Source : preprint arXiv:2506.12862v1 [eess.SY], 15 juin 2025 · pas de DOI dans le PDF · University of Waterloo ; University of Ottawa · accès OPEN · PDF Mafi2025-ConsensusMMKF.pdf, sha256 5110887f8f74b2a0…, 11 pages (pagination interne « 10 », la dernière page porte l’Algorithme 1) Lu le : 2026-11-02. LECTURE COMPLÈTE (texte, équations, Tab. 3 et Fig. 2 relus sur la page 7, Fig. 3 et 4 sur la page 8, Fig. 5 sur la page 9 du PDF). Statut summarized. Thème : fusion · fusion multi-modèles physique et apprentissage, estimation d’état véhicule Métadonnées vérifiées dans le PDF : auteurs (F. Mafi, L. Khoshnevisan, M. Pirani, A. Khajepour), titre et année 2025 conformes. Aucun DOI dans le PDF ; identifiant arXiv 2506.12862 seulement. Version v1 ; le PDF n’indique aucune revue ni conférence : preprint.

Contexte et question

L’estimation d’état d’un véhicule (vitesse latérale, vitesse de lacet) doit tenir en conduite extrême et sur faible adhérence, là où les modèles physiques sortent de leur domaine de validité et où les modèles appris manquent d’interprétabilité et d’incertitude calibrée (§1.1). La difficulté technique est qu’un réseau de neurones ne fournit pas de covariance d’erreur, alors qu’un filtre de Kalman en a besoin. Les auteurs demandent comment fusionner des modèles hétérogènes (physiques et appris) dans un même filtre, avec des poids qui s’adaptent au régime.

Méthode

• Cadre : filtre de Kalman d’ensemble multi-modèles. M modèles produisent chacun une prédiction et une covariance ; on forme un état de consensus avant d’incorporer la mesure (§2.1, Éq. 11 à 18).
• Fusion itérative (§2.3.1, Éq. 13 à 15) : le consensus démarre sur le modèle 1, puis chaque modèle suivant est incorporé par un gain de type Kalman qui pondère selon les covariances relatives. Un opérateur T_m convertit l’espace de référence vers l’espace du modèle m (identité si les espaces sont les mêmes).
• Méthode 1, covariance par linéarisation de Koopman (§2.2.1) : la prédiction d’état vient du réseau (Éq. 1) ; une représentation bilinéaire dans un espace relevé (Éq. 2) est apprise par moindres carrés régularisés (Éq. 3 et 4), puis réécrite en système linéaire à temps variant (Éq. 5) pour propager la covariance (Éq. 6). Hors ligne : apprentissage préalable nécessaire.
• Méthode 2, covariance par ensemble (§2.2.2) : N_m membres perturbés par un bruit gaussien de covariance S autour de la prédiction (Éq. 9), covariance estimée sur la dispersion (Éq. 10). Même traitement pour modèle physique et modèle appris ; pas de pré-entraînement de la linéarisation, mais des ensembles plus grands peuvent être requis (§2.4).
• Erreur de modèle estimée par les statistiques d’innovation (Éq. 19 et 20, §2.4).
• Mise à jour par la mesure classique (Éq. 16 à 18), puis retour du consensus vers chaque modèle (Algorithme 1, étapes 31 à 33).
• Implémentation (§3.2) : réseau feedforward, 8 entrées (vitesses latérale et longitudinale, angle de volant, vitesse de lacet, vitesses de roue), deux couches cachées de 25 et 15 neurones, 6 sorties ; entraînement Levenberg ; relevé de Koopman par Random Fourier Features ; mélange entre l’état relevé prédit et un plongement direct d’état avec α = 0,8.

Données

• Véhicule : Chevrolet Equinox électrique à quatre roues motrices, moteur par roue, direction robotisée (§3.1, Fig. 2). Paramètres en Tab. 3, p. 7 (masse 2271 kg, distance essieu avant–CG 1,42 m, essieu arrière–CG 1,43 m, rayon effectif de pneu 0,347 m).
• Capteurs : IMU 6 axes, GPS 6 axes (RT2500) donnant les vitesses longitudinale et latérale, capteurs de volant, de vitesse et de couple de roue (§3, texte d’introduction, p. 7). Échantillonnage à 200 Hz pour toutes les manœuvres (§3, p. 7).
• Conditions : essais d’hiver jusqu’à -28 °C sur glace et neige, plus sol sec et mouillé ; départs sur adhérence variable, accélérations soutenues, couple pulsé, fort dérapage, virages lents, sinus de volant à 70 km/h ; MPC dans la boucle avec des réglages de contrôle de traction essayés pour provoquer volontairement l’instabilité (§3, p. 7).
• Découpage : 19 manœuvres, 18 pour l’entraînement des réseaux, 1 manœuvre inédite pour la validation et l’évaluation (§3.2, Fig. 3). La vitesse latérale n’est utilisée qu’à l’entraînement ; elle est inobservée au test (§3.2).

Résultats chiffrés

Le PDF ne publie aucune métrique d’erreur (ni RMSE, ni biais, ni tableau comparatif). Les résultats sont des courbes sur une seule manœuvre inédite.

Seuls chiffres du protocole : 19 manœuvres dont 1 de test, 200 Hz, -28 °C minimum, sinus à 70 km/h, α = 0,8, réseau 8-25-15-6.

Limites déclarées par les auteurs

• Méthode 1 : apprentissage hors ligne requis, efficace surtout quand la structure du système guide le relevé (§2.4).
• Méthode 2 : ensembles potentiellement plus grands pour une covariance fiable, donc coût de calcul plus élevé ; initialisation de la covariance d’échantillonnage S à fixer par connaissance a priori ou erreurs passées (§2.4, §2.6).
• Le jeu de modèles doit être divers sans redondance, et les changements d’espace d’état exigent des transformations correctes (§2.4).
• L’article ne contient pas de section de limites propre.

Ce que ça change pour Teleforge (interprétation, hors de l’article)

• Le motif utile est le consensus par gains de Kalman successifs entre un modèle physique et un modèle appris : les poids viennent des covariances, pas d’un réglage manuel. Il se transpose à toute fusion de sources d’incertitude hétérogène dans la chaîne.
• La méthode 2 (ensemble) est la plus simple à essayer : elle ne demande aucun entraînement supplémentaire et traite physique et appris de la même façon. La méthode 1 demande un relevé de Koopman appris, plus lourd.
• Preuve faible : une seule manœuvre de test, aucune métrique, aucune comparaison chiffrée à un IMM ou à un EKF. L’article ne permet pas de quantifier le gain, seulement d’illustrer le mécanisme. Toute reprise suppose de mesurer nous-mêmes sur notre banc.
• Le véhicule est instrumenté (IMU 200 Hz, GPS 6 axes, capteurs de roue, direction robotisée). Les entrées du réseau supposent des signaux (angle de volant, vitesses de roue) que des données de boîtier télématique n’ont en général pas ; l’applicabilité à des données plus pauvres reste à démontrer.
• La covariance de bruit de processus et la covariance d’échantillonnage restent à régler ; la fiche ne dit pas comment l’article les fixe numériquement, car il ne le dit pas.