Virtual sensing de consommation avec GNSS+IMU : ce que montre Cellina et ce que RS3 ajoute
Publié le : 28 octobre 2025
Référence : Cellina et al. (2023) – Vehicle Fuel Consumption Virtual Sensing from GNSS
L’article de Cellina et al. (2023) illustre parfaitement une tendance lourde : la prédiction de la consommation énergétique d’un véhicule à partir de simples signaux GNSS et inertiels. À première vue, on pourrait douter qu’un smartphone suffise à estimer les litres/100 km d’un trajet ; pourtant, les données cinématiques brutes recèlent bien plus d’information qu’il n’y paraît.
Ce billet propose une lecture critique du papier et montre comment le simulateur RS3 et le format pivot Telemachus peuvent structurer ce champ de recherche autour d’une approche scientifique reproductible et ouverte.
Pourquoi ça marche ?
La consommation énergétique d’un véhicule dépend directement des forces en jeu : accélération longitudinale, pente, frottements, virages, arrêts, redémarrages…
Cellina et al. montrent qu’en extrayant correctement ces variables à partir de GNSS (vitesses, trajectoire) et d’IMU (accélérations brutes), on peut construire des features cinématiques corrélées à la dépense énergétique réelle.
Leur modèle s’appuie sur des régressions supervisées exploitant :
- la vitesse moyenne et instantanée,
- les accélérations positives, indicatrices d’effort moteur,
- les phases d’arrêt et de redémarrage,
- la pente de la route, dérivée du profil d’altitude GNSS.
Cette approche s’inscrit dans la logique du virtual sensing : exploiter les signaux physiques déjà disponibles à bord pour estimer des grandeurs non mesurées.
Les limites apparaissent naturellement : bruit des capteurs low-cost, pertes GNSS, ou dérives IMU, qui peuvent dégrader la précision sans un traitement rigoureux du signal.
De Cellina à Telemachus : un pipeline standard
L’apport du format Telemachus est de formaliser ce que Cellina réalise de manière ad hoc :
- séparer les blocs capteurs (GNSS, IMU, moteur, météo…),
- définir des groupes de variables physiques cohérents (vitesse, accélération, énergie, altitude…),
- garantir une synchronisation temporelle propre entre sources hétérogènes.
Dans Telemachus, ces signaux deviennent des tables normalisées (10 Hz, timestamp ISO, référentiel inertiel). On peut donc reproduire le pipeline de Cellina sur n’importe quel trajet simulé ou réel, et comparer objectivement les modèles entre contextes : véhicule, météo, topographie, style de conduite.
RS3 : générer proprement les signaux qui comptent
Là où Cellina s’appuie sur des mesures embarquées, RS3 permet de rejouer le film complet : un véhicule simulé à 10 Hz, intégrant topographie, virages, freinages, inertie, bruit GNSS, et conditions météo.
RS3 fournit un environnement contrôlé où les variables cachées (forces, consommation théorique, perte GNSS, bruit inertiel) sont parfaitement connues, ce qui permet une évaluation quantitative rigoureuse des modèles de virtual sensing.
Cette approche a deux avantages :
- contrôler la vérité terrain (consommation théorique vs. prédite),
- tester les algorithmes dans des contextes extrêmes (routes sinueuses, pentes fortes, ou capteurs dégradés).
Un exemple typique : un trajet urbain de 12 minutes avec arrêts fréquents et pente réaliste. RS3 fournit la trajectoire complète, les signaux inertiels et la consommation physique simulée, prête à être exploitée dans un modèle de type Cellina.
Mini‑démo (Work in progress)
Une première expérimentation est en cours : un modèle Ridge Regression simple entraîné sur des features Telemachus simulées.
Le modèle est entraîné sur des données RS3 exportées au format Telemachus (0.2), garantissant un alignement temporel et physique entre signaux.
Les métriques (RMSE, MAE) montrent déjà que les accélérations longitudinales, la pente et les arrêts suffisent à reconstruire plus de 80 % de la variance du signal de consommation sur des cycles standards.
Les tests d’ablation confirment que la pente est l’un des facteurs les plus informatifs, loin devant les variables de direction.
Ces résultats seront approfondis dans un notebook public, avec figures RS3 et code reproductible.
Et après ?
Deux pistes s’ouvrent immédiatement :
- Un billet technique complémentaire sur la génération des features “énergie” dans RS3 et leur mappage Telemachus (B013 à venir).
- Un papier court (Virtual sensing via Telemachus and RS3) visant à quantifier le transfert entre simulation et données réelles.
L’objectif à terme : un connecteur open‑source entre RS3, Telemachus et les modèles de virtual sensing — pour que la simulation serve directement à calibrer et valider les modèles énergétiques embarqués.
→ Données : RS3 v1.0 (2025‑10)
→ Format : Telemachus 0.2 – blocs GNSS / IMU / Énergie
→ Auteur : Sébastien Edet (@RoadSimulator3)
→ Licence : CC‑BY‑4.0
Conclusion
En combinant simulation inertielle réaliste (RS3) et structuration normalisée (Telemachus), le virtual sensing devient un domaine testable, traçable et reproductible.
Cette approche rapproche la recherche énergétique embarquée de la rigueur expérimentale nécessaire à son adoption industrielle et académique.