Estimation d'État Quantifiée pour Systèmes Dynamiques Linéaires

Cet article examine les méthodes d'estimation d'état pour les systèmes dynamiques lorsque les évaluations de modèles sont effectuées sur des systèmes embarqués à ressources limitées avec des éléments de calcul à précision finie. Les algorithmes d'estimation des moindres carrés moyens sont reformulés pour intégrer les erreurs numériques à précision finie dans les états, les entrées et les mesures. Des versions quantifiées de l'estimation par moindres carrés en batch, du filtre de Kalman séquentiel et des algorithmes de filtrage par racine carrée sont proposées pour des implémentations à point fixe. Des simulations numériques sont utilisées pour démontrer les améliorations de performance par rapport aux formulations de filtres standard. Une analyse de covariance à l'état stable est employée pour capturer les compromis de performance avec la précision numérique, fournissant des perspectives sur la meilleure précision de filtre réalisable pour une représentation numérique donnée. Une architecture d'estimation d'état à point fixe à faible latence pour des applications de détection optomécanique est réalisée sur du matériel Field Programmable Gate Array System on Chip (FPGA-SoC). Les résultats de l'implémentation du matériel de l'estimateur sont comparés à l'implémentation MATLAB en double précision, et les métriques de performance sont rapportées. Les simulations et les résultats expérimentaux soulignent l'importance de modéliser les erreurs de quantification dans les pipelines d'estimation d'état pour des implémentations embarquées à point fixe.