Un programme de suivi ordinaire ressemble à un navigateur qui guide un navire grâce aux étoiles. Mais dès que le ciel se couvre, les coordonnées dérivent et l'incertitude grandit dans les données, ce qu'on appelle l'entropie (une mesure du désordre). Le nouvel algorithme se dote d'un « copilote » : un module qui surveille le niveau de confiance du navigateur principal.
Quand les calculs commencent à s'écarter de la réalité, un signal se déclenche : « les étoiles ont bougé, il est temps de revoir la carte ». Cette auto-surveillance rappelle le travail des astronomes qui, en cas de pépin dans les mesures de luminosité, recalibrent leurs télescopes, ou encore l'automatisme de la méthode du transit pour détecter des planètes via les variations de lumière, qui lance une vérification supplémentaire.
Curieusement, la méthode de base – le filtre de Kalman – a guidé les missions Apollo vers la Lune. Aujourd'hui, les réseaux de neurones lui apprennent à s'orienter même là où aucune étoile n'est visible. Résultat : les drones et les sondes deviennent plus fiables dans les environnements les plus imprévisibles, sans intervention humaine.
tel que rédigé par les auteurs, en anglais arXiv:2607.13387
Reliable state estimation in dynamical systems is often challenged by model mismatches, unknown noise statistics, and temporal variations. While AI-aided Kalman filters such as KalmanNet leverage deep learning to enhance classical estimation, they remain vulnerable to distribution shifts and lack mechanisms for autonomous adaptation. This work introduces Change-Aware Self-Adaptive KalmanNet (CASA-KalmanNet), an online adaptation framework that integrates a dedicated neural module, termed CPDNet, to monitor the interpretable internal features of KalmanNet and provide soft indicators of reliability degradation. These indicators dynamically regulate an online learning process, enabling data-efficient and timely adaptation to both abrupt and gradual changes in the system without requiring additional state labels from the changed regime. Numerical experiments on linear and nonlinear state-space models show that CASA-KalmanNet consistently outperforms existing learning-based filters under model mismatch, while approaching the accuracy of optimal classical methods with full domain knowledge.
Le filtre de Kalman était si crucial pour le programme Apollo que son algorithme était intégré dans les ordinateurs de bord pour corriger la trajectoire en temps réel.