Filtres de Kalman sans les mathématiques

Si vous programmez en utilisant des valeurs qui représentent quelque chose dans le monde réel, vous avez probablement au moins entendu parler du filtre de Kalman. Le filtre vous permet de prendre plusieurs estimations de valeur et de les traiter pour obtenir une meilleure estimation. Par exemple, si vous avez un robot qui a une idée de l'endroit où il se trouve via le GPS, l'estime et un système optique, le filtre de Kalman peut vous aider à mieux estimer votre position réelle même si toutes ces sources comportent des erreurs ou du bruit. Comme vous vous en doutez, beaucoup de mathématiques sont impliquées, mais [Pravesh] propose un excellent traitement intuitif basé sur le code qui dispose même d'un bloc-notes Jupyter collaboratif que vous pouvez suivre.

Nous avons toujours eu plus de facilité à suivre le code que les mathématiques, nous applaudissons donc ce genre de messages. Même si vous souhaitez approfondir les mathématiques, avoir d'abord une intuition de base sur ce que signifient les mathématiques les rend beaucoup plus accessibles.

Bien sûr, au final, il y a quelques calculs, mais rien de compliqué à moins de compter la capture d'écran Wikipédia montrant les « vrais » calculs mis là pour vous montrer ce qui vous manque. L'exemple est un bateau avec des données à l'estime influencées par des vents et des marées aléatoires et des mesures GPS qui comportent également des erreurs et sont parfois indisponibles, tout comme dans la vraie vie.

Bien sûr, une simple moyenne des mesures peut aider, mais elle peut aussi perturber une bonne lecture. Les techniques de Kalman utilisent la pondération des sources pour atténuer ce problème, de sorte que les sources apparemment plus fiables contribuent davantage à la réponse finale que les sources moins fiables.

Si vous préférez un exemple robotique, nous les avons également. Si vous voulez quelque chose de simple et, peut-être, de moins performant, il existe d'autres moyens de nettoyer les données bruyantes.