MODULE 29 · CURSUS MARS AVANCÉ · COMPRENDRE, CALCULER, VÉRIFIER.

GNC avancé: estimation, navigation autonome et commande

Passer du principe « savoir où l’on est » à une architecture capable d’estimer un état, mesurer son incertitude, commander des actionneurs et rester sûre lorsque les capteurs ne sont pas d’accord.

Le problème à résoudre

Question de départ. Comment estimer en temps réel l’état d’un véhicule lorsque les capteurs sont bruités, incomplets ou contradictoires ?

Intuition. Le véhicule approche de Mars avec des mesures bruitées provenant d'une centrale inertielle, d'étoiles et de radiométrie. Le logiciel doit estimer l'état réel sans jamais le connaître parfaitement.

Repère concret. L'état d'un véhicule est l'ensemble minimal de grandeurs nécessaires pour prédire son évolution dans le modèle choisi, par exemple position et vitesse pour une dynamique orbitale simple.

Parcours conseillé pour « GNC avancé: estimation, navigation autonome et commande »: modules 00 à 28 recommandés selon le sujet. Dans « GNC avancé: estimation, navigation autonome et commande », l’objectif est de comprendre pourquoi une notion antérieure intervient dans la décision étudiée, pas d’en réciter la notation.

RAMPE ZÉRO PRÉREQUIS · MODULE 29

Comprendre avant de calculer

Le véhicule approche de Mars avec des mesures bruitées provenant d'une centrale inertielle, d'étoiles et de radiométrie. Le logiciel doit estimer l'état réel sans jamais le connaître parfaitement.

Progression du module — état; observation; filtre de Kalman; covariance.

état

Définition. L'état d'un véhicule est l'ensemble minimal de grandeurs nécessaires pour prédire son évolution dans le modèle choisi, par exemple position et vitesse pour une dynamique orbitale simple.

Exemple. Un filtre peut estimer six composantes position-vitesse auxquelles s'ajoutent biais de capteurs ou paramètres selon le problème.

L’état doit contenir les variables minimales permettant de prédire l’évolution utile du système; si deux situations physiquement différentes partagent exactement le même état, il manque une variable.

Attention. Une liste de mesures n'est pas l'état: les mesures sont des informations partielles utilisées pour estimer cet état.

En mission. Une mauvaise interprétation de « état » peut faire piloter le véhicule à partir d’un état trop incertain ou d’une mesure à laquelle le filtre accorde trop de confiance.

Exercice guidé — état

Situation à reconnaître. Un filtre peut estimer six composantes position-vitesse auxquelles s'ajoutent biais de capteurs ou paramètres selon le problème.

Vérification demandée. L’état doit contenir les variables minimales permettant de prédire l’évolution utile du système; si deux situations physiquement différentes partagent exactement le même état, il manque une variable.

Erreur à écarter. Une liste de mesures n'est pas l'état: les mesures sont des informations partielles utilisées pour estimer cet état.

Corrigé raisonné

Sens précis: L'état d'un véhicule est l'ensemble minimal de grandeurs nécessaires pour prédire son évolution dans le modèle choisi, par exemple position et vitesse pour une dynamique orbitale simple.
Test du cas: L’état doit contenir les variables minimales permettant de prédire l’évolution utile du système; si deux situations physiquement différentes partagent exactement le même état, il manque une variable.
Piège exclu: Une liste de mesures n'est pas l'état: les mesures sont des informations partielles utilisées pour estimer cet état.
Conséquence opérationnelle: Une mauvaise interprétation de « état » peut faire piloter le véhicule à partir d’un état trop incertain ou d’une mesure à laquelle le filtre accorde trop de confiance.

observation

Définition. Une observation est une mesure liée à l'état par un modèle de mesure. Elle peut être directe ou indirecte et contient du bruit ainsi que d'éventuels biais.

Exemple. Une mesure Doppler renseigne surtout la vitesse relative le long de la ligne de visée plutôt que trois composantes de vitesse indépendantes.

Vérification. Une observation renseigne l’état avec du bruit et parfois un biais: une mesure nouvelle ne doit pas être traitée comme vérité parfaite sans son incertitude.

Attention. Traiter toutes les observations comme également informatives peut donner une fausse confiance dans des directions mal observées.

En mission. Une mauvaise interprétation de « observation » peut faire piloter le véhicule à partir d’un état trop incertain ou d’une mesure à laquelle le filtre accorde trop de confiance.

Exercice guidé — observation

Situation à reconnaître. Une mesure Doppler renseigne surtout la vitesse relative le long de la ligne de visée plutôt que trois composantes de vitesse indépendantes.

Vérification demandée. Une observation renseigne l’état avec du bruit et parfois un biais: une mesure nouvelle ne doit pas être traitée comme vérité parfaite sans son incertitude.

Erreur à écarter. Traiter toutes les observations comme également informatives peut donner une fausse confiance dans des directions mal observées.

Corrigé raisonné

Sens précis: Une observation est une mesure liée à l'état par un modèle de mesure. Elle peut être directe ou indirecte et contient du bruit ainsi que d'éventuels biais.
Test du cas: Une observation renseigne l’état avec du bruit et parfois un biais: une mesure nouvelle ne doit pas être traitée comme vérité parfaite sans son incertitude.
Piège exclu: Traiter toutes les observations comme également informatives peut donner une fausse confiance dans des directions mal observées.
Conséquence opérationnelle: Une mauvaise interprétation de « observation » peut faire piloter le véhicule à partir d’un état trop incertain ou d’une mesure à laquelle le filtre accorde trop de confiance.

Termes du corrigé. vérification

Quantification: observation: relation qualitative ici; aucune unité intrinsèque.
Vérification: observation: confronter conclusion, contrôle et piège de la carte.

filtre de Kalman

Définition. Un filtre de Kalman combine une prédiction dynamique et des observations en pondérant leurs incertitudes. Dans ses formes linéaires ou étendues, il maintient une estimation d'état et une covariance associée.

Exemple. Après une propagation inertielle, une observation optique peut réduire l'incertitude sur certaines composantes de navigation.

Vérification. Après une mesure très précise, l’incertitude estimée devrait généralement diminuer; après une longue propagation sans mesure, elle devrait augmenter. Vérifiez cette tendance sur la covariance.

Attention. Le filtre ne transforme pas un mauvais modèle en vérité: une covariance sous-estimée ou un biais non modélisé peut rendre l'estimation trop confiante.

En mission. Une mauvaise interprétation de « filtre de kalman » peut faire piloter le véhicule à partir d’un état trop incertain ou d’une mesure à laquelle le filtre accorde trop de confiance.

Exercice guidé — filtre de Kalman

Situation à reconnaître. Après une propagation inertielle, une observation optique peut réduire l'incertitude sur certaines composantes de navigation.

Vérification demandée. Après une mesure très précise, l’incertitude estimée devrait généralement diminuer; après une longue propagation sans mesure, elle devrait augmenter. Vérifiez cette tendance sur la covariance.

Erreur à écarter. Le filtre ne transforme pas un mauvais modèle en vérité: une covariance sous-estimée ou un biais non modélisé peut rendre l'estimation trop confiante.

Corrigé raisonné

Sens précis: Un filtre de Kalman combine une prédiction dynamique et des observations en pondérant leurs incertitudes. Dans ses formes linéaires ou étendues, il maintient une estimation d'état et une covariance associée.
Test du cas: Après une mesure très précise, l’incertitude estimée devrait généralement diminuer; après une longue propagation sans mesure, elle devrait augmenter. Vérifiez cette tendance sur la covariance.
Piège exclu: Le filtre ne transforme pas un mauvais modèle en vérité: une covariance sous-estimée ou un biais non modélisé peut rendre l'estimation trop confiante.
Conséquence opérationnelle: Une mauvaise interprétation de « filtre de kalman » peut faire piloter le véhicule à partir d’un état trop incertain ou d’une mesure à laquelle le filtre accorde trop de confiance.

covariance

Définition. La covariance décrit conjointement les incertitudes et leurs corrélations entre composantes d'un état.

Exemple. Une ellipse de covariance en position montre que l'incertitude peut être grande dans une direction et petite dans une autre.

Vérification. Les variances sur la diagonale ne peuvent pas être négatives; une matrice de covariance qui en contient est mathématiquement incohérente.

Attention. Lire seulement les écarts-types diagonaux fait perdre l'information de corrélation qui peut être essentielle pour la navigation.

En mission. Une mauvaise interprétation de « covariance » peut faire piloter le véhicule à partir d’un état trop incertain ou d’une mesure à laquelle le filtre accorde trop de confiance.

Exercice guidé — covariance

Situation à reconnaître. Une ellipse de covariance en position montre que l'incertitude peut être grande dans une direction et petite dans une autre.

Vérification demandée. Les variances sur la diagonale ne peuvent pas être négatives; une matrice de covariance qui en contient est mathématiquement incohérente.

Erreur à écarter. Lire seulement les écarts-types diagonaux fait perdre l'information de corrélation qui peut être essentielle pour la navigation.

Corrigé raisonné

Sens précis: La covariance décrit conjointement les incertitudes et leurs corrélations entre composantes d'un état.
Test du cas: Les variances sur la diagonale ne peuvent pas être négatives; une matrice de covariance qui en contient est mathématiquement incohérente.
Piège exclu: Lire seulement les écarts-types diagonaux fait perdre l'information de corrélation qui peut être essentielle pour la navigation.
Conséquence opérationnelle: Une mauvaise interprétation de « covariance » peut faire piloter le véhicule à partir d’un état trop incertain ou d’une mesure à laquelle le filtre accorde trop de confiance.

Quantification: covariance: relation qualitative ici; aucune unité intrinsèque.
Vérification: covariance: confronter conclusion, contrôle et piège de la carte.

Étude intégrée — GNC avancé: estimation, navigation autonome et commande

Situation à analyser. Le véhicule approche de Mars avec des mesures bruitées provenant d'une centrale inertielle, d'étoiles et de radiométrie. Le logiciel doit estimer l'état réel sans jamais le connaître parfaitement.

état: Un filtre peut estimer six composantes position-vitesse auxquelles s'ajoutent biais de capteurs ou paramètres selon le problème. Contrôle attendu: L’état doit contenir les variables minimales permettant de prédire l’évolution utile du système; si deux situations physiquement différentes partagent exactement le même état, il manque une variable.
observation: Une mesure Doppler renseigne surtout la vitesse relative le long de la ligne de visée plutôt que trois composantes de vitesse indépendantes. Contrôle attendu: Une observation renseigne l’état avec du bruit et parfois un biais: une mesure nouvelle ne doit pas être traitée comme vérité parfaite sans son incertitude.
filtre de Kalman: Après une propagation inertielle, une observation optique peut réduire l'incertitude sur certaines composantes de navigation. Contrôle attendu: Après une mesure très précise, l’incertitude estimée devrait généralement diminuer; après une longue propagation sans mesure, elle devrait augmenter. Vérifiez cette tendance sur la covariance.
covariance: Une ellipse de covariance en position montre que l'incertitude peut être grande dans une direction et petite dans une autre. Contrôle attendu: Les variances sur la diagonale ne peuvent pas être négatives; une matrice de covariance qui en contient est mathématiquement incohérente.

Le diagnostic ne doit pas confondre « état » et « observation ». Le premier se reconnaît ici par le cas suivant: Un filtre peut estimer six composantes position-vitesse auxquelles s'ajoutent biais de capteurs ou paramètres selon le problème. Le second doit être contrôlé autrement: Une observation renseigne l’état avec du bruit et parfois un biais: une mesure nouvelle ne doit pas être traitée comme vérité parfaite sans son incertitude.

Une seconde vérification croise « filtre de Kalman » et « covariance ». Gardez comme alerte « Le filtre ne transforme pas un mauvais modèle en vérité: une covariance sous-estimée ou un biais non modélisé peut rendre l'estimation trop confiante. »; pour « covariance », utilisez plutôt ce test: Les variances sur la diagonale ne peuvent pas être négatives; une matrice de covariance qui en contient est mathématiquement incohérente.

Exercice de synthèse

Dans la situation de « GNC avancé: estimation, navigation autonome et commande », classez les indices selon « état » (L’état doit contenir les variables minimales permettant de prédire l’évolution utile du système; si deux situations physiquement différentes partagent exactement le même état, il manque une variable.), « observation » (Une observation renseigne l’état avec du bruit et parfois un biais: une mesure nouvelle ne doit pas être traitée comme vérité parfaite sans son incertitude.), « filtre de Kalman » (Après une mesure très précise, l’incertitude estimée devrait généralement diminuer; après une longue propagation sans mesure, elle devrait augmenter. Vérifiez cette tendance sur la covariance.), « covariance » (Les variances sur la diagonale ne peuvent pas être négatives; une matrice de covariance qui en contient est mathématiquement incohérente.) Décision suspendue si un contrôle échoue.

Corrigé de synthèse

Pour état, Une mauvaise interprétation de « état » peut faire piloter le véhicule à partir d’un état trop incertain ou d’une mesure à laquelle le filtre accorde trop de confiance. Le garde-fou principal est: Une liste de mesures n'est pas l'état: les mesures sont des informations partielles utilisées pour estimer cet état. Pour observation, Une mauvaise interprétation de « observation » peut faire piloter le véhicule à partir d’un état trop incertain ou d’une mesure à laquelle le filtre accorde trop de confiance. Le garde-fou principal est: Traiter toutes les observations comme également informatives peut donner une fausse confiance dans des directions mal observées. Pour filtre de Kalman, Une mauvaise interprétation de « filtre de kalman » peut faire piloter le véhicule à partir d’un état trop incertain ou d’une mesure à laquelle le filtre accorde trop de confiance. Le garde-fou principal est: Le filtre ne transforme pas un mauvais modèle en vérité: une covariance sous-estimée ou un biais non modélisé peut rendre l'estimation trop confiante. Pour covariance, Une mauvaise interprétation de « covariance » peut faire piloter le véhicule à partir d’un état trop incertain ou d’une mesure à laquelle le filtre accorde trop de confiance. Le garde-fou principal est: Lire seulement les écarts-types diagonaux fait perdre l'information de corrélation qui peut être essentielle pour la navigation.

Données du cas: Exercice de synthèse — Dans la situation de « GNC avancé: estimation, navigation autonome et commande », classez les indices selon « état » (L’état doit contenir les variables minimales permettant de prédire l’évolution utile du système; si deux situations physiquement différentes partagent exactement le même état, il manque une variable.), « observation » (Une observation renseigne l’état avec du bruit et parfois un biais: une mesure nouvelle ne doit pas être traitée comme vérité parfaite sans son incertitude.), « filtre de Kalman » (Ap
Raisonnement: Corrigé de synthèse Pour état, Une mauvaise interprétation de « état » peut faire piloter le véhicule à partir d’un état trop incertain ou d’une mesure à laquelle le filtre accorde trop de confiance. Le garde-fou principal est: Une liste de mesures n'est pas l'état: les mesures sont des informations partielles utilisées pour estimer cet état. Pour observation, Une mauvaise interprétation de « observation » peut faire piloter le véhicule à partir d’un état trop incertain ou d’une mesure à laquelle le filtre accorde trop de confiance. Le garde-fou principal est: Traiter toutes les observations comme également informatives peut donner une fausse confiance dans des directions mal observées. Pour filtre de Kalman, Une mauvaise interprétation de « filtre de kalman » peut faire piloter le véhicule à partir d’un état trop incertain ou d’une mesure à laquelle le filtre accorde trop de confiance.
Résultat: Corrigé de synthèse Pour état, Une mauvaise interprétation de « état » peut faire piloter le véhicule à partir d’un état trop incertain ou d’une mesure à laquelle le filtre accorde trop de confiance.
Contrôle: Le garde-fou principal est: Lire seulement les écarts-types diagonaux fait perdre l'information de corrélation qui peut être essentielle pour la navigation.
Interprétation: Pour covariance, Une mauvaise interprétation de « covariance » peut faire piloter le véhicule à partir d’un état trop incertain ou d’une mesure à laquelle le filtre accorde trop de confiance.

Mini-leçons quantitatives

Innovation de mesure

nu = z - z_pred

1 — Question concrète: Que permet de calculer « nu = z - z_pred » dans « Innovation de mesure » ?
2 — Intuition sans symboles: La navigation compare ce que les capteurs observent à ce que le modèle attend.
3 — Grandeurs: nu: innovation de mesure [unité de mesure]; z: mesure reçue [unité de mesure]; z_pred: mesure prédite [unité de mesure]
4 — Formule: nu = z - z_pred
5 — Lecture: « nu égale z moins z prédit. »
6 — Symboles et sens: nu: innovation de mesure [unité de mesure]; z: mesure reçue [unité de mesure]; z_pred: mesure prédite [unité de mesure]
7 — Prononciation: La ligne « Lecture » ci-dessus donne la lecture orale de référence pour « Innovation de mesure ». Les indices, exposants et groupements éventuels doivent être prononcés lorsqu’ils changent le sens de la relation.
8 — Unités: nu [unité de mesure]; z [unité de mesure]; z_pred [unité de mesure]
9 — Convention: Pour « Innovation de mesure », remplacer les valeurs sans changer en cours de calcul le référentiel, la base de temps, la frontière du système ni la convention de signe. Unités annoncées : nu [unité de mesure]; z [unité de mesure]; z_pred [unité de mesure].
10 — Pourquoi cette opération: Dans « Innovation de mesure », la soustraction mesure un écart ou une marge entre deux grandeurs comparables exprimées dans le même repère.
11 — Hypothèses: La relation « nu = z - z_pred » ne vaut ici que pour le scénario décrit par la carte. Les entrées doivent être cohérentes entre elles et respecter les hypothèses physiques associées à « Innovation de mesure ».
12 — Contrôle indépendant: Réadditionner la marge au terme retranché doit reconstruire l’état initial.
13 — Cas numérique: Avec z = 12.4 unité de mesure, z_pred = 10.9 unité de mesure: nu = 12.4 - 10.9 = 1.5 unit.
14 — Pourquoi le calcul fonctionne: Le cas numérique applique directement « nu = z - z_pred » aux valeurs annoncées. Le calcul est recevable parce que les grandeurs sont substituées dans la même relation avant d’interpréter le résultat pour « Innovation de mesure ».
15 — Vérification: Contrôle rapide : réajouter au résultat le terme qui a été retranché doit reconstruire la grandeur de départ de « Innovation de mesure ».
16 — Estimation mentale: Avant le calcul détaillé de « Innovation de mesure », arrondir les entrées à un chiffre utile et prévoir le signe ainsi que l’ordre de grandeur. Le résultat précis doit rester compatible avec cette estimation.
17 — Interprétation: Une innovation durablement grande impose de revoir le modèle, le capteur ou l’état estimé.
18 — Ce que le résultat ne prouve pas: Pour « Innovation de mesure », le nombre obtenu répond uniquement au modèle « nu = z - z_pred » dans le scénario déclaré. Il ne démontre ni la qualité des données d’entrée ni la validité du modèle dans d’autres conditions.
19 — Sensibilité: Faire varier une entrée à la fois autour du cas nominal permet d’identifier ce qui pilote le résultat de « Innovation de mesure » et de vérifier si cette variation peut changer la décision de mission.
20 — Exercices guidé et autonome: Exercice guidé. Recalculez ce scénario: Avec z = 5.2 unité de mesure, z_pred = 4.8 unité de mesure: nu = 5.2 - 4.8 ?
Correction guidée détaillée — ouvrir après essai
Avec z = 5.2 unité de mesure, z_pred = 4.8 unité de mesure: nu = 5.2 - 4.8 = 0.4 unit. La décision doit ensuite être confrontée aux marges et hypothèses du module.
Exercice autonome. Recalculez ce scénario: Avec z = -2.5 unité de mesure, z_pred = -1.7 unité de mesure: nu = -2.5 - -1.7 ?
Correction autonome — ouvrir après essai
Avec z = -2.5 unité de mesure, z_pred = -1.7 unité de mesure: nu = -2.5 - -1.7 = -0.8 unit. La décision doit ensuite être confrontée aux marges et hypothèses du module.
21 — Décision mission: Une innovation durablement grande impose de revoir le modèle, le capteur ou l’état estimé.

Gain de Kalman scalaire

K = P_pred / (P_pred + R_meas)

1 — Question concrète: Que permet de calculer « K = P_pred / (P_pred + R_meas) » dans « Gain de Kalman scalaire » ?
2 — Intuition sans symboles: Le gain pondère la confiance relative accordée à la prédiction et à la mesure.
3 — Grandeurs: K: gain de correction [sans dimension]; P_pred: variance prédite [unité²]; R_meas: variance de mesure [unité²]
4 — Formule: K = P_pred / (P_pred + R_meas)
5 — Lecture: « K égale P prédit divisé par parenthèse P prédit plus R mesure fin de parenthèse. »
6 — Symboles et sens: K: gain de correction [sans dimension]; P_pred: variance prédite [unité²]; R_meas: variance de mesure [unité²]
7 — Prononciation: La ligne « Lecture » ci-dessus donne la lecture orale de référence pour « Gain de Kalman scalaire ». Les indices, exposants et groupements éventuels doivent être prononcés lorsqu’ils changent le sens de la relation.
8 — Unités: K [sans dimension]; P_pred [unité²]; R_meas [unité²]
9 — Convention: Pour « Gain de Kalman scalaire », remplacer les valeurs sans changer en cours de calcul le référentiel, la base de temps, la frontière du système ni la convention de signe. Unités annoncées : K [sans dimension]; P_pred [unité²]; R_meas [unité²].
10 — Pourquoi cette opération: Dans « Gain de Kalman scalaire », la division rapporte une grandeur à une référence, une durée ou une capacité ; le dénominateur doit correspondre au même cas et rester non nul.
11 — Hypothèses: La relation « K = P_pred / (P_pred + R_meas) » ne vaut ici que pour le scénario décrit par la carte. Les entrées doivent être cohérentes entre elles et respecter les hypothèses physiques associées à « Gain de Kalman scalaire ».
12 — Contrôle indépendant: Multiplier le résultat par le dénominateur doit reconstruire le numérateur.
13 — Cas numérique: Avec P_pred = 4 unité², R_meas = 1 unité²: K = 4 / (4 + 1) = 0.8 .
14 — Pourquoi le calcul fonctionne: Le cas numérique applique directement « K = P_pred / (P_pred + R_meas) » aux valeurs annoncées. Le calcul est recevable parce que les grandeurs sont substituées dans la même relation avant d’interpréter le résultat pour « Gain de Kalman scalaire ».
15 — Vérification: Contrôle rapide : remultiplier le résultat par le dénominateur doit reconstruire le numérateur de « Gain de Kalman scalaire » à l’arrondi près.
16 — Estimation mentale: Avant le calcul détaillé de « Gain de Kalman scalaire », arrondir les entrées à un chiffre utile et prévoir le signe ainsi que l’ordre de grandeur. Le résultat précis doit rester compatible avec cette estimation.
17 — Interprétation: Un gain proche de zéro privilégie le modèle; un gain élevé donne davantage de poids à la mesure.
18 — Ce que le résultat ne prouve pas: Pour « Gain de Kalman scalaire », le nombre obtenu répond uniquement au modèle « K = P_pred / (P_pred + R_meas) » dans le scénario déclaré. Il ne démontre ni la qualité des données d’entrée ni la validité du modèle dans d’autres conditions.
19 — Sensibilité: Faire varier une entrée à la fois autour du cas nominal permet d’identifier ce qui pilote le résultat de « Gain de Kalman scalaire » et de vérifier si cette variation peut changer la décision de mission.
20 — Exercices guidé et autonome: Exercice guidé. Recalculez ce scénario: Avec P_pred = 9 unité², R_meas = 3 unité²: K = 9 / (9 + 3) ?
Correction guidée détaillée — ouvrir après essai
Avec P_pred = 9 unité², R_meas = 3 unité²: K = 9 / (9 + 3) = 0.75 . La décision doit ensuite être confrontée aux marges et hypothèses du module.
Exercice autonome. Recalculez ce scénario: Avec P_pred = 2 unité², R_meas = 6 unité²: K = 2 / (2 + 6) ?
Correction autonome — ouvrir après essai
Avec P_pred = 2 unité², R_meas = 6 unité²: K = 2 / (2 + 6) = 0.25 . La décision doit ensuite être confrontée aux marges et hypothèses du module.
21 — Décision mission: Un gain proche de zéro privilégie le modèle; un gain élevé donne davantage de poids à la mesure.

Mise à jour d’état

x_hat = x_pred + K × nu

1 — Question concrète: Que permet de calculer « x_hat = x_pred + K × nu » dans « Mise à jour d’état » ?
2 — Intuition sans symboles: La correction déplace l’état prédit d’une fraction contrôlée de l’écart observé.
3 — Grandeurs: x_hat: état corrigé [unité d’état]; x_pred: état prédit [unité d’état]; K: gain de correction [sans dimension]; nu: innovation [unité d’état]
4 — Formule: x_hat = x_pred + K × nu
5 — Lecture: « x estimé égale x prédit plus K multiplié par nu. »
6 — Symboles et sens: x_hat: état corrigé [unité d’état]; x_pred: état prédit [unité d’état]; K: gain de correction [sans dimension]; nu: innovation [unité d’état]
7 — Prononciation: La ligne « Lecture » ci-dessus donne la lecture orale de référence pour « Mise à jour d’état ». Les indices, exposants et groupements éventuels doivent être prononcés lorsqu’ils changent le sens de la relation.
8 — Unités: x_hat [unité d’état]; x_pred [unité d’état]; K [sans dimension]; nu [unité d’état]
9 — Convention: Pour « Mise à jour d’état », remplacer les valeurs sans changer en cours de calcul le référentiel, la base de temps, la frontière du système ni la convention de signe. Unités annoncées : x_hat [unité d’état]; x_pred [unité d’état]; K [sans dimension]; nu [unité d’état].
10 — Pourquoi cette opération: Dans « Mise à jour d’état », la multiplication combine les facteurs qui construisent directement la grandeur recherchée ; elle n’est valable que si ces facteurs décrivent le même cas.
11 — Hypothèses: La relation « x_hat = x_pred + K × nu » ne vaut ici que pour le scénario décrit par la carte. Les entrées doivent être cohérentes entre elles et respecter les hypothèses physiques associées à « Mise à jour d’état ».
12 — Contrôle indépendant: Une seconde méthode ou la relation inverse doit retrouver le même ordre de grandeur.
13 — Cas numérique: Avec x_pred = 100 unité d’état, K = 0.8 sans dimension, nu = 1.5 unité d’état: x_hat = 100 + 0.8 × 1.5 = 101.2 unit.
14 — Pourquoi le calcul fonctionne: Le cas numérique applique directement « x_hat = x_pred + K × nu » aux valeurs annoncées. Le calcul est recevable parce que les grandeurs sont substituées dans la même relation avant d’interpréter le résultat pour « Mise à jour d’état ».
15 — Vérification: Contrôle rapide : si un facteur est non nul, diviser le résultat par ce facteur doit retrouver l’autre contribution attendue dans « Mise à jour d’état ».
16 — Estimation mentale: Avant le calcul détaillé de « Mise à jour d’état », arrondir les entrées à un chiffre utile et prévoir le signe ainsi que l’ordre de grandeur. Le résultat précis doit rester compatible avec cette estimation.
17 — Interprétation: Accepter la mise à jour seulement si le gain et l’innovation restent compatibles avec les limites du capteur et du modèle.
18 — Ce que le résultat ne prouve pas: Pour « Mise à jour d’état », le nombre obtenu répond uniquement au modèle « x_hat = x_pred + K × nu » dans le scénario déclaré. Il ne démontre ni la qualité des données d’entrée ni la validité du modèle dans d’autres conditions.
19 — Sensibilité: Faire varier une entrée à la fois autour du cas nominal permet d’identifier ce qui pilote le résultat de « Mise à jour d’état » et de vérifier si cette variation peut changer la décision de mission.
20 — Exercices guidé et autonome: Exercice guidé. Recalculez ce scénario: Avec x_pred = 20 unité d’état, K = 0.5 sans dimension, nu = -2 unité d’état: x_hat = 20 + 0.5 × -2 ?
Correction guidée détaillée — ouvrir après essai
Avec x_pred = 20 unité d’état, K = 0.5 sans dimension, nu = -2 unité d’état: x_hat = 20 + 0.5 × -2 = 19 unit. La décision doit ensuite être confrontée aux marges et hypothèses du module.
Exercice autonome. Recalculez ce scénario: Avec x_pred = -3 unité d’état, K = 0.25 sans dimension, nu = 4 unité d’état: x_hat = -3 + 0.25 × 4 ?
Correction autonome — ouvrir après essai
Avec x_pred = -3 unité d’état, K = 0.25 sans dimension, nu = 4 unité d’état: x_hat = -3 + 0.25 × 4 = -2 unit. La décision doit ensuite être confrontée aux marges et hypothèses du module.
21 — Décision mission: Accepter la mise à jour seulement si le gain et l’innovation restent compatibles avec les limites du capteur et du modèle.

Incertitude de position combinée

sigma_pos = sqrt(sigma_x² + sigma_y²)

1 — Question concrète: Que permet de calculer « sigma_pos = sqrt(sigma_x² + sigma_y²) » dans « Incertitude de position combinée » ?
2 — Intuition sans symboles: Des incertitudes indépendantes sur deux axes se combinent par leurs carrés plutôt que par une simple somme.
3 — Grandeurs: sigma_pos: incertitude plane combinée [m]; sigma_x: incertitude sur x [m]; sigma_y: incertitude sur y [m]
4 — Formule: sigma_pos = sqrt(sigma_x² + sigma_y²)
5 — Lecture: « sigma pos égale racine carrée de parenthèse sigma x au carré plus sigma y au carré fin de parenthèse. »
6 — Symboles et sens: sigma_pos: incertitude plane combinée [m]; sigma_x: incertitude sur x [m]; sigma_y: incertitude sur y [m]
7 — Prononciation: La ligne « Lecture » ci-dessus donne la lecture orale de référence pour « Incertitude de position combinée ». Les indices, exposants et groupements éventuels doivent être prononcés lorsqu’ils changent le sens de la relation.
8 — Unités: sigma_pos [m]; sigma_x [m]; sigma_y [m]
9 — Convention: Pour « Incertitude de position combinée », remplacer les valeurs sans changer en cours de calcul le référentiel, la base de temps, la frontière du système ni la convention de signe. Unités annoncées : sigma_pos [m]; sigma_x [m]; sigma_y [m].
10 — Pourquoi cette opération: Dans « Incertitude de position combinée », la racine ramène une grandeur quadratique à l’échelle de la grandeur recherchée ; les termes combinés doivent suivre l’hypothèse du modèle.
11 — Hypothèses: Les contributions doivent être suffisamment indépendantes pour justifier cette combinaison.
12 — Contrôle indépendant: Le carré du résultat doit égaler la somme des carrés des contributions.
13 — Cas numérique: Avec sigma_x = 3 m, sigma_y = 4 m: sigma_pos = sqrt(3² + 4²) = 5 m.
14 — Pourquoi le calcul fonctionne: Le cas numérique applique directement « sigma_pos = sqrt(sigma_x² + sigma_y²) » aux valeurs annoncées. Le calcul est recevable parce que les grandeurs sont substituées dans la même relation avant d’interpréter le résultat pour « Incertitude de position combinée ».
15 — Vérification: Le carré du résultat doit égaler la somme des carrés des contributions.
16 — Estimation mentale: Le résultat doit rester entre la contribution dominante et leur somme arithmétique.
17 — Interprétation: Augmenter les marges de navigation si l’incertitude combinée approche la largeur du corridor sûr.
18 — Ce que le résultat ne prouve pas: Pour « Incertitude de position combinée », le nombre obtenu répond uniquement au modèle « sigma_pos = sqrt(sigma_x² + sigma_y²) » dans le scénario déclaré. Il ne démontre ni la qualité des données d’entrée ni la validité du modèle dans d’autres conditions.
19 — Sensibilité: La plus grande contribution pèse davantage parce qu’elle est élevée au carré.
20 — Exercices guidé et autonome: Exercice guidé. Recalculez ce scénario: Avec sigma_x = 1.2 m, sigma_y = 1.6 m: sigma_pos = sqrt(1.2² + 1.6²) ?
Correction guidée détaillée — ouvrir après essai
Avec sigma_x = 1.2 m, sigma_y = 1.6 m: sigma_pos = sqrt(1.2² + 1.6²) = 2 m. La décision doit ensuite être confrontée aux marges et hypothèses du module.
Exercice autonome. Recalculez ce scénario: Avec sigma_x = 0.5 m, sigma_y = 0.5 m: sigma_pos = sqrt(0.5² + 0.5²) ?
Correction autonome — ouvrir après essai
Avec sigma_x = 0.5 m, sigma_y = 0.5 m: sigma_pos = sqrt(0.5² + 0.5²) = 0.7071 m. La décision doit ensuite être confrontée aux marges et hypothèses du module.
21 — Décision mission: Augmenter les marges de navigation si l’incertitude combinée approche la largeur du corridor sûr.

Marge d’autorité de commande

u_margin = u_max - u_req_abs

1 — Question concrète: Que permet de calculer « u_margin = u_max - u_req_abs » dans « Marge d’autorité de commande » ?
2 — Intuition sans symboles: La marge indique combien d’autorité reste avant saturation de l’actionneur.
3 — Grandeurs: u_margin: marge de commande [unité de commande]; u_max: commande disponible maximale [unité de commande]; u_req_abs: amplitude de commande demandée [unité de commande]
4 — Formule: u_margin = u_max - u_req_abs
5 — Lecture: « u margin égale u max moins u requis absolu. »
6 — Symboles et sens: u_margin: marge de commande [unité de commande]; u_max: commande disponible maximale [unité de commande]; u_req_abs: amplitude de commande demandée [unité de commande]
7 — Prononciation: La ligne « Lecture » ci-dessus donne la lecture orale de référence pour « Marge d’autorité de commande ». Les indices, exposants et groupements éventuels doivent être prononcés lorsqu’ils changent le sens de la relation.
8 — Unités: u_margin [unité de commande]; u_max [unité de commande]; u_req_abs [unité de commande]
9 — Convention: Pour « Marge d’autorité de commande », remplacer les valeurs sans changer en cours de calcul le référentiel, la base de temps, la frontière du système ni la convention de signe. Unités annoncées : u_margin [unité de commande]; u_max [unité de commande]; u_req_abs [unité de commande].
10 — Pourquoi cette opération: Dans « Marge d’autorité de commande », la soustraction mesure un écart ou une marge entre deux grandeurs comparables exprimées dans le même repère.
11 — Hypothèses: La relation « u_margin = u_max - u_req_abs » ne vaut ici que pour le scénario décrit par la carte. Les entrées doivent être cohérentes entre elles et respecter les hypothèses physiques associées à « Marge d’autorité de commande ».
12 — Contrôle indépendant: Réadditionner la marge au terme retranché doit reconstruire l’état initial.
13 — Cas numérique: Avec u_max = 1 unité de commande, u_req_abs = 0.7 unité de commande: u_margin = 1 - 0.7 = 0.3 unit.
14 — Pourquoi le calcul fonctionne: Le cas numérique applique directement « u_margin = u_max - u_req_abs » aux valeurs annoncées. Le calcul est recevable parce que les grandeurs sont substituées dans la même relation avant d’interpréter le résultat pour « Marge d’autorité de commande ».
15 — Vérification: Contrôle rapide : réajouter au résultat le terme qui a été retranché doit reconstruire la grandeur de départ de « Marge d’autorité de commande ».
16 — Estimation mentale: Avant le calcul détaillé de « Marge d’autorité de commande », arrondir les entrées à un chiffre utile et prévoir le signe ainsi que l’ordre de grandeur. Le résultat précis doit rester compatible avec cette estimation.
17 — Interprétation: Un plan de guidage qui consomme presque toute l’autorité doit être replanifié avant d’entrer dans une phase critique.
18 — Ce que le résultat ne prouve pas: Pour « Marge d’autorité de commande », le nombre obtenu répond uniquement au modèle « u_margin = u_max - u_req_abs » dans le scénario déclaré. Il ne démontre ni la qualité des données d’entrée ni la validité du modèle dans d’autres conditions.
19 — Sensibilité: Faire varier une entrée à la fois autour du cas nominal permet d’identifier ce qui pilote le résultat de « Marge d’autorité de commande » et de vérifier si cette variation peut changer la décision de mission.
20 — Exercices guidé et autonome: Exercice guidé. Recalculez ce scénario: Avec u_max = 0.8 unité de commande, u_req_abs = 0.65 unité de commande: u_margin = 0.8 - 0.65 ?
Correction guidée détaillée — ouvrir après essai
Avec u_max = 0.8 unité de commande, u_req_abs = 0.65 unité de commande: u_margin = 0.8 - 0.65 = 0.15 unit. La décision doit ensuite être confrontée aux marges et hypothèses du module.
Exercice autonome. Recalculez ce scénario: Avec u_max = 10 unité de commande, u_req_abs = 9.5 unité de commande: u_margin = 10 - 9.5 ?
Correction autonome — ouvrir après essai
Avec u_max = 10 unité de commande, u_req_abs = 9.5 unité de commande: u_margin = 10 - 9.5 = 0.5 unit. La décision doit ensuite être confrontée aux marges et hypothèses du module.
21 — Décision mission: Un plan de guidage qui consomme presque toute l’autorité doit être replanifié avant d’entrer dans une phase critique.

Progression de maîtrise

état: appliquez le contrôle concret de sa fiche.
observation: appliquez le contrôle concret de sa fiche.
filtre de Kalman: appliquez le contrôle concret de sa fiche.
covariance: appliquez le contrôle concret de sa fiche.
Synthèse de « GNC avancé: estimation, navigation autonome et commande »: confrontez « état » à « observation »; choisissez le contrôle prioritaire.

Vérification de maîtrise

Validation 29 — état, observation, filtre de Kalman, covariance. Pour chaque notion: un indice et un contrôle.

Objectifs de maîtrise

Lire « état » comme un problème concret de « GNC avancé: estimation, navigation autonome et commande » et non comme une définition à réciter.
Contrôler un résultat chiffré lié à « état » par une seconde méthode simple.
Dire quelle donnée supplémentaire manque avant de trancher sur « observation ».
Choisir une réponse opérationnelle cohérente avec « filtre de Kalman » et ses marges.

1. État, mesure et modèle: trois choses différentes

Un véhicule spatial ne connaît jamais directement sa position, sa vitesse et son attitude parfaites. Il possède un état estimé. On regroupe souvent les inconnues dans un vecteur d’état x: position, vitesse, attitude, biais de capteurs et parfois paramètres environnementaux. Le symbole x ne désigne donc pas une seule mesure, mais un ensemble cohérent de variables que le logiciel doit suivre.

Une mesure z provient d’un capteur: étoile observée par un star tracker, accélération donnée par une centrale inertielle, distance radio, image de terrain, altitude lidar. Un modèle prédit comment l’état devrait évoluer. L’estimation consiste à confronter modèle et mesures, puis à conserver aussi une estimation de l’incertitude. Une valeur sans incertitude est dangereuse parce qu’elle pousse le contrôleur à agir comme si l’information était certaine.

2. Navigation: déterminer où l’on est et avec quelle confiance

Pour une mission martienne, la navigation alterne plusieurs régimes. En croisière, le Deep Space Network contribue à déterminer la trajectoire. À proximité de Mars, des images, capteurs inertiels et parfois altimétrie prennent plus d’importance. Pendant l’EDL, c’est-à-dire l’entrée, la descente et l’atterrissage, le temps disponible devient trop court pour attendre une correction terrestre.

La bonne question n’est pas seulement « quelle est ma position? » mais « quelle région de positions reste plausible? ». Une ellipse ou une covariance d’erreur traduit cette confiance. Si l’incertitude latérale devient plus grande que la zone d’atterrissage sûre, le problème n’est plus cosmétique: il faut modifier la trajectoire, changer de cible ou passer à un mode plus conservateur.

3. Filtre de Kalman: corriger une prédiction avec une mesure imparfaite

Le filtre de Kalman est une famille de méthodes d’estimation qui combine une prédiction issue du modèle et une mesure bruitée. Intuitivement, si le modèle est très incertain mais le capteur précis, la correction suit davantage le capteur. Si le capteur est momentanément mauvais, l’algorithme conserve davantage la prédiction. Le gain n’est donc pas un « coefficient magique »: il dépend des incertitudes attribuées aux deux sources d’information.

Dans un système réel, les équations peuvent être non linéaires et les filtres devenir étendus, unscented ou structurés autrement. Mais le réflexe reste le même: prédire, mesurer, comparer l’innovation, mettre à jour l’état et vérifier que les résidus restent compatibles avec le modèle de bruit.

4. Attitude, quaternions et repères

Orienter un véhicule exige de distinguer les repères: inertiel, véhicule, local horizontal, capteur, actionneur. Une confusion de repère peut produire une commande numériquement correcte dans le mauvais axe. Les quaternions offrent une représentation de l’attitude qui évite certaines singularités des angles d’Euler et se prête bien à la composition de rotations.

Le lecteur n’a pas besoin de mémoriser toute l’algèbre des quaternions pour comprendre le risque opérationnel: chaque rotation doit préciser de quel repère vers quel repère elle transforme un vecteur, et le logiciel doit normaliser et vérifier la cohérence des estimations d’attitude.

5. Guidance, navigation, control: trois responsabilités qui se parlent

La guidance calcule ce que le véhicule devrait faire pour atteindre un objectif. La navigation estime l’état réel. Le control, ou commande, transforme l’écart entre objectif et état en commandes d’actionneurs. Une mission réussie dépend de l’interface entre les trois: une guidance brillante alimentée par une navigation fausse commande la mauvaise manœuvre; un contrôleur parfait ne peut pas exécuter une trajectoire physiquement impossible.

Pour Mars, cette séparation doit rester visible dans les modes dégradés. Perdre un capteur ne signifie pas forcément perdre toute guidance. On peut réduire les performances, utiliser un capteur de secours, augmenter les marges ou interrompre une séquence critique.

6. Actionneurs, saturation et autorité de contrôle

Roues à réaction, propulseurs, gouvernes aérodynamiques ou moteurs de descente ont des limites. Une roue peut saturer en moment cinétique; un propulseur a une poussée minimale et maximale; un moteur ne répond pas instantanément. Le contrôleur doit donc connaître l’autorité réellement disponible.

Une commande calculée à +120 % n’existe pas physiquement. Si le logiciel demande plus que l’actionneur ne peut fournir, l’erreur peut s’accumuler et conduire à une instabilité. Les essais doivent donc inclure saturation, délais, capteurs biaisés et modes où un actionneur est perdu.

7. Navigation autonome de surface et rendez-vous

Sur Mars, un rover ou un véhicule habité doit parfois se localiser sans aide immédiate de la Terre. Caméras, lidar, inertiel et cartes peuvent être fusionnés pour estimer le déplacement. Pour un rendez-vous entre véhicules, la navigation relative ajoute des mesures de distance, angle et vitesse relative.

L’autonomie n’est pas l’absence de règles. Elle doit au contraire expliciter les limites: vitesse maximale si la localisation se dégrade, distance de retour sûre, conditions qui imposent l’arrêt et seuils qui déclenchent une demande d’aide.

8. Exemple calculé: fusionner deux estimations simples

Supposons deux estimations indépendantes d’une même distance: 100,0 m avec une incertitude-type de 4,0 m et 106,0 m avec une incertitude-type de 2,0 m. Pour une fusion pondérée par l’inverse de la variance, les poids valent 1/4² = 1/16 et 1/2² = 1/4. La seconde mesure reçoit donc quatre fois plus de poids.

La moyenne pondérée vaut (100×1/16 + 106×1/4) / (1/16 + 1/4) = 104,8 m. Ce calcul n’est pas un filtre de Kalman complet, mais il montre le principe: la confiance attribuée aux informations modifie la correction. Si les incertitudes sont fausses, l’estimation finale l’est aussi.

Exercice progressif

Un rover estime sa position latérale à 12 m ± 6 m par odométrie et à 20 m ± 3 m par vision. Calculez la moyenne pondérée par l’inverse des variances. Puis expliquez ce qui se passerait si la caméra était partiellement couverte de poussière sans que le logiciel augmente son incertitude.

Correction raisonnée

Les variances valent 36 m² pour l'odométrie et 9 m² pour la vision. Les poids inverse-variance sont donc 1/36 et 1/9: la mesure visuelle pèse quatre fois plus. L'estimation fusionnée vaut (12/36 + 20/9) / (1/36 + 1/9) = 18,4 m, avec un écart-type combiné d'environ 2,68 m si les erreurs sont indépendantes et correctement modélisées. Si la poussière dégrade la caméra sans augmentation de son incertitude déclarée, le filtre lui accorde un poids excessif et peut tirer l'état estimé vers une mesure biaisée. La bonne réaction consiste à détecter la dégradation, gonfler la covariance ou exclure la mesure, puis vérifier la cohérence avec les autres capteurs.

Mini-projet

Définir l’architecture GNC d’un véhicule pressurisé parcourant 40 km depuis une base martienne: capteurs, état estimé, fréquence des mises à jour, actionneurs, seuils de dégradation, procédure de retour et données à enregistrer pour comprendre une anomalie.

Sources primaires et passerelles

Termes de la progression. navigation

Repères lexicaux du module. état dégradé