Étape 1: Fixer le filtre
Il y a deux ans, que j’ai embauché comme consultant par Boeing avec la description de tâches de veiller à ce que tout a fonctionné. Mon premier jour au travail, j’ai lu certains documents cela dit le système utilisé « Filtrage de Kalman ». Il a aussi dit qu'il utilisé « la physique des particules » ? Eh bien, je ne sais pas beaucoup sur la physique des particules, mais je ne sais pas mon filtrage de Kalman. Plus tard ce jour-là j’ai demandé à mon responsable si il pouvait me dire comment le filtre de Kalman a été mis en place. Il m’a dit que je devrais me concernent uniquement avec des questions « intelligentes ». Je savais juste là et que le système serait un échec totale et absolu. Je n’ai lâché après 30 jours pour « incompétence ».
Une des plus grandes plaintes concernant le système de Boeing est qu’il donne constamment fausses alarmes. Eh bien, une chose, pour qu'un filtre de Kalman est bon est éliminer les fausses alarmes. Un filtre de Kalman est un algorithme logiciel qui est utilisé pour toutes sortes de choses. Le plus souvent il est utilisé pour le guidage et de navigation, mais il peut être utilisé pour tout, des projections économiques, études sur la croissance de population.
Le filtre de Kalman est mon filtre préféré dans le monde. Si vous s’approcha de moi dans un bar et a demandé quel était mon filtre préféré, je dirais que le Kalman, de loin. Une des raisons que c’est mon préféré est parce que, si vous lisez la description sur Wikipedia, il ressemble à une grosse boule de poils laid d’équations mathématiques ! Allez ici et faites défiler vers le bas (en fait, regardez la capture d’écran ci-dessus). Belle, Ain't it ! BTW, c’est un problème avec Wikipedia. Parfois, il finit par être un carré de sable géant pour étudiants diplômés travaillant sur des thèses de doctorat, qui, à mon humble avis, est où cette description appartient, pas sur Wikipedia. Le lecteur moyen ne va pas être en mesure de comprendre une description comme ça.
Heureusement, comme les choses plus compliquées, si vous la faire bouillir, c’est juste une équation de bon sens peu minuscule. C’est fondamentalement juste un filtre pondéré. Par exemple, que vous avez une pile de pastèques avec une pancarte disant: « 10 livres pastèques. » Maintenant, pour estimer combien chaque melon d’eau pèse réellement, vous commencez par dire votre estimation initiale du poids est de 10 livres, parce que c’est la seule information que vous avez. C’est ce qu’on appelle la prédiction. Puis vous ramasser une pastèque dans la pioche et le mettez sur la balance et il lit 9lbs. Mais la balance dit qu’il est précis à plus ou moins 5 %, sens fiable à 95 %. C’est pourquoi vous ne pouvez dire avec certitude que la pastèque pèse au moins 9 * 95 = 8,55 lbs. Pour expliquer les autres 5 %, vous prenez l’estimation précédente, votre estimation initiale, 5 % et ajoutez que les estimations intermédiaires, qui donne 10 lbs *.05 = 0.5. Alors, votre estimation globale de nouveau, appelée la mise à jour, est de 8,55 + 0,5 = 9,05 livres. Et vous continuez à juste faire que pour chaque melon d’eau, ce qui a entraîné un manière récursive filtrée estimation. En ce qui concerne la matrice de covariance, c’est pour des choses qui ont un petit effet secondaire sur le système, tels que si une humidité très élevée provoque les pastèques à être un tout petit peu plus lourd, auquel cas vous ajouteriez humidité à la matrice de covariance.
Avec le système de Boeing, une plainte a été que, jours venteux, il y aurait encore plus de fausses alertes à cause de choses comme des branches d’arbre se balançant dans le vent, sans oublier de mentionner les virevoltants roulement par. Pour corriger cela, un seul élément de la matrice de covariance seraient les conditions de vent actuelles. Peut-être même utilisation « tumbleweed reconnaissance, » qui, soit dit en passant est tout réalisable étant donné que la façon dont j’ai la reconnaissance de formes est en fermant les yeux et visualiser les données vidéo (les uns et zéros) et « voir » ce que virevoltants ressemblent au fil du temps comme les uns et de zéros. D’une part, ils sont presque parfaitement rondes. Et ils se déplacent vite, environ aussi vite que le vent, que j’ai déjà sais parce que c’est dans mon filtre de Kalman. Vous commencez à voir comment la possibilité d’injecter le simple bon sens dans le filtre de Kalman est ce qui rend le filtre de Kalman si éloquent et utile ? Plus de détails sur cela dans la prochaine section.
