L'optique adaptative (OA), qui permet de corriger en temps-réel les déformations du front d'onde induites par la turbulence atmosphérique, connaît une limitation fondamentale : l'anisoplanétisme. Pour y remédier, le concept d'OA grand champ (OAGC) a été proposé. La turbulence est mesurée dans plusieurs directions du champ de vue à l'aide d'étoiles guide naturelles et laser, et son impact corrigé sur les images par une commande basée sur une reconstruction tomographique. L'approche linéaire quadratique gaussienne (LQG) est bien adaptée à la conception de lois de commande en OAGC comme en OA classique. Elle permet d'estimer et de prédire la phase à l'aide d'un filtre de Kalman basé sur des a priori spatiaux et temporels. Les modèles d'état et commandes associées sont détaillés. On présente la première mise en oeuvre sur le ciel d'une commande LQG sur tous les modes, en OA classique et multi-objet, à l'aide du démonstrateur CANARY. Ces résultats sont obtenus avec identification du modèle de tip-tilt et filtrage des vibrations, ce qui constitue la première mise en oeuvre ciel de cette stratégie. Les a priori spatiaux de la phase en volume sont identifiés par la méthode LEARN. Des données issues du profilomètre stereoSCIDAR ont aussi été utilisées. Des comparaisons sont proposées avec une commande intégrateur en OA classique, avec un gain significatif en performances pour le LQG. Les comparaisons avec le reconstructeur statique APPLY (moindres carrés régularisés) en OA multi-objet mettent en évidence un gain du LQG dans certains cas (fort bruit en particulier). L'ensemble des résultats confirme la faisabilité et l'intérêt d'une commande LQG pour un instrument d'OA ou d'OAGC. / Adaptive Optics (AO), which enables to correct in real time wavefront deformation induced by atmospheric turbulence, faces a fundamental limitation: anisoplanatism. To counter it, the concept of Wide-Field AO (WFAO) has been proposed. Turbulence is measured in several directions of the field of view, using natural and laser guide stars, and its impact on images is mitigated by a control based on tomographic reconstruction. The Linear Quadratic Gaussian (LQG) approach is well-suited to AO control design in both WFAO and classical AO. LQG enables to estimate and predict the phase with a Kalman filter based on spatial and temporal priors. State-space models and associated controls are laid out. The first on-sky implementation of LQG control on all modes, in classical and multi-object AO, is presented on the CANARY pathfinder. These results have been obtained with identification of tip-tilt models and vibration filtering, which constitutes the first on-sky implementation of this strategy. Spatial priors on the phase in the volume are identified using the LEARN algorithm. Data from the stereoSCIDAR profilometer were also used. Comparisons are provided with integral AO control in standard AO, showing significant gain in performance with LQG. Comparisons with the static reconstructor APPLY (regularized least-squares) in multi-object AO show a gain in performance with LQG in some cases (especially in high-noise conditions). Results confirm feasibility and relevance of LQG control for AO or WFAO instruments.

Titre de l'écran-titre (visionné le 23 mai 2023) / Les changements dans les propriétés du minerai apportent des défis pour le contrôle des broyeurs semi-autogènes (SAG) car ils sont généralement difficiles à mesurer en temps réel et ont des impacts significatifs sur le procédé. Bien qu'il y ait un manque de compréhension de la nature des variations des propriétés du minerai dans les opérations réelles, les données disponibles sur la distribution granulométrique indiquent qu'elles sont caractérisées par des changements abrupts et des comportements en rampe, pour lesquels les modèles de perturbation standard utilisés dans le contrôle des procédés ne sont pas conçus. Dans ce travail, un modèle de perturbation déterministe se produisant de manière aléatoire (randomly-occurring deterministic disturbances (RODDs)) est considéré. Celui-ci possède une entrée commutant entre deux bruits aléatoires. Puisque la perturbation n'est pas gaussienne, un filtre de Kalman standard, qui est généralement utilisé pour l'estimation d'état, n'est pas optimal. Les capacités de deux observateurs à modèles multiples de détecter et d'estimer les états de systèmes soumis à des RODD non mesurés sont évaluées. Ces observateurs maintiennent plusieurs estimations des états du système sur la base de différentes hypothèses sur la commutation de la perturbation. La vraisemblance de chaque hypothèse compte tenu des mesures disponibles est évaluée et utilisée pour produire une meilleure estimation des états et de la sortie du procédé, qui demeure toutefois sous-optimale. Deux types d'observateurs à modèles multiples sous-optimaux sont évalués et comparés à un filtre de Kalman standard en utilisant des mesures de bruit simulées à partir de trois systèmes différents--un système linéaire avec un RODD et une sortie, un système linéaire avec deux RODD et deux sorties, et une simulation réaliste d'un circuit de broyage avec une mesure de sortie et une alimentation commutant entre deux types de minerai. Les résultats montrent que les observateurs à modèles multiples détectent et réagissent rapidement aux changements instantanés de la perturbation, sans pour autant avoir une sensibilité accrue au bruit lorsqu'en régime permanent. Cela suggère que des modèles plus réalistes de perturbations du minerai alimenté et une meilleure estimation en temps réel des changements dans les propriétés du minerai pourraient améliorer le contrôle du procédé, bien que les gains par rapport à un filtre unique de Kalman dépendent du niveau du bruit de mesure. / Changes in ore properties create challenges for the control of semi-autogenous grinding (SAG) mills because they are generally difficult to measure in real time and have significant impacts on the grinding process. Although there is a lack of understanding of the nature of variations in ore properties in real operations, available data on the particle size distribution indicates that they are characterised by abrupt step changes and ramp behaviours, which standard disturbance models used in process control are not designed for. In this work, an alternative disturbance model known as the randomly-occurring deterministic disturbance (RODD) is considered. This has a switching random noise input, which makes it suitable for modelling these types of disturbances. However, since the noise is non-Gaussian, a standard Kalman filter, which is typically used for state estimation, is not optimal. The capabilities of two multiple-model observers to detect and estimate the states of systems subjected to unmeasured RODDs are evaluated. These observers maintain multiple estimates of the system states based on different hypotheses about the switching of the disturbance. The likelihood of each hypothesis given the available measurements is estimated and used to produce a better, although still sub-optimal, estimate the process states and output. Two types of sub-optimal multiple-model observer are evaluated and compared to a standard Kalman filter using simulated noisy measurements from three different process systems--a linear system with one RODD and one output, a linear system with two RODDs and two-outputs, and a realistic grinding process simulation with a switching ore feed and one output measurement. The results show that the multiple-model observers detect and respond quickly to step changes in the disturbance, without having a compromised sensitivity to noise during steady-state. This suggests that more realistic models of ore feed disturbances and improved real-time estimation of changes in ore properties could have benefits in terms of improved process control, although the improvement compared to a single Kalman filter was found to depend on the magnitude of the measurement noise.

Les récentes recherches en robotique ont étendu l’utilisation des robots au-delà des environnements industriels traditionnels. Les robots humanoïdes sont bien adaptés pour effectuer des tâches accomplies par l’homme, en raison de leurs formes et leurs capacités de mouvements «humaines». En général, les robots humanoïdes ont un torse, une tête, deux bras et deux jambes. Ils ont été développés pour effectuer des tâches humaines telles que l’assistance personnelle, où ils devraient être en mesure d’aider les personnes âgées ou malades, ou effectuer des missions dangereuses, etc. C’est pourquoi les chercheurs ont besoin d’extraire des connaissances sur le mouvement humain grâce à l’observation continue du comportement humain. Ceci aidera les robots à être capables d’effectuer et d’accomplir des tâches en interagissant avec un humain. Le mouvement humain peut être analysé grâce à des systèmes de capture de mouvement, par exemple le système Vicon. L’objectif principal du projet de recherche est de développer des algorithmes afin qu’un robot soit capable d’interagir avec un partenaire humain en temps réel. Dans le présent travail, nous proposons et validons un algorithme probabiliste complet pour la prédiction du mouvement humain, nous montrerons que le modèle d’inférence peut anticiper vigoureusement les actions de l’être humain. Notre approche est basée sur un algorithme intégrant les paramètres des GMMs (Gaussian Mixture Models) dans un filtre de Kalman.

Le potentiel de l’assimilation d’un type d’observation pour la prévision hydrologique a été démontré dans certaines études. Cependant, le potentiel de l’assimilation simultanée de plusieurs types d’observations a été peu validé, particulièrement pour les données comprenant une information sur la neige au sol. De plus, l’amplitude et la durée de l’impact de l’assimilation de données peuvent dépendre du type de données assimilé, ainsi que du contenu du vecteur d’état employé pour mettre à jour les variables ou les paramètres du modèle hydrologique. La présente thèse examine l’impact de l’assimilation de données multivariées en fonction du type de données assimilé et du contenu du vecteur d’état pour la prévision hydrologique à court terme (horizon de prévision jusqu’à 5 jours) et moyen terme (horizon de prévision entre 25 et 50 jours). Le filtre de Kalman d’ensemble est employé pour assimiler les observations de l’équivalent en eau de la neige à trois endroits sur le bassin versant de la rivière Nechako, ainsi que le débit à l’exutoire, dans le modèle hydrologique CEQUEAU. Les scénarios d’assimilation sont premièrement testés dans un cadre synthétique afin d’identifier les variables les plus susceptibles à l’assimilation des données pour la prévision hydrologique. La robustesse des scénarios d’assimilation de données est ensuite testée en introduisant un biais sur les précipitations solides. Finalement, les observations réelles sont assimilées pour vérifier l’impact réel des scénarios pour la prévision hydrologique. Les résultats montrent une amélioration variable des prévisions hydrologiques en fonction des scénarios selon plusieurs critères de performance mesurant l’exactitude, le biais et la représentativité de l’incertitude représentée par les prévisions d’ensemble. L’assimilation du débit pour la mise à jour des variables améliore principalement les prévisions à court terme, tandis que l’impact de la mise à jour de certains paramètres persiste à moyen terme. L’assimilation de l’équivalent en eau de la neige améliore les prévisions à court et moyen terme, principalement pendant la période de fonte de neige. Pour la plupart des scénarios, l’assimilation simultanée du débit et de l’équivalent en eau de la neige surpasse l’assimilation des données individuellement. Ces résultats sont cohérents entre les cadres synthétique et réel.

In marine environments, acoustic wave propagation is determined by sound-speed variations in the water column (related to salinity, temperature and pressure) , and seafloor properties in shallow environments. The refraction index variations and the boundary conditions guide the wave propagation so that an important amount of acoustic energy can propagate over long distances. Measurements of acoustic transmissions coupled with propagation models can be inverted to infer the water column properties (tomography) and the seafloor and subseafloor properties (geoacoustics). In this thesis a new method for shallow water inversion based on the sequential assimilation of acoustic measurements in Kalman filters is developed. Filtering algorithms for nonlinear systems, as the ensemble Kalman filter (EnKF), enable the integration of complex acoustic propagation models in the measurement model. The inverse problem is here reformulated into a state-space model to track sequentially the parameters (temperature, receiver positions, etc.) and their uncertainty by filtering regularly new acoustic data. Different applications are proposed to demonstrate the sequential acoustic filtering approach. First, the problem of characterizing horizontal inhomogeneities in the sound-speed field between an acoustic source and a vertical array of receivers is addressed. Starting from a range-averaged sound-speed profile, the filtering of complex multifrequency data enables the estimate and tracking of the range-dependence of the sound-speed field. The second application deals with the geoacoustic inversion problem based on a mobile source-receiver setup. The filtering approach is shown to provide more stable results than conventional inversion methods with a reduced computational burden. The last application is dedicated to the tracking of specific oceanic structures affecting the sound-speed field, here thermal fronts. An original parameterization scheme which is specific to the tracked feature is developed and enables to monitor the principal characteristics of the sound-speed field by filtering multifrequency acoustic data. This work shows that the sequential filtering approach of transmitted acoustic data can lead to environmental estimates on spatial and temporal scale of interest for regional or coastal oceanographic models and can supplement the dataset assimilated nowadays for forecasting purposes./Dans les environnements marins, la propagation des ondes acoustiques est directement conditionnée par les variations de vitesse de propagation dans l'eau (liée à la température, la salinité et la pression hydrostatique), ainsi que les propriétés du fond, lorsque le milieu est peu profond. La propagation de ces ondes, typiquement guidée par les variations d'indice de réfraction et les conditions aux limites, permet de transmettre une quantité d'énergie acoustique importante sur de longues distances. Associées à des modèles de propagation, des mesures de transmission acoustique peuvent être inversées afin de déterminer les propriétés de l'environnement sondé, que ce soit de la colonne d'eau (tomographie) ou du fond marin (géoacoustique). Dans cette thèse, une nouvelle méthode d'inversion en milieu peu profond, basée sur l'assimilation séquentielle de mesures acoustiques dans des filtres de Kalman, est développée. Les algorithmes de filtrage développés pour les systèmes non linéaires, tel que l'ensemble Kalman filter (EnKF), permettent d'intégrer des modèles de propagation acoustique complexes au sein du modèle de mesure. Le problème inverse est reformulé de façon séquentielle, en un modèle d'espace d'états, de sorte que l'évolution des paramètres (température, positions des récepteurs, etc.) et de leur incertitude est suivie au fur et à mesure de l'assimilation de nouvelles mesures. Différentes applications sont proposées pour démontrer les performances du filtrage séquentiel. Le premier problème abordé est celui de l'inversion et du suivi des inhomogénéités horizontales du champ de vitesse entre une source acoustique et une antenne verticale de récepteurs. A partir d'un profil de vitesse moyen sur la distance source-récepteurs, le filtrage de mesures complexes multi-fréquences permet d'estimer la dépendance horizontale du champ de vitesse et son évolution au cours du temps. La nature séquentielle de l'algorithme de filtrage motive la seconde application, dédiée à l'estimation des paramètres géoacoustiques d'un environnement à partir d'une configuration source-récepteur mobile. Les résultats démontrent que l'approche par filtrage permet d'obtenir des estimations géoacoustiques plus stables que celles obtenues par les méthodes d'inversion conventionnelles avec un coût de calcul réduit. La troisième et dernière application est dédiée au suivi de structures océaniques marquées, tels que les fronts thermiques. Une paramétrisation originale spécifique à la structure inversée est proposée et permet d'estimer et de suivre les caractéristiques principales du champ de température par filtrage de données acoustiques multi-fréquences. Ce travail montre que l'approche séquentielle de l'inversion des données acoustiques peut mener à des estimations environnementales sur des échelles spatiales et temporelles d'intérêt pour les modèles océanographiques côtiers et régionaux, de façon à compléter les données assimilées quotidiennement pour les prédictions.

Cette thèse porte sur les méthodes d'assimilation de données, qui consistent à combiner des informations provenant d'un modèle dynamique avec des observations. Nous présentons des méthodes d'assimilation les plus connues: l'interpolation statistique, les méthodes variationnelles d'assimilation de données et les méthodes séquentielles d'assimilation de données. Nous nous intéressons particulièrement au filtre de Kalman d'ensemble qui est de plus en plus utilisé dans les applications océanographiques. Le filtre de Kalman d'ensemble a été proposé initialement comme une approximation du filtre de Kalman pour les modèles linéaires gaussiens de grande dimension, il a ensuite été étendu au cas du modèle non linéaire gaussien. Il existe très peu de résultats théoriques sur les propriétés asymptotiques du filtre de Kalman d'ensemble, alors qu'il est connu que le filtre particulaire converge vers le filtre bayésien optimal quand le nombre de particules tend vers l'infini. Nous démontrons dans cette thèse que, quand le nombre d'éléments tend vers l'infini, dans le cas où la fonction du modèle dynamique est continue et localement lipschitzienne avec un accroissement au plus polynomial à l'infini, les éléments du filtre de Kalman d'ensemble convergent vers les éléments indépendants et identiquement distribués selon une loi qui diffère de la loi a posteriori du filtre bayésien optimal dans le cas général. Dans le cas du modèle linéaire gaussien, cette loi asymptotique n'est autre que la loi a posteriori du filtre de Kalman. Nous présentons aussi des résultats de simulations du filtre de Kalman d'ensemble et du filtre particulaire sur un modèle linéaire gaussien simple et sur le modèle de Lorenz afin de comparer la performance des deux filtres à l'asymptotique et aussi dans le cas où le nombre d'éléments d'ensemble est faible.

La plupart des constructeurs de systèmes d'imagerie par résonance magnétique (IRM) proposent un large choix d'applications de post-traitement sur les données IRM reconstruites a posteriori, mais très peu de ces applications peuvent être exécutées en temps réel pendant l'examen. Mises à part certaines solutions dédiées à l'IRM fonctionnelle permettant des expériences relativement simples ainsi que d'autres solutions pour l'IRM interventionnelle produisant des scans anatomiques pendant un acte de chirurgie, aucun outil n'a été développé pour l'IRM pondérée en diffusion (IRMd). Cependant, comme les examens d'IRMd sont extrêmement sensibles à des perturbations du système hardware ou à des perturbations provoquées par le sujet et qui induisent des données corrompues, il peut être intéressant d'investiguer la possibilité de reconstruire les données d'IRMd directement lors de l'examen. Cette thèse est dédiée à ce projet innovant. La contribution majeure de cette thèse a consisté en des solutions de débruitage des données d'IRMd en temps réel. En effet, le signal pondéré en diffusion peut être corrompu par un niveau élevé de bruit qui n'est plus gaussien, mais ricien ou chi non centré. Après avoir réalisé un état de l'art détaillé de la littérature sur le bruit en IRM, nous avons étendu l'estimateur linéaire qui minimise l'erreur quadratique moyenne (LMMSE) et nous l'avons adapté à notre cadre de temps réel réalisé avec un filtre de Kalman. Nous avons comparé les performances de cette solution à celles d'un filtrage gaussien standard, difficile à implémenter car il nécessite une modification de la chaîne de reconstruction pour y être inséré immédiatement après la démodulation du signal acquis dans l'espace de Fourier. Nous avons aussi développé un filtre de Kalman parallèle qui permet d'appréhender toute distribution de bruit et nous avons montré que ses performances étaient comparables à celles de notre méthode précédente utilisant un filtre de Kalman non parallèle. Enfin, nous avons investigué la faisabilité de réaliser une tractographie en temps-réel pour déterminer la connectivité structurelle en direct, pendant l'examen. Nous espérons que ce panel de développements méthodologiques permettra d'améliorer et d'accélérer le diagnostic en cas d'urgence pour vérifier l'état des faisceaux de fibres de la substance blanche.

L'apnée est une complication fréquente chez les nouveaux-nés prématurés. L'un des problèmes les plus fréquents est l'épisode d'apnée bradycardie dont la répétition influence de manière négative le développement de l'enfant. C'est pourquoi les enfants prématurés sont surveillés en continu par un système de monitoring. Depuis la mise en place de ce système, l'espérance de vie et le pronostic de vie des prématurés ont été considérablement améliorés et ainsi la mortalité réduite. En effet, les avancées technologiques en électronique, informatique et télécommunications ont conduit à l'élaboration de systèmes multivoies de monitoring néonatal de plus en plus performants. L'un des principaux signaux exploités dans ces systèmes est l'électrocardiogramme (ECG). Toutefois, même si l'analyse de l'ECG a évolué au fil des années, l'ensemble des informations qu'il fournit n'est pas encore totalement exploité dans les processus de décision, notamment en monitoring en Unité de Soins Intensifs en Néonatalogie (USIN). L'objectif principal de cette thèse est d'améliorer la prise en compte des dynamiques multi-dimensionnelles en proposant de nouvelles approches basées sur un formalisme bayésien, pour la détection précoce des apnées bradycardies chez le nouveau-né prématuré. Aussi, dans cette thèse, nous proposons deux approches bayésiennes, basées sur les caractéristiques de signaux biologiques en vue de la détection précoce de l'apnée bradycardie des nouveaux-nés prématurés. Tout d'abord avec l'approche de Markov caché, nous proposons deux extensions du Modèle de Markov Caché (MMC) classique. La première, qui s'appelle Modèle de Markov Caché Couplé (MMCC), créé une chaîne de Markov à chaque dimension de l'observation et établit un couplage entre les chaînes. La seconde, qui s'appelle Modèle Semi-Markov Caché Couplé (MSMCC), combine les caractéristiques du modèle de MSMC avec le mécanisme de couplage entre canaux. Pour les deux nouveaux modèles (MMCC et MSMCC), les algorithmes récursifs basées sur la version classique de Forward-Backward sont introduits pour résoudre les problèmes d'apprentissage et d'inférence dans le cas couplé. En plus des modèles de Markov, nous proposons deux approches passées sur les filtres de Kalman pour la détection d'apnée. La première utilise les modifications de la morphologie du complexe QRS et est inspirée du modèle générateur de McSharry, déjà utilisé en couplant avec un filtre de Kalman étendu dans le but de détecter des changements subtils de l'ECG, échantillon par échantillon. La deuxième utilise deux modèles AR (l'un pour le processus normal et l'autre pour le processus de bradycardie). Les modèles AR sont appliqués sur la série RR, alors que le filtre de Kalman suit l'évolution des paramètres du modèle AR et fournit une mesure de probabilité des deux processus concurrents. / Apnea-bradycardia episodes (breathing pauses associated with a significant fall in heart rate) are the most common disease in preterm infants. Consequences associated with apnea-bradycardia episodes involve a compromise in oxygenation and tissue perfusion, a poor neuromotor prognosis at childhood and a predisposing factor to sudden-death syndrome in preterm newborns. It is therefore important that these episodes are recognized (early detected or predicted if possible), to start an appropriate treatment and to prevent the associated risks. In this thesis, we propose two Bayesian Network (BN) approaches (Markovian and Switching Kalman Filter) for the early detection of apnea bradycardia events on preterm infants, using different features extracted from electrocardiographic (ECG) recordings. Concerning the Markovian approach, we propose new frameworks for two generalizations of the classical Hidden Markov Model (HMM). The first framework, Coupled Hidden Markov Model (CHMM), is accomplished by assigning a Markov chain (channel) to each dimension of observation and establishing a coupling among channels. The second framework, Coupled Hidden semi Markov Model (CHMM), combines the characteristics of Hidden semi Markov Model (HSMM) with the above-mentioned coupling concept. For each framework, we present appropriate recursions in order to use modified Forward-Backward (FB) algorithms to solve the learning and inference problems. The proposed learning algorithm is based on Maximum Likelihood (ML) criteria. Moreover, we propose two new switching Kalman Filter (SKF) based algorithms, called wave-based and R-based, to present an index for bradycardia detection from ECG. The wave-based algorithm is established based on McSarry's dynamical model for ECG beat generation which is used in an Extended Kalman filter algorithm in order to detect subtle changes in ECG sample by sample. We also propose a new SKF algorithm to model normal beats and those with bradycardia by two different AR processes.

Les missions d'exploration planétaire utilisent des véhicules spatiaux pour acquérir les données scientifiques qui font avancer notre connaissance du système solaire. Depuis les années 90, ces missions ciblent non seulement les planètes, mais aussi les corps célestes de plus petite taille comme les astéroïdes. Ces astres représentent un défi particulier du point de vue des systèmes de navigation, car leur environnement dynamique est complexe. Une sonde spatiale doit réagir rapidement face aux perturbations gravitationnelles en présence, sans quoi sa sécurité pourrait être compromise. Les délais de communication avec la Terre pouvant souvent atteindre plusieurs dizaines de minutes, il est nécessaire de développer des logiciels permettant une plus grande autonomie d'opération pour ce type de mission. Ce mémoire présente un système de navigation autonome qui détermine la position et la vitesse d'un satellite en orbite autour d'un astéroïde. Il s'agit d'un filtre de Kalman étendu adaptatif à trois degrés de liberté. Le système proposé se base sur l'imagerie optique pour détecter des"points de repères" qui ont été préalablement cartographiés. Il peut s'agir de cratères, de rochers ou de n'importe quel trait physique discernable à la caméra. Les travaux de recherche réalisés se concentrent sur les techniques d'estimation d'état propres à la navigation autonome. Ainsi, on suppose l'existence d'un logiciel approprié qui réalise les fonctions de traitement d'image. La principale contribution de recherche consiste en l'inclusion, à chaque cycle d'estimation, d'une mesure de distance afin d'améliorer les performances de navigation. Un estimateur d'état de type adaptatif est nécessaire pour le traitement de ces mesures, car leur précision varie dans le temps en raison de l'erreur de pointage. Les contributions secondaires de recherche sont liées à l'analyse de l'observabilité du système ainsi qu'à une analyse de sensibilité pour six paramètres principaux de conception. Les résultats de simulation montrent que l'ajout d'une mesure de distance par cycle de mise à jour entraîne une amélioration significative des performances de navigation. Ce procédé réduit l'erreur d'estimation ainsi que les périodes de non-observabilité en plus de contrer la dilution de précision des mesures. Les analyses de sensibilité confirment quant à elles la contribution des mesures de distance à la diminution globale de l'erreur d'estimation et ce pour une large gamme de paramètres de conception. Elles indiquent également que l'erreur de cartographie est un paramètre critique pour les performances du système de navigation développé.

Les véhicules intelligents sont des véhicules dotés de systèmes permettant d’alerter le conducteur ou de prendre une décision en cas de danger imminent. Une condition sine qua non pour garantir un bon fonctionnement de ces systèmes est d’avoir une localisation précise du véhicule. En tirant profit des capteurs embarqués dans un véhicule, on peut exploiter la redondance de l’information afin d’obtenir un positionnement fiable. Cette information de localisation peut être alors utilisée dans un système d’aide à la conduite. Cette étude va se focaliser sur deux aspects. Dans un premier temps, un effort sera porté sur l'aspect localisation précise du véhicule lors de son déplacement. Il s’agit d’utiliser des approches bayésiennes pour fusionner les informations provenant de systèmes hétérogènes de navigation telle que le GPS et une centrale inertielle (INS) auxquels sera rajoutée ensuite l'odométrie. L'accent sera mis sur la précision des résultats. Ensuite, nous allons nous mettre en œuvre un régulateur de vitesse intelligent pour couvrir l’aspect navigation d’un véhicule.