Méthodes particulaires et fusion de données

Journées d’étude Météo-SMAI-DSNA, Toulouse
Méthodes particulaires et fusion de données
François Caron
INRIA Bordeaux
Institut de Mathématiques de Bordeaux
8 mars 2010
François Caron (INRIA) Méthodes particulaires et fusion de données 8 Mars 2010 1 / 67

Plan
1Introduction
2Algorithmes pour la fusion bayésienne de données
Algorithmes déterministes
Filtrage particulaire
3Fusion de capteurs à modèles d’observation multiples
Modèles et algorithmes
Application à la localisation d’un véhicule terrestre
François Caron (INRIA) Méthodes particulaires et fusion de données 8 Mars 2010 2 / 67

Introduction
Plan
1Introduction
2Algorithmes pour la fusion bayésienne de données
Algorithmes déterministes
Filtrage particulaire
3Fusion de capteurs à modèles d’observation multiples
Modèles et algorithmes
Application à la localisation d’un véhicule terrestre
François Caron (INRIA) Méthodes particulaires et fusion de données 8 Mars 2010 3 / 67

Introduction
Introduction
Etat caché xt(t=0,.. .) qui n’est pas directement observable
Mesures zt(t=1,...)
Exemple
Position et vitesse d’un véhicule xt={Xt,Yt,˙ Xt,˙ Yt}
Capteur délivrant la vitesse du véhicule
Non observable
Observable
... xt−1xt
François Caron (INRIA) Méthodes particulaires et fusion de données 8 Mars 2010 4 / 67

Introduction
Introduction
Etat caché xt(t=0,.. .) qui n’est pas directement observable
Mesures zt(t=1,...)
Exemple
Position et vitesse d’un véhicule xt={Xt,Yt,˙ Xt,˙ Yt}
Capteur délivrant la vitesse du véhicule
Non observable
Observable
... xt−1xt
François Caron (INRIA) Méthodes particulaires et fusion de données 8 Mars 2010 4 / 67