Qu'est-ce que le bruit de mesure (R) ?

Il représente le degré de confiance que vous accordez à votre capteur. Un R plus élevé signifie que le capteur est bruyant, de sorte que le filtre s'appuiera davantage sur ses prédictions internes.

← Tous les outils

Utilitaires et Divers

Filtre de Kalman – Service de lissage de données en temps réel | CalcTools

Prédisez et lissez les données bruitées des capteurs à l'aide d'un filtre de Kalman récursif. Service professionnel pour l'ingénierie et la robotique.

Les capteurs sont rarement parfaits ; ils produisent des données bruitées et instables qui peuvent ruiner des calculs précis. Le filtre de Kalman est l'algorithme de référence pour estimer l'état « réel » d'un système à partir d'une série de mesures bruitées. Utilisé dans tous les domaines, de la navigation GPS aux commandes d'aéronefs et à la robotique, ce filtre récursif prédit les valeurs futures et les met à jour en fonction de nouvelles preuves. Notre service Kalman fournit une simulation haute performance de cette logique, vous permettant de voir comment différents paramètres de bruit affectent le suivi d'une cible en mouvement.

Process Noise (Q)

0.1

Represents how much we trust our mathematical model vs sensor.

Sensor Noise (R)

Represents the error/variance in the raw measurements.

True State

State Estimation Chart

Real-time recursive processing

RAW DATA

KALMAN

TRUE

Recursive Logic

Predict

The filter projects the current state and uncertainty forward in time.

Gain

It calculates the weight given to the new measurement (K).

Correct

It blends the prediction with the actual sensor data.

Academic Insight

Notice how the Kalman estimate (Blue line) eventually stabilizes near the true value (Dashed line) despite the heavy sensor noise (Rose line). This tool demonstrates the "Optimal Estimator" theory used in Apollo moon missions and modern self-driving cars.

Final Error Covariance (P)

0.4

Comment ça marche

Le filtre fonctionne en deux phases : « Prédire » et « Mettre à jour ». Il projette d'abord l'état actuel dans le temps, puis ajuste cette projection en fonction de la nouvelle mesure. Le « gain de Kalman » détermine le poids à accorder aux nouvelles données par rapport à la prédiction.

Formule de calcul

K = P / (P + R); X = X + K * (Z - X); P = (1 - K) * P

Exemples de calcul

1. **GPS** : Lissage des données de coordonnées instables pour afficher un tracé net. 2. **Robotique** : Estimation de la position d'une articulation à partir d'un encodeur bruyant.

Pourquoi utiliser cet outil dans votre vie quotidienne ?

La précision est importante. Ce service vous permet de maîtriser la complexité du traitement du signal, en fournissant les données filtrées nécessaires à l'ingénierie à enjeux élevés et à la modélisation en temps réel.