Êtes-vous un étudiant de l'EPFL à la recherche d'un projet de semestre?
Travaillez avec nous sur des projets en science des données et en visualisation, et déployez votre projet sous forme d'application sur Graph Search.
Cette séance de cours couvre la théorie derrière le filtrage de Kalman, mettant l'accent sur les innovations et les prédictions. L'instructeur explique comment calculer le prédicteur et le filtre optimaux dans un sens statistique, en soulignant l'importance du conditionnement sur les mesures passées. La séance de cours se penche également sur la généralisation de systèmes avec des entrées, montrant l'impact de l'entrée sur la précision de prédiction. En outre, la séance de cours traite de la séquence d'innovation, soulignant son rôle dans la quantification des nouvelles informations apportées par les mesures. Diverses propriétés statistiques de la séquence d'innovation sont explorées, ce qui éclaire sa corrélation avec les mesures passées et le bruit. La séance de cours se termine par des applications pratiques du filtrage Kalman, telles que l'estimation de la position et de la vitesse des véhicules au sol à l'aide de mesures GPS.