Bonjour tout le monde !
Jusque là, à chaque fois que j'avais besoin de connaître des infos sur le monde, j'utilisais un capteur et je filtrais de manière ad-hoc, avec des hypothèses qui semblent raisonnable. Par exemple, je peux virer les hautes fréquences sur une température, supposer qu'une accélération moyenne est nulle, ce genre là.
Mais cette approche est très limitée :
- C'est du ad-hoc
- Ça marche pas trop mal que dans les cas simple (avec un accéléromètre/gyroscope c'est déjà compliqué).
- On ne connaît pas la précision
- C'est du bricolage, etc.
Le modèle général pour gérer ce problème c'est les modèles de Markov cachés, si je comprend bien.
J'essaie de m'y mettre, mais je suis un peu perdu. Est-ce que vous auriez des pointeurs ?
Typiquement, ce que j'aimerais savoir faire c'est par exemple pouvoir compiler les informations d'un accéléromètre, d'un récepteur GPS, d'une carte, et quelques hypothèse sur la chose mesurée, et pouvoir en calculer les positions potentielle avec leur probabilité.
En vous remerciant pour votre aide :-)
# statistiques sur tes erreurs, puis correlation intelligente des indicateurs
Posté par NeoX . Évalué à 3.
ben tu fais ce que tu fais d'habitudes individuellement,
mais tu correlles cela avec les autres équipements.
ex :
- POSITION_GPS_X=+50m
- ACCELEROMETRE_X=0
y a une des deux qui ment, dans le doute tu annules la mesure…
sinon pour les chaines de Markov, bah c'est trop mathématiques pour moi, et y a des probabilités dedans…
ce que j'en comprend en gros, c'est que tu vas pouvoir dire que la probabilité que ton GPS soit faux de 50m est "normal", mais faux à 100m, c'est une vrai erreur, et ton modele va donc considéré que dans le cas présente au dessus, c'est l'accelerometre qui est considéré comme faux.
[^] # Re: statistiques sur tes erreurs, puis correlation intelligente des indicateurs
Posté par foobarbazz . Évalué à 2.
Salut,
Justement, l'idée c'est de ne pas voir les mesures comme des grandeurs soit correcte, soit incorrecte, mais comme des indices sur valeur de la chose mesurée. C'est ce qu'on fait quand on calcule une moyenne sur un capteur bruité. On sait que la plupart des valeurs mesurées sont que très approximatives, mais en supposant qu'elles ont autant de chance d'être "trop haute" que d’être "trop basse", en calculant la moyenne on retrouve la valeur avec une grande précision, même si le capteur ne l'a jamais mesuré.
Par exemple, si on a deux mesure distincte pour l’accélération, en connaissant les caractéristiques des capteurs, leur marge d'erreur, on peut en déduire une distribution possible de la chose mesurée. On se demande "quelle est la probabilité que l'accélération soit de "a" sachant que le premier capteur a mesuré "a1", ce qui représente une erreur de a1-a, qui a une probabilité p1 d'arriver, et idem pour a2, on trouve que la valeur "a" est correcte avec une probabilité p1×p2. Et on fait ça pour toutes les valeurs de a possible.
On peut aussi injecter d'autres informations là dedans, par exemple l'accélération juste avant, le coût énergétique.
En faisant plus de google, j'ai trouvé le "filtre de kalman", si j'ai bien compris c'est une restriction de mon problème dans le cas linéaire, et avec des probabilité d'erreur gaussienne. Je vais fouiller ça, j'ai pas encore pu faire le lien avec les chaines de markov cachées.
Suivre le flux des commentaires
Note : les commentaires appartiennent à celles et ceux qui les ont postés. Nous n’en sommes pas responsables.