An Adaptive Kalman Filter that Learns the Coloring Dynamics of the Process Noise

1. Problématique

Dans de nombreuses applications d'estimation d'état, le bruit de processus est coloré (c'est-à-dire qu'il possède une autocorrélation temporelle), contrairement à l'hypothèse standard du filtre de Kalman (KF) qui suppose un bruit blanc.

• Approche classique : Lorsque les dynamiques de coloration sont connues, on utilise une augmentation d'état pour intégrer un filtre de coloration dans le modèle du système. Cela permet d'obtenir des estimations optimales.
• Défi actuel : Dans la pratique, les dynamiques de coloration du bruit de processus sont souvent inconnues. L'application d'un KF standard ou d'une augmentation d'état avec des paramètres incorrects conduit à des estimations sous-optimales.
• Objectif : Développer une méthode adaptative capable d'apprendre en temps réel les dynamiques de coloration inconnues du bruit de processus pour restaurer la performance d'estimation sans connaissance a priori du spectre du bruit.

2. Méthodologie : Le Filtre de Kalman Adaptatif à Blanchiment des Innovations (IWAKF)

Les auteurs proposent une technique basée sur un principe fondamental : si le bruit de mesure est blanc, alors la séquence des innovations est blanche si et seulement si le bruit de processus est blanc.

A. Fondements Théoriques

• Équivalence de blancheur : L'article démontre (Proposition 1) que pour un système linéaire invariant dans le temps (LTI) avec un bruit de mesure blanc et indépendant du bruit de processus, l'absence d'autocorrélation dans les innovations ($\Gamma_z(\ell) = 0$) est une condition nécessaire et suffisante pour l'absence d'autocorrélation dans le bruit de processus ($\Gamma_v(\ell) = 0$).
• Augmentation d'état : Le système est augmenté avec un filtre de coloration paramétrique (modélisé ici par une fonction de transfert du second ordre $H(q)$). Les paramètres de ce filtre ($\gamma_0, \gamma_1, \gamma_2, \gamma_3$) sont traités comme des variables à estimer.

B. Algorithme IWAKF

L'algorithme fonctionne selon une boucle d'optimisation en ligne :

1. Modélisation : Le filtre de coloration inconnu est intégré dans la dynamique du système via l'augmentation d'état.
2. Fonction de Coût : L'objectif est de minimiser l'autocorrélation empirique des innovations de l'état augmenté. La fonction de coût $J$ est définie comme la norme de l'espérance du produit des innovations décalées :
   $$J \triangleq \| E[z_{Aug.,k} z_{Aug.,k-\ell}] \|$$
3. Adaptation : Les paramètres du filtre de coloration ($\gamma$) sont ajustés itérativement pour minimiser $J$. En forçant les innovations à devenir blanches (autocorrélation nulle), le filtre apprend implicitement les dynamiques de coloration du bruit de processus.
4. Résultat : Une fois les paramètres convergés, le filtre de Kalman appliqué au système augmenté retrouve une performance proche de l'optimalité, même sans connaître le filtre de coloration initial.

3. Résultats de Simulation

Les auteurs ont validé leur approche sur un modèle de pendule amorti soumis à un bruit de processus coloré généré par trois filtres distincts (SF:1, SF:2, SF:3) ayant des pôles différents dans le plan complexe.

• Comparaison : La performance de l'IWAKF a été comparée à :
  1. Un KF standard (sans augmentation).
  2. Un KF augmenté « parfait » (où les dynamiques de coloration sont parfaitement connues).
• Métrique : Le rapport de performance (Performance Ratio - PR) basé sur l'erreur quadratique moyenne (RMSE) a été utilisé.
• Observations clés :
  • Le KF standard présente une autocorrélation significative dans les innovations, indiquant une sous-optimalité due au bruit coloré non modélisé.
  • L'IWAKF réussit à blanchir les innovations (autocorrélation proche de zéro), tout comme le KF augmenté parfait.
  • Les rapports de performance montrent que l'IWAKF atteint des niveaux de précision comparables à ceux du KF augmenté parfait, malgré l'absence totale de connaissance préalable des dynamiques de coloration.

4. Contributions Clés

1. Apprentissage en ligne des dynamiques de bruit : Développement d'un algorithme capable d'identifier et d'adapter les paramètres d'un filtre de coloration inconnu en temps réel.
2. Principe de blanchiment des innovations : Utilisation rigoureuse de la relation d'équivalence entre la blancheur des innovations et celle du bruit de processus comme critère d'optimisation, plutôt que de se baser uniquement sur le réglage des matrices de covariance (Q, R).
3. Restauration de l'optimalité : Démonstration qu'il est possible de retrouver une estimation quasi-optimale sans connaissance spectrale a priori, en intégrant le filtre de coloration dans une architecture d'augmentation d'état.

5. Signification et Perspectives

• Signification : Ce travail comble un écart important entre la théorie du filtre de Kalman (qui suppose souvent des bruits blancs ou des modèles de bruit connus) et la réalité pratique où les spectres de bruit sont inconnus et variables. L'IWAKF offre une solution robuste pour les systèmes où la modélisation précise du bruit est difficile.
• Limites actuelles : L'analyse repose sur des hypothèses de systèmes linéaires invariants dans le temps (LTI) et de bruit de mesure blanc.
• Recherche future : Les auteurs suggèrent d'étendre cette théorie aux systèmes linéaires variant dans le temps (LTV). Cela nécessiterait de définir des conditions de détectabilité/uniformité pour des spectres non stationnaires et d'intégrer des outils d'identification à fenêtre glissante pour suivre des dynamiques de coloration qui dérivent dans le temps.

En résumé, cet article propose une avancée significative dans l'estimation d'état adaptative, transformant le problème de l'estimation de paramètres de bruit inconnus en un problème d'optimisation de la blancheur des résidus, permettant ainsi une estimation robuste et précise dans des environnements incertains.