Filtres de Kalman neuronaux pondérés par fréquence
Une équipe de chercheurs a publié le 2 juin 2026 sur arXiv (arXiv:2606.02251) les travaux décrivant le FW-NKF, pour Frequency-Weighted Neural Kalman Filter, un filtre hybride qui combine estimation d'état classique et apprentissage profond pour supprimer les bruits périodiques et les interférences électromagnétiques qui dégradent les capteurs en conditions réelles. L'architecture intègre un opérateur de mise en forme spectrale causal directement dans le résidu de mesure du filtre de Kalman, tout en entraînant conjointement des réseaux de transition et d'observation sur l'espace latent. Testé sur quatre benchmarks hétérogènes, dont des systèmes chaotiques multi-dimensionnels de type Lorenz et de l'estimation de pose corporelle complète par unités inertielles (IMU), le FW-NKF affiche une réduction de l'erreur de localisation allant jusqu'à 10 % ainsi que des gains mesurables en précision d'orientation. Les études d'ablation confirment que la pondération fréquentielle et la modélisation latente profonde contribuent chacune de façon indépendante aux gains observés. Pour les intégrateurs de systèmes robotiques et les équipes d'autonomie, ce résultat est pertinent car les filtres de Kalman classiques, y compris leurs variantes étendues (EKF), ne disposent d'aucun mécanisme explicite pour atténuer les composantes de bruit bande-limitée, vibrations de capteurs ou interférences RF, qui sont pourtant omniprésentes sur les plateformes industrielles, les drones et les robots humanoïdes. Une réduction de 10 % de l'erreur de localisation reste modeste mais significative dans des contextes où la dérive d'odométrie est cumulative, notamment pour la navigation longue durée ou la manipulation précise. Cela suggère qu'une intégration légère d'un filtre spectral appris peut se substituer à des chaînes de prétraitement signal ad hoc souvent coûteuses à calibrer. Le filtre de Kalman, introduit en 1960, reste la colonne vertébrale de l'estimation d'état en robotique et en aérospatiale. Les variantes Deep Kalman Filter (DKF) ont tenté depuis 2015-2016 d'y greffer des représentations apprises pour gérer la non-linéarité des dynamiques, mais sans traiter explicitement le domaine fréquentiel. Le FW-NKF s'inscrit dans cette lignée en comblant ce manque précis. La publication est un preprint non encore soumis à peer-review, et les benchmarks choisis, bien que diversifiés, ne couvrent pas de plateformes hardware réelles comme les IMU de Boston Dynamics ou les capteurs embarqués sur Figure ou Unitree, ce qui laisse ouverte la question du sim-to-real gap. Les prochaines étapes naturelles seraient une validation sur robot physique et une comparaison directe avec des filtres adaptatifs classiques comme le Sage-Husa.
