🚦 Prédicteur de congestion routière — Filtre de Kalman en direct
Observez un véritable filtre de Kalman fusionner en direct des relevés de capteurs simulés bruités pour estimer et prédire la vitesse du trafic sur un tronçon routier, en réduisant réellement l'incertitude à chaque mise à jour de mesure. Ajustez le bruit de processus et le bruit de mesure, injectez des événements de congestion et des pannes de capteur, et observez la covariance se réduire et croître exactement comme les équations le prédisent.
À propos de cette simulation
Les relevés de vitesse des capteurs routiers sont bruités — une seule boucle inductive ou un seul détecteur radar peut varier de plusieurs km/h d'un échantillon à l'autre — pourtant les systèmes de gestion du trafic ont besoin d'une estimation fluide, fiable et continuellement mise à jour de la vitesse réelle d'un tronçon. Cette simulation implémente un véritable filtre de Kalman sur un modèle à 2 états — la vitesse et sa tendance à court terme — qui exécute la véritable étape de prédiction (extrapolation d'état via la matrice de transition d'état, plus croissance de la covariance du bruit de processus) et la véritable étape de mise à jour (calcul du gain de Kalman à partir de la covariance d'innovation, correction d'état, et une réduction de covariance en forme de Joseph numériquement robuste) face à des relevés de capteurs simulés bruités pour un tronçon routier. Rien ici n'est un lisseur exponentiel fabriqué : chaque nombre du panneau de statistiques — le gain de Kalman, la covariance P₀₀, la RMSE courante — provient directement des mêmes équations d'algèbre linéaire publiées par Rudolf Kálmán en 1960.
🔬 Ce que ça montre
Une vitesse routière « réelle » cachée évolue avec une tendance lente plus de l'aléa, et peut être poussée en congestion par des événements injectés qui font chuter puis récupérer la cible de circulation fluide. Un capteur simulé rapporte cette vitesse réelle plus un bruit gaussien à intervalle fixe. Le filtre de Kalman prédit à chaque cycle — son incertitude augmentant — et se corrige à chaque relevé — son incertitude diminuant — pendant qu'une scène autoroutière 3D montre la densité et la vitesse du trafic et qu'un graphique en direct trace la vitesse réelle, les relevés bruités, l'estimation de Kalman et sa bande de confiance ±1σ qui se réduit puis croît, plus une projection en pointillés à plusieurs pas en avant.
🎮 Comment l'utiliser
Ajustez le bruit de processus Q pour contrôler à quel point le filtre fait confiance aux changements soudains par rapport à son propre modèle, et le bruit de mesure R pour contrôler à quel point le capteur simulé est bruité (et donc à quel point le filtre fait confiance à chaque relevé). Cliquez sur Injecter congestion pour déclencher une chute de vitesse réaliste suivie d'une reprise, ou sur Panne de capteur pour suspendre les mesures pendant 8 secondes et observer la bande de confiance s'élargir visiblement sans corrections — puis se resserrer nettement dès qu'un relevé frais arrive.
💡 Le saviez-vous ?
Le filtre de Kalman qui fusionne le capteur de vitesse simulé de cette simulation est mathématiquement le même estimateur qui a guidé les missions Apollo vers la Lune, et des variantes modernes tournent encore dans la puce GPS de votre téléphone, le système de maintien de voie de votre voiture, et les réseaux de signalisation adaptative à l'échelle d'une ville — tous effectuant exactement cette danse prédiction/mise à jour, simplement sur des vecteurs d'état plus riches.
Questions fréquentes
Comment un filtre de Kalman combine-t-il un capteur de vitesse bruité avec un modèle de mouvement ?
Le filtre conserve une estimation d'état — ici, la vitesse routière et sa tendance à court terme — ainsi qu'une matrice de covariance décrivant l'incertitude de cette estimation. À chaque cycle, il exécute une étape de prédiction : l'état est extrapolé vers l'avant avec un modèle de mouvement simple (x⁻ = Fx) et la covariance augmente pour refléter le bruit de processus (P⁻ = FPFᵀ + Q). Lorsqu'un nouveau relevé de capteur bruité arrive, une étape de mise à jour calcule le gain de Kalman K = P⁻Hᵀ(HP⁻Hᵀ + R)⁻¹, rapproche l'état de la mesure de K fois l'innovation, et réduit la covariance. Le gain équilibre automatiquement la confiance entre le modèle et le capteur selon leurs incertitudes respectives — ce n'est pas un facteur de lissage fixe.
Que contrôlent réellement les curseurs de bruit de processus Q et de bruit de mesure R ?
Q est l'intensité de bruit de processus supposée par le filtre : il définit à quel point l'état peut dériver entre les mesures durant l'étape de prédiction, en augmentant la matrice de covariance P d'une quantité dérivée d'un modèle discrétisé d'accélération à bruit blanc. Un Q plus grand rend le filtre plus réactif mais plus bruité. R est la variance de bruit de mesure supposée, liée à l'écart-type réel du bruit du capteur simulé. Un R plus grand rend le gain de Kalman plus petit, de sorte que chaque nouveau relevé influence moins l'estimation car le filtre fait davantage confiance à sa propre prédiction qu'à un capteur bruité.
Pourquoi l'incertitude de l'estimation diminue-t-elle après chaque mise à jour mais augmente-t-elle entre les mises à jour ?
L'étape de prédiction ajoute la covariance du bruit de processus Q à P à chaque cycle, de sorte que la variance de l'estimation de vitesse augmente strictement tant qu'aucune nouvelle information n'arrive. L'étape de mise à jour applique ensuite la formule de covariance en forme de Joseph P = (I−KH)P⁻(I−KH)ᵀ + KRKᵀ, qui garantit mathématiquement de produire une covariance jamais supérieure à P⁻ dès que R est positif — le relevé du capteur, aussi bruité soit-il, réduit toujours une part d'incertitude. L'affichage en direct de P₀₀ et la bande de confiance rendent directement visible ce motif en dents de scie de croissance puis réduction.
Que se passe-t-il pendant une panne de capteur, et pourquoi la bande de confiance s'élargit-elle ?
Cliquer sur « Panne de capteur » suspend les mises à jour de mesure pendant 8 secondes simulées, de sorte que le filtre exécute l'étape de prédiction de manière répétée sans mise à jour correctrice entre-temps. Chaque étape de prédiction ajoute toujours de la covariance de bruit de processus, donc la variance continue de s'accumuler sans contrôle et la bande de confiance ±1σ de l'estimation s'élargit visiblement sur le graphique — exactement ce que montre la projection en pointillés à plusieurs pas en avant même en dehors d'une panne, une illustration fidèle de la navigation à l'estime.
Est-ce les mêmes mathématiques utilisées dans les vrais systèmes de gestion du trafic ?
Oui, pour l'essentiel. Les vrais systèmes de transport intelligents fusionnent les relevés de vitesse de boucles inductives, radars ou sondes GPS à l'aide de filtres de Kalman ou de variantes proches, parfois étendus à des états vectoriels couvrant plusieurs tronçons ou des modèles commutants qui estiment aussi le régime de trafic. Cette simulation utilise le véritable filtre de Kalman scalaire position/tendance avec les équations standard de prédiction-mise à jour plutôt qu'un lisseur réglé à la main, de sorte que le gain, la croissance de covariance et la réduction de covariance que vous voyez sont bien réels.
Un véritable filtre de Kalman à 2 états (vitesse, tendance) exécute de véritables équations de prédiction (F, Q) et de mise à jour (gain de Kalman, covariance en forme de Joseph) face à des relevés de capteurs routiers simulés bruités, avec bruit de processus et de mesure réglables, injection de congestion en direct, panne de capteur, et une prédiction à plusieurs pas en avant avec incertitude croissante.
3D · Moteur de rendu Three.js / WebGL · Cible 60 FPS · fonctionne entièrement côté client, sans installation