WO2024003187A1 - Procédé de détermination de la position d'un dispositif à partir d'un réseau de satellites dans un système prédictif - Google Patents

Procédé de détermination de la position d'un dispositif à partir d'un réseau de satellites dans un système prédictif Download PDF

Info

Publication number
WO2024003187A1
WO2024003187A1 PCT/EP2023/067730 EP2023067730W WO2024003187A1 WO 2024003187 A1 WO2024003187 A1 WO 2024003187A1 EP 2023067730 W EP2023067730 W EP 2023067730W WO 2024003187 A1 WO2024003187 A1 WO 2024003187A1
Authority
WO
WIPO (PCT)
Prior art keywords
time
gain
state
filter
observation
Prior art date
Application number
PCT/EP2023/067730
Other languages
English (en)
Inventor
Hong Son HOANG
Tien Dung Nguyen
Matthieu OLIVIÉ
Rémy BARAILLE
Frédéric PROTIN
Original Assignee
Torus Actions
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Torus Actions filed Critical Torus Actions
Publication of WO2024003187A1 publication Critical patent/WO2024003187A1/fr

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/393—Trajectory determination or predictive tracking, e.g. Kalman filtering

Definitions

  • the present invention relates to the field of satellite positioning and more particularly concerns a geolocation method and device.
  • GNSS Global Navigation Satellite Systems
  • satellite positioning and navigation are important tools for security, including maritime security, ballistic guidance systems or vehicle and personnel tracking.
  • various phases of flight, circulation of ships, en route, approach or landing are carried out by satellite positioning given that global satellite navigation systems have planetary coverage and do not require assistance with navigation.
  • ground-based navigation enabling optimal route planning, improved air and ocean space, and reduced operational costs.
  • Satellite positioning algorithms are now designed and evaluated using an important performance metric called integrity to prevent malfunctions and ensure reliability - a measure of trust placed in a system. This is achieved by issuing alerts when the use of the satellite positioning system is unsafe.
  • satellites transmit signals that allow receivers to calculate their position. These signals are obtained by phase modulation of a carrier with coded messages and are available on several frequencies.
  • the receiver for example present in a smartphone or an on-board location system in a vehicle, includes a low-cost chip which allows the reception of a single frequency and ensures positioning on code measurements only, without including an algorithm correction measurement.
  • This positioning method makes it possible to obtain control accuracy of around five meters in open areas.
  • a measurement correction algorithm for example based on a Kalman filter, it is possible to obtain a precision of the order of a meter.
  • this precision is insufficient for certain applications that require centimeter precision such as, for example, autonomous and semi-autonomous vehicles, regardless of the environment (highway, urban, etc.) in which they operate.
  • centimeter precision in geolocation proves complicated when the signal is disturbed, particularly in an urban environment with the presence of obstacles which can block or reflect the signals coming from the satellites.
  • This precision already obtained in an open environment thanks to the use of a merging filter, can be obtained in urban areas by combining the measurements obtained using satellite signals with data from several sensors and with an appropriate choice of filter. associated with a dynamic model.
  • multi-sensor systems are complex and expensive.
  • the satellite positioning algorithm based on the extended Kalman filter is recognized as the most powerful and widely used tool for processing satellite signals to ensure reliable position estimation.
  • the reason is that the Kalman filter is recursive in time and takes into account the contribution of all measurements optimally, processing only current measurements without the need to memorize all past data.
  • the Kalman filter is the best linear estimator in the minimum mean square error (MMSE) sense provided that the process and measurement covariances are known exactly.
  • MMSE minimum mean square error
  • One of the aims of the invention is to propose a simple, effective and precise geolocation solution.
  • Another aim of the invention is to propose an alternative filter solution adapted to geolocation.
  • Another aim of the invention is to propose a technical solution making it possible to improve the precision of geolocation compared to a solution using a Kalman filter, particularly in the presence of obstacles which make the processing non-linear.
  • Another aim of the invention is to propose a solution for early detection of the degradation in the quality of geolocation signals.
  • the invention firstly relates to a method for measuring the geographical position of a device from a network of satellites in a forecasting (i.e. predictive) system with a variable gain filter, said gain being represented by a vector of variable gain coefficients, said method, implemented by the device, comprising, for an iteration at a time t+1, the steps of:
  • the method according to the invention allows significant geolocation precision thanks to the use of a stable adaptive filter.
  • the minimization of the expectation of the square of the innovation of the filter at time t+1 calculated from the gain parameters corresponds to the minimization of the mathematical expectation of the square of the distance between the observation at time t and its calculated prediction, which makes the calculations simple and therefore requiring less computing power than for a Kalman filter.
  • the gain coefficient vector is a vector of parameters to be set at each step (control parameters) in the filter gain. Under a condition called ergodicity, the minimization of the mathematical expectation of the square of the innovation norm of the filter in the probability space is equivalent to the minimization of the temporal average of the square of the innovation norm of the filter.
  • the original minimization problem can be replaced by time-averaged minimization, which is not the case in a Kalman filter.
  • the method according to the invention does not require specification of input statistics of random variables (in particular, model error, observation error, etc.).
  • the method according to the invention approaches the optimal regime as the filtering process progresses.
  • averaging the gain over time allows smoothing which stabilizes the filter and therefore reduces the error.
  • the Kalman filter is theoretically optimal only when the statistics of the measurement and model errors are known with exact precision and, moreover, the model is linear, which is rarely the case in practice.
  • the method according to the invention is not constrained by this restriction, the use of AF thus allows very precise geolocation, particularly in the presence of obstacles around the device which cause knowledge of the error statistics to be lost and would make nonlinear Kalman filtering.
  • the Kalman filter is only optimal for linear filtering problems.
  • the extended Kalman filter (EKF) an extension of the KF for nonlinear systems, is not optimal. Due to the iterative temporal minimization of the mathematical expectation of the square of the innovation norm, the method according to the invention does not require linearization for non-linear systems, it maintains optimality of the non-linear filters.
  • the method according to the invention learns model uncertainties and observation error statistics through filter innovation achievements and is capable of keeping estimation errors at a low level, synonymous with robustness.
  • the filter used in the method according to the invention is stable, in particular because it is not constrained by the solution of the Riccati equations for the error covariance matrices as is the case with a Kalman filter.
  • the method according to the invention constitutes a method that is both simple and effective for satellite positioning, under low conditions of knowledge of noise statistics.
  • the method according to the invention allows in particular a more precise estimation in the context of satellite positioning, with a limited calculation load and storage requirement.
  • a variant is to use, as an observation vector, no longer the speeds and positions, but the list of pseudoranges associated with each satellite visible to the receiver, that is to say, for each of these satellites, the speed of light in a vacuum multiplied by the delay between transmission and reception.
  • the method further comprises, at each iteration, a step of bounding the variable gain coefficients between a minimum and a maximum in order to improve smoothing while being simpler than an obvious solution using a Hessian.
  • the gain coefficients are limited between a minimum value equal to a limiting variable ⁇ (small and positive) and a maximum value equal to (2 - ⁇ ).
  • the calculations, in particular on the gain coefficients are carried out by a neural network from a predetermined sample.
  • the representative model of the system is devoid of the “acceleration” parameter, which is considered as a forcing, that is to say it is treated mathematically.
  • This makes it possible to optimize the size of the model, therefore reducing the number of processing operations and therefore errors, thus increasing the precision of predictions and therefore localization.
  • the invention also relates to a module for measuring the geographical position of a device from a network of satellites in a predictive system with a variable gain filter, said gain being represented by a vector of variable parameters, said module, on-board in said device, being configured to:
  • the measurement module is configured to limit the variable gain coefficients between a minimum and a maximum.
  • the measuring module is configured to limit between a minimum equal to a limiting variable ⁇ and a maximum equal to a limiting variable (2 - ⁇ ).
  • the measurement module comprises a neural network configured to carry out the calculations while being optimized from a predetermined sample.
  • the measurement module is configured to store and use a model, representative of the system, devoid of the “acceleration” parameter.
  • the invention also relates to a device, in particular mobile, comprising a measuring module as presented previously.
  • the invention also relates to a satellite geolocation system, said system comprising a plurality of satellites, configured to emit each geolocation signals, and at least one module as presented previously and/or at least one device as presented previously.
  • System 1 comprises a constellation of satellites S1, S2, S3, S4 and a device 10 according to the invention.
  • system 1 can include more than four satellites S1, S2, S3, S4, in particular dozens of satellites to be able to geolocate a device 10 in most regions of the globe, or even in all regions of the globe.
  • Each satellite S1, S2, S3, S4 is configured to transmit geolocation signals S10, S20, S30, S40.
  • the device 10 for example a smartphone or a vehicle, comprises a measurement module 100 configured to measure the position of said device 10 from the signals S10, S20, S30, S40 transmitted by the satellites S1, S2, S3, S4.
  • the measurement module 100 embedded in the device 10, is configured to receive signals S10, S20, S30, S40 transmitted by a plurality of satellites S1, S2, S3, S4 of the set of satellites S1, S2, S3, S4.
  • the measurement module 100 is configured to determine the position p(t+1) and/or the speed v(t+1) of the device 10 at time (t+1) using measurements and a predictive model based on a specific filter.
  • the predictive model makes it possible to determine the state of the system through successive iterations.
  • the measurement module 100 is configured to determine an estimate
  • the gain K is parameterized by a vector of variable gain coefficients ⁇ 1, ⁇ 2, ..., ⁇ n.
  • a possible gain structure, used in the present implementation, is given by the equations [Math 36] and following below.
  • the measurement module 100 is configured to calculate the best prediction of the state of the system at time t+1, denoted
  • the measurement module 100 is configured to calculate the prediction of the observation at time t+1, denoted
  • H and ⁇ could be non-linear operators rather than matrices.
  • the measurement module 100 is configured to calculate the estimate of the state of the system at time t+1 as being the sum of the best prediction
  • the measurement module 100 is configured to determine the vector of gain coefficients ⁇ 1, ⁇ 2, ... ⁇ n at time (t+1) by minimization of the square of the norm of the innovation of the filter at time (t+ 1). To this end, the measurement module 100 can be configured to calculate the gradient of the square of the filter innovation
  • the measurement module 100 is configured to calculate the gain K at time (t+1), preferably by making a correction by stochastic approximation by temporal averaging of the gain coefficients ⁇ 1, ⁇ 2, ... ⁇ n of the vector of gain coefficients determined in order to improve the accuracy of the location.
  • the stochastic approximation by time averaging includes the determination of a vector of gain coefficients ⁇ (t+1) at time (t+1) by minimization of the square of the innovation norm of filter at time (t+1) as described above and its update by replacing it with the average of the gain coefficient vectors updated in previous iterations ⁇ (1), ⁇ (2), ... ⁇ (t).
  • the measurement module 100 is configured to limit at each iteration the variable gain coefficients ⁇ 1, ⁇ 2, ... ⁇ n between a minimum and a maximum.
  • the minimum is equal to a boundary variable ⁇ and the maximum is equal to (2 - ⁇ ).
  • the ⁇ model is a matrix which describes the transition of the state of the system from time t to time (t+1).
  • the model ⁇ is used to calculate the position and/or the speed, preferably both the position and the speed, in the state vector x(t+1) but is devoid of acceleration parameter, this which increases the precision of predictions and therefore localization.
  • the acceleration present in the model is calculated using the estimated speed. It is possible to add other parameters (associated or not with additional sensors). If the model is non-linear, this matrix is obtained by linearization. It can be calculated once in the first iteration and then kept for subsequent iterations.
  • the measurement module 100 is configured to determine the position of the device 10 at time (t+1) from the estimate of the state of the system at time (t+1), denoted
  • the state of the system x(t+1) is a column vector comprising the position coordinates of the device 10 at time (t+1) and the speed coordinates of the device 10 at time (t+1):
  • the measurement module 100 is configured to determine the estimate of the position coordinates at time (t+1) by projecting the estimate of the state of the system
  • ⁇ ⁇ . x(t) + A(t) + W(t), where the noise W(t) is the column vector (w(t), w'(t)), and where A(t) is a function which does not depends only on the acceleration.
  • This matrix ⁇ is the model involved in the algorithm and is preferably defined only once before or during the first iteration.
  • the measurement module 100 comprises at least one processor capable of implementing a set of instructions allowing these functions to be performed.
  • the device receives the signals S10, S20, S30, S40 transmitted by the satellites S1, S2, S3, S4 then the measuring module 100 determines, in a step E2 the position and speed of the device at the instant (t+1) from the received signals, called “observation at instant (t+1)” denoted
  • the measurement module 100 then calculates, in a step E3, the best prediction of the state of the system at the instant (t+1), denoted
  • the measurement module 100 then calculates, in a step E4, the prediction
  • step E3
  • the measurement module 100 then calculates, in a step E5, the innovation of the filter at time t+1, denoted
  • the device then calculates, in a step E6, the coefficients
  • the measurement module 100 minimizes the expectation of the square of the innovation norm
  • This equation can for example be solved numerically using the known method SPSA (Simultaneous Perturbation Stochastic Approximation), this known method requiring the calculation of the gradient of the squared norm of the innovation at time (t+1) to determine minimum.
  • SPSA Simultaneous Perturbation Stochastic Approximation
  • the measurement module 100 then calculates, in a step E7, the gain K( ⁇ (t+1)) at time t+1 preferably from the vector ⁇ calculated in step E6 according to the following formula:
  • P 0 can be the initial covariance matrix used in a known manner in a Kalman filter of the prior art
  • the device then calculates, in a step E8, the estimate of the state of the system at time (t+1), denoted
  • step E3 the state of the system at time t+1 calculated in step E3, and the product of the gain K at time t+1 (calculated in step E7) by the innovation
  • the position p(t+1) of the device 10 is determined at time (t+1) in a step E9.
  • the state of the system x(t+1) is a column vector comprising the position coordinates of the device 10 at time (t+1) and the speed coordinates of the device 10 at time (t+1):
  • the estimate of the position coordinates at time (t+1) is obtained by projecting the estimate of the state of the system
  • the calculations, in particular on the gain coefficients can be carried out by a neural network from a predetermined sample.
  • the parameters of the cost function to be minimized are the weights W of the neural network which minimizes the difference between the learning data and the outputs of said neural network.
  • ⁇ is the parameter matrix defined previously, chosen as previously to minimize innovation, and NN the neural network.
  • the abscissa axis represents the number of iterations of the process.
  • the y-axis represents the squared error (in meters), i.e. the square of the difference between the estimated trajectory and the reference trajectory.
  • the abscissa axis represents a distance (in meters) in a first direction.
  • the y axis represents a distance (in meters) in a second direction.
  • the black line represents the real REAL trajectory followed by the mobile device 10 (set of real positions).
  • the light line represents the positions measured in the absence of MEAS filtering.
  • the intermediate gray line represents the positions measured with prior art Kalman filtering AA.
  • the abscissa axis represents a distance (in meters) in a first direction.
  • the y axis represents a distance (in meters) in a second direction.
  • the black line represents the real REAL trajectory followed by the mobile device 10 (set of real positions).
  • the light line represents the positions measured in the absence of MEAS filtering.
  • the intermediate gray line represents the positions measured with filtering according to the INV invention.
  • Figures 6 to 9 illustrate another comparison between a Kalman filter of the prior art and a method according to the invention for a trajectory of a vehicle type mobile. It can be seen that the absolute error along the three dimensional axes X, Y and Z is always on average lower with the method according to the invention compared to a solution based on a Kalman filter and that the average absolute error is approximately 50% lower on average with the method according to the invention compared to a solution based on a Kalman filter, which is particularly advantageous.

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

L'invention concerne un procédé de mesure de la position d'un dispositif à partir d'un réseau de satellites dans un système prédictif à filtre de gain K variable, ledit gain K étant représenté par un vecteur de coefficients de gain variables, ledit procédé, mis en œuvre par le dispositif, comprenant notamment à chaque itération suivant un instant t les étapes de minimisation de l'espérance du carré de l'innovation du filtre à l'instant t+1, l'innovation étant calculée à partir des coefficients du gain, afin d'améliorer la précision du positionnement.

Description

Procédé de détermination de la position d’un dispositif à partir d’un réseau de satellites dans un système prédictif
La présente invention se rapporte au domaine du positionnement par satellite et concerne plus particulièrement un procédé et un dispositif de géolocalisation.
Au fil des années, les techniques de positionnement et de navigation ont été révolutionnées grâce aux systèmes mondiaux de navigation par satellite (Global Navigation Satellite Systems ou GNSS). Aujourd'hui, le positionnement et la navigation par satellite sont des outils importants pour la sécurité, notamment la sécurité maritime, les systèmes de guidage balistique ou le suivi de véhicules et de personnels. Notamment, diverses phases de vol, circulation des navires, en route, en approche ou à l'atterrissage sont réalisées par positionnement par satellite étant donné que les systèmes mondiaux de navigation par satellite ont une couverture planétaire et ne nécessitent pas d'aide à la navigation au sol, ce qui permet une planification d'itinéraire optimale, un espace aérien et océanique amélioré et une réduction des coûts opérationnels.
La principale préoccupation dans les applications utilisant le positionnement par satellite concerne la fiabilité et la continuité. Les algorithmes de positionnement par satellite sont maintenant conçus et évalués à l'aide d'une métrique de performance importante appelée intégrité pour prévenir ses dysfonctionnements et assurer sa fiabilité - gage de confiance placée dans un système. Ceci est réalisé en émettant des alertes lorsque l'utilisation du système de positionnement par satellite n'est pas sûre.
Dans ces systèmes mondiaux de navigation par satellite, les satellites émettent des signaux permettant aux récepteurs de calculer leur position. Ces signaux sont obtenus par modulation de phase d’une porteuse avec des messages codés et sont disponibles sur plusieurs fréquences. Le récepteur, par exemple présent dans un smartphone ou un système de localisation embarqué dans un véhicule, comprend une puce à faible coût qui permet la réception d'une seule fréquence et assure le positionnement sur les mesures de code uniquement, sans inclure d’algorithme de mesure de correction.
Cette méthode de positionnement permet d'obtenir une précision de la commande de l’ordre de cinq mètres dans les zones ouvertes. En incluant un algorithme de correction de mesure par exemple basé sur un filtre de Kalman, il est possible d’obtenir une précision de l'ordre du mètre. Cependant, cette précision est insuffisante pour certaines applications qui nécessitent une précision centimétrique telles que, par exemple, les véhicules autonomes et semi-autonomes, quel que soit l'environnement (autoroute, urbain, etc.) dans lequel ils opèrent.
L’obtention d’une précision centimétrique de la géolocalisation s’avère compliquée lorsque le signal est perturbé, notamment en milieu urbain avec la présence d'obstacles qui peuvent bloquer ou réfléchir les signaux provenant des satellites. Cette précision, déjà obtenue en milieu ouvert grâce à l'utilisation d'un filtre fusionnant, peut être obtenue en zone urbaine en combinant les mesures obtenues à l’aide des signaux satellites avec des données de plusieurs capteurs et avec un choix de filtre approprié associé à un modèle dynamique. Cependant, de tels systèmes multi-capteurs sont complexes et onéreux.
Dans ce contexte, il est essentiel de concevoir le meilleur algorithme de filtrage possible pour le positionnement GNSS du véhicule.
Jusqu'à présent, l'algorithme de positionnement par satellite basé sur le filtre de Kalman étendu est reconnu comme l'outil le plus puissant et le plus largement utilisé pour le traitement des signaux satellites afin d’assurer une estimation de position fiable. La raison en est que le filtre de Kalman est récursif dans le temps et prend en compte la contribution de toutes les mesures de manière optimale, en ne traitant que les mesures actuelles sans avoir besoin de mémoriser toutes les données passées. Notamment, pour les systèmes d'entrée-sortie linéaires, le filtre de Kalman est le meilleur estimateur linéaire au sens de l'erreur quadratique moyenne minimale (MMSE) à condition que les covariances de processus et de mesure soient connues exactement.
La difficulté d'avoir des statistiques précises est un obstacle important et pratiquement insurmontable pour garantir un positionnement précis du véhicule par le filtre de Kalman. Il existe de nombreuses tentatives pour surmonter cette difficulté et la plupart d'entre elles sont basées sur l'estimation en ligne des matrices de covariance pour améliorer les performances du filtre de Kalman qui est alors dit « adaptatif » (AKF).
Il existe donc un besoin d’une solution permettant de remédier au moins en partie à ces inconvénients.
Un des buts de l’invention est de proposer une solution simple, efficace et précise de géolocalisation. Un autre but de l’invention est de proposer une solution alternative de filtre adapté à la géolocalisation. Un autre but de l’invention est de proposer une solution technique permettant d’améliorer la précision de la géolocalisation par rapport à une solution utilisant un filtre de Kalman, notamment en présence d’obstacles qui rendent le traitement non linéaire. Un autre but de l’invention est de proposer une solution de détection précoce de la dégradation de la qualité des signaux de géolocalisation.
A cette fin, l’invention a tout d’abord pour objet un procédé de mesure de la position géographique d’un dispositif à partir d’un réseau de satellites dans un système de prévision (i.e. prédictif) à filtre de gain variable, ledit gain étant représenté par un vecteur de coefficients de gain variables, ledit procédé, mis en œuvre par le dispositif, comprenant, pour une itération à un instant t+1, les étapes de :
- réception de signaux émis par une pluralité de satellites du réseau de satellites,
- détermination de la position et/ou de la vitesse du dispositif à un instant (t+1) à partir des signaux reçus, appelée « observation à l’instant (t+1) »,
- calcul de la meilleure prédiction de l’état du système à l’instant (t+1) à partir d’une estimation prédéterminée de l’état du système à l’instant t et d’un modèle représentatif du système entre l’instant t et l’instant (t+1),
- calcul de la prédiction de l’observation à l’instant (t+1) comme étant le produit d’une matrice d’observation prédéterminée et de la meilleure prédiction de l’état du système à l’instant (t+1) calculée,
- calcul de l’innovation du filtre à l’instant (t+1) comme étant la différence entre l’observation à l’instant (t+1) et la prédiction de l’observation à l’instant (t+1),
- détermination du vecteur de coefficients du gain à l’instant (t+1) par minimisation du carré de la norme de l’innovation du filtre à l’instant (t+1) calculée à l’étape précédente,
- calcul du gain à l’instant (t+1) en faisant une correction par approximation stochastique par moyennage temporel des coefficients de gain du vecteur de coefficients du gain déterminé,
- calcul de l’estimation de l’état du système à l’instant (t+1) comme étant la somme de la meilleure prédiction de l’état du système à l’instant (t+1) calculée et du produit du gain à l’instant (t+1) par l’innovation du filtre à l’instant (t+1) calculée,
- détermination de la position du dispositif à partir de l’estimation de l’état du système à l’instant (t+1) calculée.
Le procédé selon l’invention permet une précision de géolocalisation importante grâce à l’utilisation d’un filtre adaptatif stable. La minimisation de l’espérance du carré de l’innovation du filtre à l’instant t+1 calculée à partir des paramètres du gain correspond à la minimisation de l’espérance mathématique du carré de la distance entre l’observation à l’instant t et sa prédiction calculée, ce qui rend les calculs simples et nécessitant donc moins de puissance de calcul que pour un filtre de Kalman. Le vecteur de coefficients de gain est un vecteur de paramètres à définir à chaque étape (paramètres de contrôle) dans le gain du filtre. Sous une condition dite d'ergodicité, la minimisation de l'espérance mathématique du carré de la norme de l’innovation du filtre dans l'espace des probabilités est équivalente à la minimisation de la moyenne temporelle du carré de la norme de l’innovation du filtre. Cela permet de déduire l’équation de récurrence pour calculer les paramètres du contrôle dans le gain. Ainsi, avantageusement, le problème de minimisation d'origine peut être remplacé par la minimisation en moyenne temporelle, ce qui n’est pas le cas dans un filtre de Kalman. Le procédé selon l’invention ne nécessite pas de spécification de statistiques d'entrée de variables aléatoires (en particulier, l’erreur du modèle, l’erreur d’observation, …). Le procédé selon l’invention s’approche du régime optimal au fur que le processus de filtrage progresse. En outre, le moyennage du gain dans le temps permet un lissage qui stabilise le filtre et donc réduit l'erreur. Le filtre de Kalman est théoriquement optimal uniquement lorsque les statistiques des erreurs de mesure et de modèle sont connues avec précision exacte et que, de plus, le modèle est linéaire, ce qui est rarement le cas en pratique. Le procédé selon l’invention n’est pas contraint par cette restriction, l'utilisation de l'AF permet ainsi une géolocalisation très précise, notamment en présence d’obstacles autour du dispositif qui font perdre la connaissance des statistiques d’erreur et rendraient le filtrage de Kalman non linéaire. En pratique, la majorité des systèmes dynamiques et d'observation sont non linéaires. Le filtre de Kalman n'est optimal que pour les problèmes de filtrage linéaire. Le filtre de Kalman étendu (EKF), extension du KF pour les systèmes non linéaires, n'est pas optimal. Du fait de la minimisation itérative temporelle de l’espérance mathématiques du carré de la norme de l’innovation, le procédé selon l’invention ne nécessite pas de linéarisation pour les systèmes non linéaires, il conserve une optimalité des filtres non linéaires. Pour les grandes erreurs de modèle et d'observation, les écarts importants entre les statistiques introduites et les statistiques réelles conduisent à une spécification de gain plus mauvaise dans le filtre de Kalman. Par conséquent, les erreurs d'estimation, voire les divergences, peuvent devenir importantes avec un filtre de Kalman. Le procédé selon l’invention apprend les incertitudes du modèle et les statistiques d'erreur d'observation grâce à des réalisations d'innovation du filtre et est capable de maintenir les erreurs d'estimation à un niveau faible, synonyme de robustesse. Le filtre utilisé dans le procédé selon l’invention est stable, notamment car il n’est pas contraint par la solution des équations de Riccati pour les matrices de covariance d'erreur comme cela est le cas avec un filtre de Kalman. Le procédé selon l’invention constitue un procédé à la fois simple et efficace pour le positionnement par satellite, sous de faibles conditions de la connaissance des statistiques de bruit. Le procédé selon l’invention permet notamment une estimation plus précise dans le cadre du positionnement par satellites, avec une charge de calcul et une exigence de stockage limitées.
De manière avantageuse, une variante est d’utiliser, comme vecteur d’observations, non plus les vitesses et les positions, mais la liste des pseudoranges associés à chaque satellite visible pour le récepteur, c’est-à-dire, pour chacun de ces satellites, la vitesse de la lumière dans le vide multipliée par le délai entre l’émission et la réception.
De préférence, le procédé comprend en outre, à chaque itération, une étape de bornage des coefficients de gain variables entre un minimum et un maximum afin d’améliorer le lissage tout en étant plus simple qu’une solution évidente utilisant un Hessien.
De préférence encore, les coefficients du gain sont bornés entre une valeur minimale égale à une variable de bornage ε (petite et positive) et une valeur maximale égale à (2 - ε).
Dans une forme de réalisation, les calculs, notamment sur les coefficients de gain, sont réalisés par un réseau de neurones à partir d’un échantillon prédéterminé.
Avantageusement, le modèle représentatif du système est dépourvu du paramètre « accélération », qui est considéré comme un forçage, c’est-à-dire qu’elle est traitée mathématiquement. Cela permet d’optimiser la taille du modèle, donc de réduire le nombre de traitements et donc d’erreurs, augmentant ainsi la précision des prédictions et donc de la localisation.
L’invention concerne également un produit programme d’ordinateur remarquable en ce qu’il comporte un ensemble d’instructions de code de programme qui, lorsqu’elles sont exécutées par un ou plusieurs processeurs, configurent le ou les processeurs pour mettre en œuvre un procédé tel que présenté précédemment.
L’invention concerne également un module de mesure de la position géographique d’un dispositif à partir d’un réseau de satellites dans un système prédictif à filtre de gain variable, ledit gain étant représenté par un vecteur de paramètres variables, ledit module, embarqué dans ledit dispositif, étant configuré pour :
- recevoir des signaux émis par une pluralité de satellites du réseau de satellites,
- déterminer la position et/ou de la vitesse du dispositif à un instant (t+1) à partir des signaux reçus, appelée « observation à l’instant (t+1) »,
- calculer la meilleure prédiction de l’état du système à l’instant (t+1) à partir d’une estimation prédéterminée de l’état du système à l’instant (t) et d’un modèle représentatif du système entre l’instant (t) et l’instant (t+1),
- calculer la prédiction de l’observation à l’instant (t+1) comme étant le produit d’une matrice d’observation prédéterminée et de la meilleure prédiction de l’état du système à l’instant (t+1) calculée,
- calculer l’innovation du filtre à l’instant (t+1) comme étant la différence entre l’observation à l’instant (t+1) et la prédiction de l’observation à l’instant (t+1),
- déterminer le vecteur de coefficients du gain à l’instant (t+1) par minimisation du carré de la norme de l’innovation du filtre à l’instant (t+1) calculée,
- calculer le gain à l’instant (t+1) en faisant une correction par approximation stochastique par moyennage temporel des coefficients de gain du vecteur de coefficients du gain déterminé,
- calculer l’estimation de l’état du système à l’instant (t+1) comme étant la somme de la meilleure prédiction de l’état du système à l’instant (t+1) calculée et du produit du gain (K) à l’instant (t+1) par l’innovation du filtre à l’instant (t+1) calculée,
- déterminer la position du dispositif à partir de l’estimation de l’état du système à l’instant (t+1) calculée.
De préférence, le module de mesure est configuré pour borner les coefficients de gain variables entre un minimum et un maximum.
De préférence, le module de mesure est configuré pour borner entre un minimum égal à une variable de bornage ε et un maximum égal à une variable de bornage (2 - ε).
Avantageusement, le module de mesure comprend un réseau de neurones configuré pour réaliser les calculs en étant optimisé à partir d’un échantillon prédéterminé.
Avantageusement, le module de mesure est configuré pour stocker et utiliser un modèle, représentatif du système, dépourvu du paramètre « accélération ».
L’invention concerne également un dispositif, notamment mobile, comprenant un module de mesure tel que présenté précédemment.
L’invention concerne également un système de géolocalisation par satellites, ledit système comprenant une pluralité de satellites, configurés pour émettre chacun des signaux de géolocalisation, et au moins un module tel que présenté précédemment et/ou au moins un dispositif tel que présenté précédemment.
D’autres caractéristiques et avantages de l’invention apparaîtront encore à la lecture de la description qui va suivre. Celle-ci est purement illustrative et doit être lue en regard des dessins annexés sur lesquels :
La illustre schématiquement une forme de réalisation du système selon l’invention.
 La illustre schématiquement un mode de réalisation du procédé selon l’invention.
 La illustre un premier exemple de comparaison entre le filtre de Kalman et le procédé selon l’invention avec les mêmes données d’entrée.
 La illustre un exemple d’erreur sur la trajectoire d’un véhicule avec un filtre de Kalman (art antérieur).
 La illustre un exemple d’erreur sur la trajectoire d’un véhicule avec le procédé selon l’invention.
 La illustre un exemple d’erreur absolue moyenne dans le temps pour une trajectoire de véhicule avec un filtre de Kalman de l’art antérieur et avec le procédé selon l’invention.
 La illustre un exemple d’erreur absolue selon l’axe des X pour la trajectoire de la avec un filtre de Kalman de l’art antérieur et avec le procédé selon l’invention.
 La illustre un exemple d’erreur absolue selon l’axe des Y pour la trajectoire de la avec un filtre de Kalman de l’art antérieur et avec le procédé selon l’invention.
 La illustre un exemple d’erreur absolue selon l’axe des Z pour la trajectoire de la avec un filtre de Kalman de l’art antérieur et avec le procédé selon l’invention.
On a représenté à la un exemple de système 1 de géolocalisation par satellites.
Le système 1 comprend une constellation de satellites S1, S2, S3, S4 et un dispositif 10 selon l’invention. Sur la , seuls quatre satellites S1, S2, S3, S4 ont été représentés par souci de clarté, mais il va de soi que le système 1 peut comprendre plus de quatre satellites S1, S2, S3, S4, notamment des dizaines de satellites pour pouvoir géolocaliser un dispositif 10 dans la plupart des régions du globe, voire dans toutes les régions du globe.
Chaque satellite S1, S2, S3, S4 est configuré pour émettre des signaux S10, S20, S30, S40 de géolocalisation.
Le dispositif 10, par exemple un smartphone ou un véhicule, comprend un module de mesure 100 configuré pour mesurer la position dudit dispositif 10 à partir des signaux S10, S20, S30, S40 émis par les satellites S1, S2, S3, S4.
Le module de mesure 100, embarqué dans le dispositif 10, est configuré pour recevoir des signaux S10, S20, S30, S40 émis par une pluralité de satellites S1, S2, S3, S4 de l’ensemble de satellites S1, S2, S3, S4.
Le module de mesure 100 est configuré pour déterminer la position et/ou la vitesse du dispositif 10 à un instant (t+1) à partir des signaux S10, S20, S30, S40 reçus, appelée « observation à l’instant (t+1) ». La position et/ou la vitesse peuvent être mesurées directement ou bien à partir d’autres mesures préalables, comme par exemple des « pseudoranges », connus en soi.
Le module de mesure 100 est configuré pour déterminer la position p(t+1) et/ou la vitesse v(t+1) du dispositif 10 à l’instant (t+1) en utilisant des mesures et un modèle prédictif basé sur un filtre spécifique. Le modèle prédictif permet de déterminer l’état du système par itérations successives.
A cette fin, le module de mesure 100 est configuré pour déterminer une estimation
de l’état du système à un instant t+1 à partir de l’estimation
réalisé à l’itération précédente à l’instant t, d’un gain K du filtre à l’instant t, d’un modèle Φ représentatif du système entre l’instant t et l’instant t+1 et de l’innovation
du filtre à l’instant t+1. Le gain K est paramétré par un vecteur de coefficients de gain θ1, θ2, …, θn variables. Une structure de gain possible, employée dans la présente mise en œuvre, est donnée par les équations [Math 36] et suivantes ci-après.
Les fonctions du module de mesure 100 permettant de mettre en œuvre ce modèle prédictif vont maintenant être décrites pour une itération réalisée à un instant t+1.
Le module de mesure 100 est configuré pour calculer la meilleure prédiction de l’état du système à l’instant t+1, notée
, à partir d’une estimation prédéterminée de l’état du système à l’instant t, notée
, et d’un modèle Φ de paramètres représentatifs du système.
Le module de mesure 100 est configuré pour calculer la prédiction de l’observation à l’instant t+1, notée
, comme étant le produit d’une matrice d’observation H prédéterminée et de la meilleure prédiction
de l’état du système à l’instant t+1 calculée.
En variante, H et Φ pourraient être des opérateurs non-linéaires plutôt que des matrices.
Le module de mesure 100 est configuré pour calculer l’erreur de prédiction du filtre, appelée « innovation », notée
, à l’instant t+1 comme étant la différence entre l’observation
à l’instant t+1 et la prédiction
de l’observation à l’instant t+1.
Le module de mesure 100 est configuré pour calculer l’estimation de l’état du système à l’instant t+1 comme étant la somme de la meilleure prédiction
de l’état du système à l’instant t+1 calculée et du produit du gain K à l’instant (t+1) par l’innovation du filtre
à l’instant t+1 calculée.
Le module de mesure 100 est configuré pour déterminer le vecteur de coefficients du gain θ1, θ2, … θn à l’instant (t+1) par minimisation du carré de la norme de l’innovation du filtre à l’instant (t+1). A cette fin, le module de mesure 100 peut être configuré pour calculer le gradient du carré de l’innovation du filtre
à l’instant t+1 à partir des coefficients de gain θ1, θ2, … θn variables du gain K.
Le module de mesure 100 est configuré pour calculer le gain K à l’instant (t+1), de préférence en faisant une correction par approximation stochastique par moyennage temporel des coefficients de gain θ1, θ2, … θn du vecteur de coefficients du gain déterminé afin d’améliorer la précision de la localisation. Dans le présent exemple, l’approximation stochastique par moyennage temporel comprend la détermination d’un vecteur des coefficients de gain θ(t+1) à l’instant (t+1) par minimisation du carré de la norme de l’innovation du filtre à l’instant (t+1) comme décrit ci-avant et sa mise en jour en le remplaçant par la moyenne des vecteurs de coefficients de gain mis à jour aux itérations précédentes θ(1), θ(2), … θ(t).
Dans le cas où le modèle Φ est linéaire, cela revient à calculer le gain K(t+1) à l’instant (t+1) pour l’itération suivante par approximation stochastique par moyennage temporel des gains K(1), …, K(t) entre l’instant 1 et l’instant t.
Le module de mesure 100 est configuré pour borner à chaque itération les coefficients de gain θ1, θ2, … θn variables entre un minimum et un maximum. De préférence, le minimum est égal à une variable de bornage ε et le maximum est égal à (2 - ε).
Le modèle Φ est une matrice qui décrit la transition de l’état du système de l’instant t à l’instant (t+1). De préférence, le modèle Φ sert à calculer la position et/ou la vitesse, de préférence à la fois la position et la vitesse, dans le vecteur d’état x(t+1) mais est dépourvu de paramètre d’accélération, ce qui augmente la précision des prédictions et donc de la localisation. L’accélération présente dans le modèle est calculée en utilisant la vitesse estimée. Il est possible d’ajouter d’autres paramètres (associés ou non à des capteurs supplémentaires). Si le modèle est non-linéaire, cette matrice est obtenue par linéarisation. Elle peut être calculée une fois à la première itération puis conservée pour les itérations ultérieures.
Le module de mesure 100 est configuré pour déterminer l’estimation de l’état du système à l’instant (t+1), notée
, comme étant la somme de la meilleure prédiction
de l’état du système à l’instant t+1 et du produit du gain K à l’instant t+1 par l’innovation
du filtre à l’instant t+1:
.
Le module de mesure 100 est configuré pour déterminer la position du dispositif 10 à l’instant (t+1) à partir de l’estimation de l’état du système à l’instant (t+1), notée
.
L'état du système x(t+1) est un vecteur colonne comportant les coordonnées de position du dispositif 10 à l’instant (t+1) et les coordonnées de vitesse du dispositif 10 à l’instant (t+1) :
Le module de mesure 100 est configuré pour déterminer l'estimation des coordonnées de position au temps (t+1) par projection de l’estimation de l’état du système
à l’instant (t+1).
Dans ce cas, l'évolution de la position du dispositif 10 peut être décrite selon l’équation suivante :
De même, l'évolution de la vitesse du dispositif 10 peut être décrite selon l’équation suivante :
Il existe donc une matrice Φ telle que x(t+1) = Φ. x(t) + A(t) + W(t), où le bruit W(t) est le vecteur colonne (w(t), w'(t)), et où A(t) est une fonction qui ne dépend que de l'accélération. Cette matrice Φ est le modèle intervenant dans l'algorithme et est définie de préférence une seule fois avant ou lors de la première itération.
Le module de mesure 100 comprend au moins un processeur apte à mettre en œuvre un ensemble d’instructions permettant de réaliser ces fonctions.
Exemple de mise en œuvre
Un exemple de mise en œuvre du procédé de mesure de la position du dispositif 10 va maintenant être décrit en référence notamment à la .
On considère que le procédé a été préalablement mis en œuvre pendant t itérations entre un instant 1 et un instant (t). Les étapes du procédé sont décrites ci-après pour l’instant (t+1).
Dans une étape E1, le dispositif reçoit les signaux S10, S20, S30, S40 émis par les satellites S1, S2, S3, S4 puis le module de mesure 100 détermine, dans une étape E2 la position et la vitesse du dispositif à l’instant (t+1) à partir des signaux reçus, appelée « observation à l’instant (t+1) » notée
de manière connue en soi.
Le module de mesure 100 calcule ensuite, dans une étape E3, la meilleure prédiction de l’état du système à l’instant (t+1), notée
, à partir d’une estimation prédéterminée de l’état du système à l’instant (t) (déterminée à l’itération précédente t), notée
,
et d’un modèle représentatif du système entre l’instant (t) et l’instant (t+1), noté Φ :
.
où
est l’estimation de l’accélération et B est la matrice des coefficients issue du développement limité à l’ordre 2 des positions et à l’ordre 1 des vitesses.
Le module de mesure 100 calcule ensuite, dans une étape E4, la prédiction
de l’observation à l’instant t+1 comme étant le produit d’une matrice d’observation H prédéterminée et de la meilleure prédiction
de l’état du système à l’instant t+1 calculée à l’étape E3:
.
Le module de mesure 100 calcule ensuite, dans une étape E5, l’innovation du filtre à l’instant t+1, notée
comme étant la différence entre l’observation à l’instant t+1, notée
calculée à l’étape E2, et la prédiction
de l’observation à l’instant t+1 calculée à l’étape E4 :
.
A l’itération courante (t+1), le dispositif calcule ensuite, dans une étape E6, les coefficients
du gain K à l’instant t+1.
A cette fin, le module de mesure 100 minimise l’espérance du carré de la norme de l’innovation
du filtre à l’instant t+1 à partir de l’équation :
où
Cette équation peut par exemple être résolue numériquement à partir de la méthode connue SPSA (Simultaneous Perturbation Stochastic Approximation), cette méthode connue nécessitant le calcul du gradient de la norme au carré de l’innovation à l’instant (t+1) pour déterminer le minimum.
La résolution de cette équation permet de déterminer le vecteur θ(t+1) = (θ1, θ2, … θn) qui minimise l’espérance du carré de la norme de l’innovation à l’instant (t+1).
Le module de mesure 100 calcule ensuite, dans une étape E7, le gain K(θ(t+1)) à l’instant t+1 de préférence à partir du vecteur θ calculé à l’étape E6 selon la formule suivante :
où
Où
,
P0 peut être la matrice de covariance initiale utilisée de manière connue dans une filtre de Kalman de l’art antérieur,
Q est une matrice symétrique semi-définie positive arbitraire, mais de préférence choisie proche de la matrice de covariance du bruit du modèle, c'est-à-dire du bruit W(t) dans l'équation x(t+1) = Φ.x(t) + W(t) décrite ci-avant.
Le dispositif calcule ensuite, dans une étape E8, l’estimation de l’état du système à l’instant (t+1), notée
, comme étant la somme de la meilleure prédiction
de l’état du système à l’instant t+1 calculée à l’étape E3, et du produit du gain K à l’instant t+1 (calculé à l’étape E7) par l’innovation
du filtre à l’instant t+1 (calculée à l’étape E5:
.
Cette estimation
de l’état du système à l’instant t+1 sera ensuite utilisée lors de l’étape E3 de l’itération suivante à l’instant t+2.
La position p(t+1) du dispositif 10 est déterminée à l’instant (t+1) dans une étape E9.
L'état du système x(t+1) est un vecteur colonne comportant les coordonnées de position du dispositif 10 à l’instant (t+1) et les coordonnées de vitesse du dispositif 10 à l’instant (t+1) :
L'estimation des coordonnées de position au temps (t+1) est obtenue par projection de l’estimation de l’état du système
à l’instant (t+1).
Ainsi, l'évolution de la position du dispositif 10 est décrite selon l’équation suivante :
De même, l'évolution de la vitesse du dispositif 10 est décrite selon l’équation suivante :
Il existe donc une matrice Φ telle que x(t+1) = Φ. x(t) + A(t) + W(t), où le bruit W(t) est le vecteur colonne (w(t), w'(t)), et où A(t) est une fonction qui ne dépend que de l'accélération. Cette matrice Φ est le modèle décrit précédemment intervenant dans l'algorithme et est définie de préférence une seule fois avant ou lors de la première itération.
Dans une forme de réalisation, les calculs, notamment sur les coefficients de gain, peuvent être réalisés par un réseau de neurones à partir d’un échantillon prédéterminé. Dans ce cas, les paramètres de la fonction de coût à minimiser sont les poids W du réseau neuronal qui minimise l’écart entre les données d’apprentissage et les sorties dudit réseau neuronal.
Cette disposition peut être vue comme une généralisation du dispositif précédemment décrit. Dans sa version la plus simple, une seule couche cachée de neurone est suffisante, avec des fonctions d'activation linéaire. Avantageusement, ce n’est pas la matrice de gain K qui est remplacée par un réseau neuronal, mais la matrice K0 (définie en 0170). La structure de filtre est alors :
où θ est la matrice de paramètres définie précédemment, choisie comme précédemment pour minimiser l'innovation, et NN le réseau neuronal.
Exemples de simulations
On a représenté sur la un exemple de comparaison de l'erreur quadratique entre la trajectoire réelle et la trajectoire estimée (c'est-à-dire la norme au carré de la différence des trajectoires réelle et estimée à chaque instant) avec un procédé de l’art antérieur basé sur un filtre de Kalman (courbe du haut AA, légendée « Error NN TKF ») et avec le procédé selon l’invention (courbe du bas INV, légendée « Error NN TAF ») pour un dispositif 10 mobile passant sous un pont entre deux instants t1 et t2.
L’axe des abscisses représente le nombre d’itérations du procédé. L’axe des ordonnées représente l'erreur quadratique (en mètre), c’est-à-dire le carré de l'écart entre la trajectoire estimée et la trajectoire de référence.
On constate que le procédé de l’art antérieur basé sur un filtre de Kalman génère une erreur atteignant plus de cinq mètres alors que le procédé selon l’invention génère une erreur ne dépassant pas 0,3 mètre.
La illustre un exemple montrant l’erreur obtenu sur une trajectoire donnée avec un filtre de Kalman de l’art antérieur.
L’axe des abscisses représente une distance (en mètre) selon une première direction. L’axe des ordonnées représente une distance (en mètre) selon une deuxième direction. Le trait noir représente la trajectoire réelle REAL suivie par le dispositif 10 mobile (ensemble des positions réelles). Le trait clair représente les positions mesurées en l’absence de filtrage MEAS. Le trait gris intermédiaire représente les positions mesurées avec un filtrage de Kalman de l’art antérieur AA.
La illustre un exemple montrant l’erreur obtenu sur la même trajectoire donnée avec un filtre selon l’invention.
L’axe des abscisses représente une distance (en mètre) selon une première direction. L’axe des ordonnées représente une distance (en mètre) selon une deuxième direction. Le trait noir représente la trajectoire réelle REAL suivie par le dispositif 10 mobile (ensemble des positions réelles). Le trait clair représente les positions mesurées en l’absence de filtrage MEAS. Le trait gris intermédiaire représente les positions mesurées avec un filtrage selon l’invention INV.
On constate que les positions déterminées avec le filtre selon l’invention sont significativement plus proches de la trajectoire réelle que celles déterminées avec un filtre de Kalman de l’art antérieur.
Les figures 6 à 9 illustrent un autre comparatif entre un filtre de Kalman de l’art antérieur et un le procédé selon l’invention pour une trajectoire d’un mobile de type véhicule. On constate que l’erreur absolue selon les trois axes dimensionnels X, Y et Z est toujours en moyenne inférieure avec le procédé selon l’invention par rapport à une solution basée sur un filtre de Kalman et que l’erreur absolue moyenne est d’environ 50 % inférieure en moyenne avec le procédé selon l’invention par rapport à une solution basée sur un filtre de Kalman, ce qui est particulièrement avantageux.

Claims (10)

  1. Procédé de mesure de la position géographique d’un dispositif (10) à partir d’un réseau de satellites (S1, S2, S3, S4) dans un système prédictif à filtre de gain (K) variable, ledit gain (K) étant représenté par un vecteur de coefficients de gain variables, ledit procédé, mis en œuvre par le dispositif (10), comprenant à chaque itération suivant un instant t les étapes de :
    - réception (E1) de signaux (S10, S20, S30, S40) émis par une pluralité de satellites (S1, S2, S3, S4) du réseau de satellites (S1, S2, S3, S4),
    - détermination (E2) de la position et/ou de la vitesse du dispositif (10) à un instant (t+1) à partir des signaux (S10, S20, S30, S40) reçus, appelée « observation à l’instant (t+1) »,
    - calcul (E3) de la meilleure prédiction de l’état du système à l’instant (t+1) à partir d’une estimation prédéterminée de l’état du système à l’instant (t) et d’un modèle représentatif du système entre l’instant (t) et l’instant (t+1),
    - calcul (E4) de la prédiction de l’observation à l’instant (t+1) comme étant le produit d’une matrice d’observation prédéterminée et de la meilleure prédiction de l’état du système à l’instant (t+1) calculée,
    - calcul (E5) de l’innovation du filtre à l’instant (t+1) comme étant la différence entre l’observation à l’instant (t+1) et la prédiction de l’observation à l’instant (t+1),
    - détermination (E6) du vecteur de coefficients du gain à l’instant (t+1) par minimisation du carré de la norme de l’innovation du filtre à l’instant (t+1) calculée à l’étape précédente,
    - calcul (E7) du gain à l’instant (t+1) en faisant une correction par approximation stochastique par moyennage temporel des coefficients de gain du vecteur de coefficients du gain déterminé,
    - calcul (E8) de l’estimation de l’état du système à l’instant (t+1) comme étant la somme de la meilleure prédiction de l’état du système à l’instant (t+1) calculée et du produit du gain (K) à l’instant (t+1) par l’innovation du filtre à l’instant (t+1) calculée,
    - détermination (E9) de la position du dispositif (10) à partir de l’estimation de l’état du système à l’instant (t+1) calculée.
  2. Procédé selon la revendication 1, comprenant en outre, à chaque itération, une étape de bornage des coefficients de gain variables entre un minimum et un maximum.
  3. Procédé selon la revendication précédente, dans lequel le minimum est égal à une variable de bornage ε et le maximum est égal à (2 - ε).
  4. Procédé selon l’une quelconque des revendications précédentes, dans lequel les calculs sont réalisés par un réseau de neurones à partir d’un échantillon prédéterminé.
  5. Procédé selon l’une quelconque des revendications précédentes, dans lequel le modèle décrivant le passage de l’état du système à l’instant t à l’état à l’instant (t+1), est dépourvu de l’accélération.
  6. Produit programme d’ordinateur caractérisé en ce qu’il comporte un ensemble d’instructions de code de programme qui, lorsqu’elles sont exécutées par un ou plusieurs processeurs, configurent le ou les processeurs pour mettre en œuvre un procédé selon l’une quelconque des revendications précédentes.
  7. Module de mesure (100) de la position géographique d’un dispositif (10) à partir d’un réseau de satellites dans un système prédictif à filtre de gain K variable, ledit gain K étant représenté par un vecteur de paramètres variables, ledit module de mesure (100), embarqué dans ledit dispositif (100), étant configuré pour :
    - recevoir des signaux émis par une pluralité de satellites du réseau de satellites,
    - déterminer la position et/ou de la vitesse du dispositif à un instant (t+1) à partir des signaux reçus, appelée « observation à l’instant (t+1) »,
    - calculer la meilleure prédiction de l’état du système à l’instant (t+1) à partir d’une estimation prédéterminée de l’état du système à l’instant (t) et d’un modèle représentatif du système entre l’instant (t) et l’instant (t+1),
    - calculer la prédiction de l’observation à l’instant (t+1) comme étant le produit d’une matrice d’observation prédéterminée et de la meilleure prédiction de l’état du système à l’instant (t+1) calculée,
    - calculer l’innovation du filtre à l’instant (t+1) comme étant la différence entre l’observation à l’instant (t+1) et la prédiction de l’observation à l’instant (t+1),
    - déterminer le vecteur de coefficients du gain à l’instant (t+1) par minimisation du carré de la norme de l’innovation du filtre à l’instant (t+1),
    - calculer le gain à l’instant (t+1) en faisant une correction par approximation stochastique par moyennage temporel des coefficients de gain du vecteur de coefficients du gain déterminé,
    - calculer l’estimation de l’état du système à l’instant (t+1) comme étant la somme de la meilleure prédiction de l’état du système à l’instant (t+1) calculée et du produit du gain (K) à l’instant (t+1) par l’innovation du filtre à l’instant (t+1) calculée,
    - déterminer la position du dispositif (10) à partir de l’estimation de l’état du système à l’instant (t+1) calculée.
  8. Module de mesure (100) selon la revendication précédente, ledit module étant configuré pour borner les coefficients de gain variables entre un minimum et un maximum.
  9. Dispositif (10), notamment mobile, comprenant un module de mesure (100) selon l’une quelconque des revendications 7 ou 8.
  10. Système (1) de géolocalisation par satellites, ledit système (1) comprenant une pluralité de satellites, configurés pour émettre chacun des signaux de géolocalisation, et au moins un module de mesure (100) selon l’une quelconque des revendications 7 ou 8 et/ou au moins un dispositif (10) selon la revendication 9.
PCT/EP2023/067730 2022-06-29 2023-06-28 Procédé de détermination de la position d'un dispositif à partir d'un réseau de satellites dans un système prédictif WO2024003187A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FRFR2206514 2022-06-29
FR2206514A FR3137450A1 (fr) 2022-06-29 2022-06-29 Procédé de détermination de la position d’un dispositif à partir d’un réseau de satellites dans un système prédictif

Publications (1)

Publication Number Publication Date
WO2024003187A1 true WO2024003187A1 (fr) 2024-01-04

Family

ID=83594038

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2023/067730 WO2024003187A1 (fr) 2022-06-29 2023-06-28 Procédé de détermination de la position d'un dispositif à partir d'un réseau de satellites dans un système prédictif

Country Status (2)

Country Link
FR (2) FR3137450A1 (fr)
WO (1) WO2024003187A1 (fr)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112710306A (zh) * 2020-12-21 2021-04-27 中车永济电机有限公司 列车用bds与ins组合导航的自定位方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112710306A (zh) * 2020-12-21 2021-04-27 中车永济电机有限公司 列车用bds与ins组合导航的自定位方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
LEE JIYUN ET AL: "Monitoring and Mitigation of Ionospheric Anomalies for GNSS-Based Safety Critical Systems: A review of up-to-date signal processing techniques", IEEE SIGNAL PROCESSING MAGAZINE, vol. 34, no. 5, 1 September 2017 (2017-09-01), USA, pages 96 - 110, XP093016209, ISSN: 1053-5888, DOI: 10.1109/MSP.2017.2716406 *

Also Published As

Publication number Publication date
FR3137460A1 (fr) 2024-01-05
FR3137450A1 (fr) 2024-01-05

Similar Documents

Publication Publication Date Title
EP2598912B1 (fr) Procede de determination d'un volume de protection dans le cas de deux pannes satellitaires simultanees
EP1430272A1 (fr) Centrale de navigation inertielle hybride a integrite amelioree
EP3364213A1 (fr) Procede et systeme de perception contextualisee de corps materiels
EP3807594A1 (fr) Procédé de calibration de magnétomètres équipant un objet
EP2500750B1 (fr) Procédé et dispositif pour la calibration d'un récepteur.
FR3031808A1 (fr) Procede d'aide a la navigation en fonction de conditions meteorologiques
EP3654549B1 (fr) Procede et dispositif pour conserver le pointage d'une antenne avec un satellite
EP2784547A1 (fr) Procédé de détection de signaux destinés à leurrer un récepteur de signaux d'un système de navigation par satellites et récepteur associé
FR3096637A1 (fr) Procédé et dispositif de détermination d’un chemin pour un véhicule autonome
JP2022513511A (ja) 完全性範囲を特定するための方法
FR2978585A1 (fr) Procede et dispositif d'estimation automatique d'un vecteur parametre de vol d'un aeronef, ainsi que methode et ensemble de detection d'une panne affectant un tel vecteur
EP3385677B1 (fr) Systeme et procede d'analyse et de surveillance des mouvements parasites d'une centrale inertielle pendant une phase d alignement statique
EP4002274A1 (fr) Procédé itératif d'estimation du mouvement d'un corps matériel par génération d'une grille de mouvement filtrée
WO2024003187A1 (fr) Procédé de détermination de la position d'un dispositif à partir d'un réseau de satellites dans un système prédictif
EP2804016A1 (fr) Procédé amélioré de détermination de la position et/ou de la vitesse d'un véhicule guidé ; système associé
WO2021032749A1 (fr) Detection d'une operation de leurrage d'un recepteur de signaux satellitaires
FR3129737A1 (fr) Systeme et procede de navigation autonome base vision d’un satellite
WO2021156569A1 (fr) Procede d'aide à la navigation d'un porteur mobile
FR3104704A1 (fr) Filtrage particulaire et centrale de navigation a correlation de mesure
WO2001046712A1 (fr) Dispositif d'hybridation d'un recepteur de positionnement par satellites avec une centrale inertielle
FR2829247A1 (fr) Procede de controle d'orbite autonome d'un satellite, et satellite en orbite controle de facon autonome
WO2020048770A1 (fr) Prédiction d'un paramètre de recalage cartographique par apprentissage profond
Li et al. Exploring the Potential of Deep Learning Aided Kalman Filter for GNSS/INS Integration: A Study on 2D Simulation Datasets
WO2023180143A1 (fr) Procédé de détermination d'au moins un rayon de protection associé a au moins un parametre de navigation et dispositif électronique de détermination associé
FR3104705A1 (fr) Filtrage particulaire et centrale de navigation a correlation de mesure

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 23735330

Country of ref document: EP

Kind code of ref document: A1