Adaptative high-gain extended Kalman filter and applications

Le filtre de Kalman étendu à grand-gain adaptatif et ses applications Le travail porte sur la problématique de l’observation des systèmes — la reconstruction de l’état complet d’un système dynamique à partir d'une mesure partielle de cet état. Nous considérons spécifiquement les systèmes non linéaires. Le filtre de Kalman étendu (EKF) est l’un des observateurs les plus utilisés à cette fin. Il souffre cependant d’une performance moindre lorsque l'état estimé n’est pas dans un voisinage de l'état réel. La convergence de l’observateur dans ce cas n’est pas prouvée. Nous proposons une solution à ce problème : l’EKF à grand gain adaptatif. La théorie de l’observabilité fait apparaître l’existence de représentations caractérisant les systèmes dit observables. C’est la forme normale d’observabilité. L’EKF à grand gain est une variante de l’EKF que l’on construit à base d’un paramètre scalaire. La convergence de cet observateur pour un système sous sa forme normale d’observabilité est démontrée pour toute erreur d’estimation initiale. Cependant, contrairement à l’EKF, cet algorithme est très sensible au bruit de mesure. Notre objectif est de combiner l’efficacit´e de l’EKF en termes de lissage du bruit, et la r´eactivit´e de l’EKF grand-gain face aux erreurs d’estimation. Afin de parvenir à ce résultat nous rendons adaptatif le paramètre central de la méthode grand gain. Ainsi est constitué l’EKF à grand gain adaptatif. Le processus d’adaptation doit être guidé par une mesure de la qualité de l’estimation. Nous proposons un tel indice et prouvons sa pertinence. Nous établissons une preuve de la convergence de notre observateur, puis nous l’illustrons à l’aide d’une série de simulations ainsi qu’une implémentation en temps réel dur. Enfin nous proposons des extensions au résultat initial : dans le cas de systèmes multi-sorties et dans le cas continu-discret.