Introduction à la commande stochastique v.0.9 - Jean-Pierre ...
Introduction à la commande stochastique v.0.9 - Jean-Pierre ...
Introduction à la commande stochastique v.0.9 - Jean-Pierre ...
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
85<br />
CHAPITRE 6<br />
LE RÉGULATEUR LQG<br />
1. LE FILTREDEKALMAN<br />
On se donne le système récurrent <strong>stochastique</strong> :<br />
{<br />
xk+1 = Ax k + w k , x 0 = ξ,<br />
(1.1)<br />
y k = Cx k + v k ,<br />
Ou on suppose que<br />
1. x k (resp. y k ) sont de dimension n (resp. p),<br />
2. les v.a. ξ, w k et v k sont indépendantes gaussiennnes,<br />
3. ξ est de moyenne m 0 et de variance P 0 ,<br />
4. w k (resp. v k ) sont centrées, de variance M (resp. N).<br />
Les w (resp. les v) correspondent au bruit sur l’état (resp. l’observation). On<br />
peut faire dépendre les matrices A, C, M, N du temps k si c’est nécessaire.<br />
On se pose le problème dit du “filtrage”, consistant <strong>à</strong> trouver le meilleur<br />
estimédel’état x k connaissant les observations y 0 , ··· , y k .<br />
On sait que ce meilleur estimé ausensL 2 (moindres carrés), est donné<br />
par l’espérance conditionnelle E(x k | Y k ),où Y k est <strong>la</strong> tribu engendrée par<br />
(y 0 , ··· , y k ). Le filtre de Kalman donne une forme récursive, en temps, au<br />
calcul de ces espérances conditionnelles.<br />
1.1. CALCUL DU FILTRE<br />
Notons :<br />
1. le prédicteur de x k <strong>à</strong> un pas en temps ˆx k = E(x k | Y k−1 ),<br />
2. <strong>la</strong> variance de l’erreur de prévision k = var(x k −ˆx k ),<br />
3. l’état filtré ˆx + k = E(x k | Y k ),<br />
4. <strong>la</strong> variance de l’erreur de filtrage + k = var(x k −ˆx + k ).<br />
THÉORÈME 1.1. Ces quantités évoluent selon les équations :<br />
ˆx + k =ˆx k + K k (y k − C ˆx k ), ˆx k+1 = A ˆx + k , ˆx 0 = m 0 ,<br />
le gain du filtre K k ,étant donnépar:<br />
K k = k C ′ (C k C ′ + N) −1 ,<br />
+ k = (1 − K k C) k , k+1 = A + k A′ + M, 0 = P 0 .<br />
REMARQUE 1.2. L’état initial de (1.1) et les bruits, étant gaussiens, le<br />
système étant linéaire, les états x k et les observations y k sont eux-mêmes<br />
gaussiens. Le prédicteur <strong>à</strong> un pas et le meilleur estimé sont aussi gaussiens.