illustration élémentaires des filtres particulaires utiliser pleinement la puissance de calcul des ordinateurs pour contourner les limitation des approches algébriques on se permet de faire un grand nombre d’essais (particules) traduisant les évolutions possibles du système étudié et on sélectionne parmi ceux-là ceux qui correspondent assez bien aux mesures effectuées sur le système étudié (on élimine celles qui ne correspondent pas aux mesures) on multiplie les particules ainsi sélectionnées on réitère le processus jusqu’à ce qu’il converge vers une caractérisation précise d’actualité en recherche en robotique http://web.mit.edu/16.412j/www/html/Advanced%20lectures/Slides/Hsaio_plinval_miller_ParticleFiltersPrint.pdf exemple simple : recherche de la position d’une cible fixe par un observateur qui se déplace et mesure l’angle sous laquelle il voit cette cible observateur XP,YP Nord angle mesuré q cible fixe x0,y0 simuler de nombreux essais concernant la position de la cible , et ne conserver que ceux qui sont suffisamment probables, compte tenu des mesures d’angles réalisées x 0 120 y 0 99 zx aunif ( 5000 0 120) zy aunif ( 5000 0 100) on engendre des particules de position aléatoire dans le domaine de paramètres où on recherche la cible 100 80 60 40 20 . 0 0 20 40 60 80 100 120 q Xp, Yp probabilité de présence de particules compatible avec une mesure (ici la direction q dans laquelle on observe la cible à partir d’un point d’observation Xp, Yp) (la densité de probabilité traduit l’incertitude sur la mesure) p on ne conserve que les particules compatibles avec la densité de probabilité de l’observation 100 80 60 40 ces particules compatibles se reproduisent dans leur voisinage en respectant cette loi de probabilité le nombre de particules reste constant 20 . 0 0 10 20 30 40 50 60 70 80 90 100 110 120 q on réitère l’opération (on refait une nouvelle mesure d’angle à partir d’un point d’observation différent) les particules acceptables doivent vérifier la loi de probabilité correspondante Xp, Yp p la position de la cible doit être compatible avec les deux mesures (si elles sont indépendantes la densité de probabilité de la position de la cible sera le produit des deux densités précédentes) p 100 80 60 40 en réitérant l’opération, on sélectionne les particules compatibles avec la loi de probabilité de la nouvelle mesure 20 . 0 0 10 20 30 40 50 60 70 80 90 100 110 120 on itère le processus et les caractéristiques de la loi de probabilité du nuage de particules s’affinent (lentement, loi en t-1/2) formalisation probabiliste rigoureuse fondée sur les probabilités conditionnelles formule de Bayes, modèles de Markov p ( h h0 y ) p( y h h0) p(h h0) p( y h h0) p(h h0) p( y h h1) p(h h1) peut être intéressant lorsque les états caractérisant le système étudié ne peuvent pas être modélisés simplement par des formules analytiques par exemple suivi simultané de plusieurs mobiles prédire la position. la corriger en fonction des mesures. lisser la trajectoire ...