièdre est en général matérialisé par l’orientation des capteurs (accéléromètres et gyromètres)

Le trièdre terrestre (e) :

Ce repère est centré sur la terre, ses axes ayant une direction fixe par rapport aux étoiles. Le trièdre inertiel (i) :

Déduit du précédent par la vitesse de rotation de la terre.

Les différents trièdres

Les différents trièdres Trièdre mobile(lié à l’avion)

Trièdre Géographique Local (TGL)

Trièdre Terrestre

Trièdre inertiel

Les équations de la navigation

;)cos()(

Les coordonnées géographiques du mobile :

latitude

longitude

l’altitude

R : vecteur de position du mobile par rapport à la terre. V : vitesse de déplacement du mobile par rapport à la terre. A : matrice d’angle d’attitude

: l’accélération spécifique. : la vitesse angulaire de rotation du repère de navigation par rapport à la terre. : la vitesse de rotation de la terre. : la gravité.

Les équations de la navigation dans le TGL

gVAV mT )2(

)( AAA m

: la vitesse de rotation absolue du corps mesurée par les gyromètres.m

La vitesse angulaire de rotation du TGL par rapport à la terre et la vitesse absolue de rotation de la terre s’expriment dans le TGL de la façon suivante :

;sin,0,cos

srd /1029,7 50

Les équations de la navigation dans le TGL

Erreurs de navigation inertielles

Les erreurs de navigation inertielle proviennent :

des erreurs de capteurs (accéléromètres et gyromètres)

du modèle de la pesanteur

couplage entre l’erreur de position et de vitesse (phénomène de Schuler)

les erreurs d’alignement

On établit les équations d’erreurs inertielles qui représentent l’évolution des erreurs de navigation d’une centrale inertielle. Ces équations indiquent la manière dont les erreurs de mesure accélérométriques et gyrométriques se transforment en erreurs de position, de

vitesse et d’attitude

Erreurs de navigation inertielles (l’approche en phi)

RRR ˆVVV ˆ

mmm ˆ

et les erreurs de mesure :

Les erreurs de position et de vitesse sont définies comme suit :

Equation d’erreur d’angle d’attitude:

On différencie l’équation suivante :

représente l’erreur de mesure des gyromètres telle que g mT

g A Equation d’erreur de position :

On obtient alors l’équation d’erreur d’angle d’attitude :

)( AAA m

avec T][

On a :

représente l’erreur de mesure des accéléromètres telle que

Equation d’erreur de vitesse :

On différencie l’équation suivante :

VgVfV a )2()2(

terreladeRayon

( pulsation de Schuler )

On obtient alors l’équation d’erreur de vitesse :

gVAV mT )2(

Ces équations sont écrites selon l’approche en phi et dépendent des 9 variables et constituent un système d’équations différentielles couplées.

111 )2()2(1

VgVfV a

VRVR 1

Via un changement de variable,

on obtient un autre système d’équations différentielles plus simple.

erreur gyrométrique :

erreur accélérométrique :

: bruit blanc Gaussien

: bruit coloré (Markov 1er Ordre)

: facteur d’échelle accélérométrique

: facteur d’échelle gyrométrique

: la période de corrélation

du bruit coloré

amFEaam

gmFEggm

: bruit blanc Gaussienbgbaw ,

Simulations des erreurs de capteur

Tvvvvp

On estime un vecteur d’état à 15 variables d’état, les 9 variables cinématiques, ainsi que les 6 biais accélérométrique et gyrométriques.Le vecteur d’état à estimé est :

TgggaaaDENEN zyxzyx

bbbbbbvvvhRRX ][

Les équations du filtre

)2(0)2(

La mise des équation sous forme d’état :

Les équations du filtre

Principe de la méthode altimétrique

)ˆ,ˆ( yxhMNT

Position réellePosition inertielle

)ˆ,ˆ,ˆ(0 zyxM M

Hauteur sol

Terrain réel

Terrain numérisé

Niveau de référence

L’équation d’observation

AEINNINMNTIN RyRxhhzy ),(

avec :T

gggaaaDENEN zyxzyxbbbbbbvvvhRRX ][

A : l’erreur de mesure

TINSINSINSinsmes zyxX ][_ : mesures inertielles

y : mesure du radio altimètre

Contexte applicatif : recalage altimétrique

Algorithmes existants

Maximum de vraisemblance (maillage) (vitesses assez bien connues et zone initiale d’incertitude assez précise) puis Kalman (EKF), et la Rao-Blackwellized Particle Filter.

Apport du KPKF : conditions d’emploi plus générales

Vitesses initiales moins bien connues

Zones d’incertitudes + importantes (6 km en x, y par ex)

Estimation conjointe des positions et vitesses

Intérêt

Survol + long de zones plates

Utilisation d’une centrale inertielle moins performante

The Rao-Blackwellized Particle Filter(Per-Johan Nordlund, Niclas Bergman)

uxGxxFxfx

)()()(

On écrit notre modèle sous la forme :

TTgggaaaDEN

TEN zyxzyx

bbbbbbvvvhRRX )()(

Bcp de divergences pour des grandes zones d’incertitudes !

Les conditions initiales sont :

Nombre de mesures : 400Période de mesures dt : 0.7 SecWt est un bruit blanc gaussienBruit de mesure du radio altimètre :Biais accélérométrique :Biais gyrométrique :Vitesse horizontal : 250 m/sIncertitude initiale en x : Incertitude initiale en y :Incertitude initiale en z :Incertitude initiale en vx :Incertitude initiale en vY :Incertitude initiale en vz :Incertitude initiale en :Incertitude initiale en :Incertitude initiale en :Nombre de particules : N = 1500 pour le KPKF

mx 5000my 5000mz 100

smvx /5smvy /5smvz /1

mtW 15

gbab 22 /10 sm

sradgb /10 4

50 tirages MC

KPKF : 2% de divergences

RB : 20 % de divergences

simulation des erreurs inertielles

Conclusions

Le KPKF réactualise l’ensemble des paramètres positions et vitesses; il prend en compte le caractère multimodal associé aux ambiguïtés de position de l’avion dans le plan horizontal, ce qui n’est pas vrai pour les filtres de recalage classique du type Kalman. Le nombre de particules requis par l’algorithme n’augmente que peu avec la dimension de l’espace d’état (de dimension 15 dans notre cas).

Le KPKF converge plus rapidement que le RPF, la courbe d’écart type du KPKF atteint plus rapidement la PCRB et présente moins de divergences. Incertitude initiale beaucoup plus grande qu’avec la Rao Blackwellised Particle Filter.

La mise en œuvre du KPKF est simple et rapide. Cette simplicité algorithmique permet de traiter facilement d’autres problèmes plus complexes.

Le KPKF peut être appliqué dans un cadre plus général (non-linéarité de la dynamique/mesure pour toutes les composantes de l’état)

Application du filtrage particulaire au recalage de navigation

Documents

Transcript of Application du filtrage particulaire au recalage de navigation

Dynamique des structures : méthodes approchées ... · PDF fileDynamique des structures : m ethodes approch ees, cin ematiques; Analyse Modale; Recalage de Mod ele Ensim.. JM G enevaux

analyse des épisodes de pollution particulaire...L’épisode de pollution a débuté le 30 décembre par l’ouest et s’est étendu progressivement vers l’est pour atteindre

Filtrage hybride des perturbations harmoniques produites ...

Filtrage par multicouches nanostructurées

Filtrage transverse programmable - Institut Optique

Matériaux magnétiques et solutions innovantes de filtrage CEM … · 2020. 7. 10. · Matériaux magnétiques et solutions innovantes de filtrage CEM pour applications aéronautiques

Analyse d'images: Filtrage et segmentation

FILTRAGE LINEAIRE I Filtre de Wienpcsi2.carnot.dijon.free.fr/dotclear/public/Ex/Filtrage...3) Définir, puis exprimer en fonction de RS et C la fréquence de coupure du filtre de transfert

Tableur ; ex. : Excel · 2020. 11. 17. · Tableur ; ex. : Excel • Listes de données – Généralités – Objets – Saisie / navigation – Tri – Filtrage – Sous-totaux

TP SECU FILTRAGE DYNAMIQUE 20102011 ( Correction )...TP SECU FILTRAGE DYNAMIQUE 20102011 ( Correction ) Présentation du TP Nous utiliserons 3 machines le rôle du poste client externe

Estimation de la volatilité et filtrage non linéair

Filtrage temps-réel et MATLAB (introduction)

Cours 4 : Restauration et filtrage d’image

Filtrage optimal non-linéaire du signal GPS Navstar en recalage de centrales de navigation

linear filtering ac power conditioner linéaire filtrage courant alternatif ...

Recalage et planification du traitement en radiothérapie ...

Analyse Spatiale de la Pollution Particulaire au niveau de ...

Contrôle Applicatif Filtrage multi-couches

Sc7.2.2 Carnet 2016 complete.notebook - cheswest.com · Sc7.2.2 La théorie particulaire 2016 — p.9 . La température et les changements d'états Une courbe d'échauffement est

Dynamique des structures : méthodes approchées ... · PDF fileDynamique des structures : méthodes approchées, cinématiques; Analyse Modale; Recalage de Modèle Ensim.. JM Génevaux