Inférence robuste pour des modèles d'état-espaces avec bruit de mesure asymétrique

Des algorithmes de filtrage et de lissage pour des modèles d'état-espaces linéaires discrets avec bruit de mesure asymétrique et à queue lourde sont présentés. Les algorithmes utilisent une approximation bayésienne variationnelle de la distribution postérieure des modèles qui ont une loi normale a priori et un bruit de mesure distribué selon une loi t asymétrique. Le filtre et le lissage proposés sont comparés à des alternatives conventionnelles à faible complexité dans un scénario de positionnement par pseudorange simulé. Dans les simulations, les méthodes proposées atteignent une meilleure précision que les méthodes alternatives, la complexité computationnelle du filtre étant environ 5 à 10 fois celle du filtre de Kalman.