RTS : Rauch–Tung–Striebel

Retour au glossaire

Le lisseur RTS (Rauch-Tung-Striebel) est un algorithme mathématique utilisé pour améliorer la précision de l'estimation d'état dans les systèmes dynamiques. Il appartient à la famille des algorithmes de lissage et étend les capacités du filtre de Kalman, qui estime l'état d'un système en temps réel. Alors que le filtre de Kalman traite les données de manière séquentielle et estime l'état actuel uniquement sur la base des mesures passées et présentes, le lisseur RTS va plus loin en utilisant à la fois les mesures passées et futures pour affiner rétrospectivement les estimations d'état. Ce processus se traduit par des estimations d'état beaucoup plus précises, en particulier dans les applications qui impliquent le post-traitement des données.

Comment fonctionne le RTS ?

Le lisseur RTS (Rauch-Tung-Striebel) ou RTS fonctionne en deux étapes principales : le passage avant (forward pass) et le passage arrière (backward pass). Pendant le passage avant, l'algorithme exécute un filtre de Kalman standard sur les données, collectant les estimations de l'état et les covariances d'erreur associées à chaque pas de temps. Cette étape pose les bases en fournissant les estimations initiales de l'état et les mesures d'incertitude, basées uniquement sur les données passées jusqu'à chaque point dans le temps.

Une fois le passage avant terminé, le passage arrière commence. L'algorithme procède à rebours, de l'estimation finale de l'état vers l'estimation initiale. À chaque pas de temps, le RTS (Rauch-Tung-Striebel) révise l'estimation de l'état en intégrant des informations provenant des pas de temps futurs – informations qui n'étaient pas disponibles pendant le processus de filtrage avant. Il utilise le gain de Kalman, les matrices de transition et les covariances calculées lors du passage avant pour calculer une estimation lissée qui équilibre les observations passées et futures. Cette récursion arrière corrige les estimations filtrées, réduisant l'erreur d'estimation globale et produisant une trajectoire plus cohérente et précise des états du système.

Mathématiquement, le lisseur applique une étape de correction qui exploite la corrélation entre les erreurs dans les estimations successives. En modélisant l'évolution du système via un processus gaussien linéaire, le lisseur RTS suppose les mêmes modèles dynamiques et de mesure que ceux utilisés dans le filtre de Kalman. Il calcule un gain de lissage à chaque étape, qui détermine dans quelle mesure l'estimation future doit être utilisée pour ajuster l'estimation actuelle. Ce gain dépend des matrices de covariance des estimations filtrées et de l'état prédit.

Avantages du lisseur RTS (Rauch-Tung-Striebel)

Le lisseur RTS produit une estimation globalement optimale pour l'ensemble de la séquence des états du système. Il suppose que les modèles sont linéaires et gaussiens. Le filtrage estime uniquement l'état actuel. Le lissage reconstruit les meilleures estimations de l'état passé en utilisant toutes les données disponibles. Cela rend le lissage particulièrement utile pour les applications hors ligne.

Le lisseur RTS trouve des applications dans divers domaines, notamment la navigation aérospatiale, le traitement du signal, la finance et la robotique. Dans les systèmes de navigation inertielle (INS), par exemple, il est souvent utilisé pour post-traiter les données de trajectoire afin de réduire la dérive et le bruit. De même, l'analyse de séries chronologiques ou le suivi d'objets l'utilise pour affiner les estimations en temps réel et récupérer des chemins ou des tendances précis.

Le lisseur RTS offre des avantages, mais nécessite un accès complet à l'ensemble de données et devient gourmand en calcul pour les données longues ou complexes. Il repose également fortement sur l'hypothèse d'une dynamique linéaire et d'un bruit gaussien. Utilisez le lisseur RTS étendu ou non parfumé lorsque le système est non linéaire ou que le bruit est non gaussien. Ces variantes adaptent la méthode aux filtres non linéaires comme le filtre de Kalman étendu (EKF) ou le filtre de Kalman non parfumé (UKF).

Le lisseur RTS affine le filtrage de Kalman en utilisant les données futures pour mettre à jour les estimations passées, améliorant ainsi la précision et la stabilité. Il constitue la base de l'estimation d'état et permet une reconstruction précise des systèmes dynamiques à l'aide de données post-traitées.