Réponse rapide
Un filtre de Kalman convient à des modèles approximativement linéaires et erreurs proches d’une gaussienne ; une méthode particulaire représente mieux non-linéarités et états multimodaux au prix d’un calcul supérieur. Calibration reste indispensable.
Comparer les hypothèses
Linéarité, dimension, bruit, ambiguïté, multimodalité et fréquence de mise à jour déterminent la méthode. Les hypothèses sont confrontées aux données réelles.
Tenir le temps réel
Nombre de particules, coût, mémoire, latence et stabilité sont mesurés sur le calculateur du robot. Une méthode exacte mais trop lente ne convient pas à la boucle.
Tester les cas difficiles
Occlusion, reprise, non-linéarité, capteur manquant et changement de régime comparent les sorties. Aucun filtre ne corrige un repère ou modèle incohérent.
Sources et références
- [1] Robotics and Autonomous Systems — NIST