Pourquoi la fusion GNSS–IMU reste un défi en milieu urbain

Les systèmes modernes de navigation embarquée — qu’ils soient destinés aux véhicules autonomes, aux applications mobiles ou aux flottes connectées — reposent sur la combinaison de deux technologies fondamentales : le GNSS (Global Navigation Satellite System) et l’IMU (Inertial Measurement Unit).
Cette fusion, bien qu’essentielle, demeure un des défis majeurs de la mobilité intelligente, notamment dans les environnements urbains denses.

🛰️ 1. Une complémentarité fragile

Le GNSS offre une précision métrique, mais dépend fortement des conditions de réception satellite.
En ville, les immeubles bloquent ou réfléchissent les signaux, provoquant des erreurs appelées multipath.
À l’inverse, l’IMU (accéléromètres et gyroscopes) fonctionne de manière autonome, mais ses erreurs internes (bruit, biais, dérive) s’accumulent avec le temps.

L’intégration des deux systèmes permet, en théorie, de corriger les faiblesses de chacun.
En pratique, comme l’ont montré Liu et al. (2023), la difficulté réside dans le calibrage et la synchronisation fine de ces deux sources de données.

Pour surmonter ces limites, la recherche a développé plusieurs méthodes de fusion plus sophistiquées.

⚙️ 2. Les approches classiques de fusion

Les systèmes de navigation embarquée utilisent depuis longtemps le Filtre de Kalman Étendu (EKF) pour fusionner les mesures GNSS et IMU.
Ce filtre repose sur un modèle physique du mouvement du véhicule et corrige en continu les erreurs estimées à partir des mesures satellites.

• Liu (2023) distingue trois niveaux d’intégration :
• Loosely coupled (LC) : fusion des positions GNSS et INS.
• Tightly coupled (TC) : utilisation des mesures GNSS brutes (pseudorange, Doppler).
• Deeply coupled (DC) : fusion au niveau des boucles matérielles GNSS.

Chacun présente un compromis entre robustesse et complexité.
Les architectures RS3 s’appuient sur ces concepts pour simuler et tester les comportements inertiels dans divers environnements.

🧠 3. Vers des filtres hybrides et adaptatifs

Les environnements réels sont rarement « propres ».
C’est là qu’interviennent les approches hybrides et adaptatives, à la frontière entre physique et apprentissage automatique.

L’article de Mafi et al. (2025) propose un filtre multi-modèle à consensus (MMKF) qui combine :

• des modèles physiques traditionnels (EKF) ;
• des estimateurs neuronaux légers (GRU, TCN) pour corriger les biais IMU ;
• un mécanisme de pondération dynamique pour fusionner les deux.

Cette méthode renforce la robustesse face aux coupures GNSS tout en maintenant une stabilité mathématique assurée.

📱 4. Le smartphone comme laboratoire miniature

Les recherches récentes, notamment SmartphoneIMUSpeed2025, montrent qu’un simple smartphone équipé de capteurs IMU peut estimer la vitesse du véhicule via deep learning (modèle DVSE).
Cela ouvre la voie à des solutions low-cost et crowdsensing, mais aussi à de nouveaux défis : diversité du matériel, postures variables du téléphone, et gestion du bruit capteur.

Ces travaux sont directement liés à RS3 et Telemachus, qui visent à standardiser les signaux de mobilité pour permettre la validation croisée de tels modèles.

🚗 5. La contribution de RS3 et Telemachus

Au-delà des approches académiques, des outils open source permettent aujourd’hui de tester ces modèles à grande échelle.

Le simulateur RS3 génère des trajectoires GNSS/IMU réalistes à 10 Hz, incluant des événements (pertes de signal, virages, freinages).
Telemachus, quant à lui, définit un format de données pivot qui structure ces signaux (GNSS, IMU, événements, contexte).

Ensemble, ils permettent :

• de reproduire des scénarios extrêmes (tunnels, zones urbaines denses) ;
• de valider des algorithmes de fusion et d’apprentissage dans un cadre ouvert et reproductible ;
• de favoriser la recherche collaborative via des datasets partagés et des RFCs publics.

🎓 6. En conclusion

La fusion GNSS–IMU reste un défi technique et méthodologique.
Entre physique, statistique et apprentissage, l’avenir repose sur des modèles hybrides et ouverts, capables de combiner la rigueur du Kalman et la souplesse des réseaux neuronaux.

Les outils RS3 et Telemachus incarnent cette vision :
ils permettent non seulement de tester ces approches, mais aussi de les partager, documenter et standardiser.
La reproductibilité et la standardisation deviennent ainsi des piliers de la recherche appliquée à la mobilité, ouvrant la voie à une validation scientifique rigoureuse et à une mobilité réellement intelligente.

✳️ Références :

• Liu, H. et al. (2023) – A Comprehensive Review of GNSS/INS Integration.
• Mafi, S. et al. (2025) – Consensus Multi-Model Kalman Filter for Robust Vehicle State Estimation.
• Xiao, L. et al. (2025) – Deep learning-based Vehicle Speed Estimation via Smartphone IMU (DVSE).