
Un algorithme qui estime l'état d'un système à partir de mesures bruitées au fil du temps.Le filtre de Kalman est un algorithme qui produit des estimations de l'état réel d'un système à partir d'une série de mesures entachées de bruit. Pour ce faire, il combine une prédiction de l'état attendu du système (basée sur un modèle physique) avec les mesures réelles, en pondérant chacune selon son incertitude. Le résultat est une estimation optimale qui minimise l'erreur quadratique moyenne, pourvu que le bruit soit gaussien et que la dynamique du système soit linéaire.
Développé par Rudolf E. Kálmán en 1960, en s'appuyant sur des travaux antérieurs de Wiener sur le filtrage et sur les modèles d'état.
Le filtre fonctionne en deux étapes : prédiction et mise à jour. Lors de l'étape de prédiction, il utilise la dynamique du système pour projeter l'état courant dans le futur, ainsi qu'une estimation de l'incertitude (covariance) de cette projection. Lors de l'étape de mise à jour, il compare la nouvelle mesure à la prédiction et calcule une moyenne pondérée — le gain de Kalman — qui équilibre la confiance accordée au modèle et celle accordée au capteur. Le gain est choisi pour minimiser l'incertitude a posteriori, et le processus se répète à chaque pas de temps.
Utilisé dans les systèmes de navigation (GPS, guidage inertiel), la robotique, la vision par ordinateur et le traitement du signal ; dans les articles cités, il apparaît dans des contextes tels que l'analyse de données lidar et la reconstruction d'états quantiques.
Le filtre de Kalman a été utilisé dans l'ordinateur de navigation du programme Apollo pour estimer la position du vaisseau spatial lors des missions lunaires.





