Filtrage particulaire sur groupes de Lie : application à la navigation

Particle Filtering on Lie Groups : Application to Navigation

• Auteur / Autrice : Clément Chahbazian
• Direction : Christian Musso, Karim Dahia, Nicolas Merlinge
• Type : Thèse de doctorat
• Discipline(s) : Sciences du traitement du signal et des images
• Date : Soutenance le 09/05/2023
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication
• Partenaire(s) de recherche : Laboratoire : Office national d'études et recherches aérospatiales. Département Traitement de l’Information et Systèmes (DTIS) - Agence de l'innovation de défense (France) - MBDA France
• Partenaire(s) de recherche : référent : Faculté des sciences d'Orsay
• Partenaire(s) de recherche : graduate school : Université Paris-Saclay. Graduate School Sciences de l'ingénierie et des systèmes (2020-....)
• Jury : Président / Présidente : Nicolas Le Bihan
• Jury : Examinateurs / Examinatrices : Audrey Giremus, Hichem Snoussi, Silvère Bonnabel, François Le Gland
• Jury : Rapporteurs / Rapporteuses : Audrey Giremus, Hichem Snoussi

Mots clés

Mots clés contrôlés

Groupes de Lie

Navigation (aéronautique)

Estimation de paramètres

Distribution (théorie des probabilités)

Mots clés libres

Filtre particulaire

Navigation

Groupes de Lie

Estimation

Particle filter

Navigation

Lie Groups

Estimation

Résumé

L'estimation Bayésienne est une discipline importante dans un grand nombre de domaines scientifiques et techniques. Elle se base sur le théorème de Bayes qui permet d'associer une observation avec une connaissance a priori sur un évènement ou un paramètre. Cependant, ce théorème ne peut pas être résolu analytiquement en présence de fortes non-linéarités et de nombreuses méthodes ont été développées pour le traiter numériquement. Parmi elles, les filtres particulaires représentent les densités de probabilités avec un nuage de particules. Cette approche permet de traiter des problèmes fortement non-linéaires avec un cadre générique. Cependant, les filtres particulaires présentent des défis, tels que l'étape de ré-échantillonnage, la résolution de problèmes de grande dimension, ainsi que la charge calculatoire. En outre, des études portant sur des algorithmes d'estimation dans les groupes de Lie ont démontré l'intérêt de ces approches sur de nombreux aspects. En effet, représenter les variables d'estimation sur les groupes de Lie permet d'utiliser les propriétés algébriques et géométriques de ces espaces et amène à une gestion naturelle des incertitudes. Ainsi, les filtres obtenus présentent une amélioration de leur précision et de leur robustesse par rapport aux approches classiques. Cette thèse porte sur le domaine nouveau du filtrage particulaire dans les groupes de Lie. Elle établit donc un ensemble filtres particulaires résolvant le théorème de Bayes dans les groupes de Lie en se focalisant sur différents aspects de ces algorithmes, tels que l'étape de ré-échantillonnage, la représentation des particules, ou encore une nouvelle borne inférieure d'erreur. Les méthodes proposées sont appliquées à la navigation de systèmes autonomes qui ont besoin d'algorithmes robustes pour estimer leur état (position, vitesse, attitude) afin d'effectuer leur contrôle et leur guidage. Une centrale inertielle (IMU) est généralement utilisée pour exécuter la fonction de navigation. Cependant, ces capteurs dérivent et doivent être régulièrement mis à jour à l'aide de mesures de capteurs supplémentaires et d'un filtre de navigation assurant la fusion de données. Ainsi, les algorithmes proposés dans la thèse sont testés sur des scénarios de navigation exigeants, et ont démontré un gain significatif en précision et en robustesse par rapport aux méthodes classiques.

Bayesian estimation is an important discipline in many scientific and technical domains. It is based on Bayes' theorem, which allows to associate an observation with an a priori knowledge about an event or a parameter. However, this theorem cannot be solved analytically in the case of strong non-linearities. Thus, many methods were developed to address this problem numerically. Among them, particle filters represent probability densities with a cloud of particles. This allows to solve strongly nonlinear problems with a generic approach. However, particle filters present several challenges, such as the resampling step, the resolution of high-dimensional problems, and the computational load. Moreover, studies on estimation algorithms in Lie groups demonstrated the interest of these approaches in many aspects. Indeed, representing the estimation variables on Lie groups allows the use of algebraic and geometric properties of these spaces and leads to a natural handling of uncertainties. Thus, filters on Lie groups show improved accuracy and robustness compared to conventional approaches. This thesis focuses on the new field of particle filtering on Lie groups. It establishes a class of particle filters solving Bayes' theorem on Lie groups by focusing on different aspects of these algorithms, such as the resampling step, the particle representation, and the lower error bound. Furthermore, the proposed methods are applied to the navigation of autonomous systems that need robust algorithms to estimate their state (position, velocity, attitude) in order to perform their control and guidance. An inertial measurement unit (IMU) is usually used to complete the navigation function. However, these sensors drift and need to be frequently updated with aiding sensor measurements, which requires a navigation filter for data fusion. Thus, the algorithms presented in this thesis are tested on challenging navigation scenarios, and demonstrated a significant gain in accuracy and robustness compared to conventional methods.