Je ne peux parler que pour le secteur dans lequel j'ai travaillé (machinerie lourde). Je n'ai vu que des filtres de Kalman utilisés dans la pratique en tant qu'observateurs.

La plupart des sources de données dans les machines lourdes ont tendance à être assez bruyantes (capteurs de pression ou d'accéléromètre). Les filtres de Kalman (par rapport aux observateurs Luenberger plus simples) offrent une meilleure résilience face à des niveaux de bruit élevés. Je les ai vus globalement se comporter de manière plus robuste que les observateurs de Luenberger. J'ai également vu des filtres Kalman étendus utilisés pour la fusion de capteurs dans des systèmes non linéaires.

Les diverses méthodes plus sophistiquées peuvent souvent avoir des exigences de calcul accrues qui rendent la mise en œuvre plus difficile dans les microprocesseurs embarqués. De plus, la popularité générale des filtres Kalman signifie qu'il y a plus de chances que les gestionnaires et les ingénieurs en dehors des zones de contrôle en aient au moins entendu parler auparavant. Ce type de «reconnaissance de la marque» peut aider lors de la vente d'une solution en interne dans une grande entreprise qui ne se concentre pas sur les contrôles. Parallèlement à cela, le support dans diverses bibliothèques ou dans des packages tels que Simulink / Matlab est assez ancien et a déjà été considérablement testé.

Je sais que Luenberger et les observateurs en mode glissant sont utilisés dans les algorithmes de contrôle orienté sur le terrain pour estimer la position du rotor et la vitesse des machines synchrones à aimants permanents (PMSM). Voici un livre blanc de TI où ils mentionnent l'observateur en mode glissant. Et voici un livre blanc de Freescale qui mentionne l'observateur de Luenberger. En voici un autre de Freescale qui parle de l'observateur en mode glissant.