Introduction

La télématique moderne repose de plus en plus sur des données riches, collectées à des fréquences élevées (10 Hz et plus), incluant GPS, IMU, qualité GNSS, vitesse et événements. Cette richesse permet de capturer fidèlement la dynamique du véhicule — mais elle a un coût : volumétrie, stockage, réseau, empreinte carbone.

L’objectif de ce billet est d’expliquer une approche issue de la recherche scientifique : l’acquisition compressive, qui permet de réduire drastiquement la quantité de données collectées… sans perte d’information significative.

1. Pourquoi la donnée 10 Hz coûte cher

Un trajet standard génère des milliers de points par minute. Cette densité est nécessaire pour :

• comprendre la dynamique,
• analyser la courbure,
• détecter les freinages,
• estimer la consommation,
• modéliser le risque.

Mais pour les plateformes cloud, assureurs, flottes et opérateurs IoT, cela représente :

• des coûts réseau (upload cellulaire),
• des coûts stockage,
• des coûts CPU / traitements,
• une empreinte carbone numérique croissante.

2. Le principe du Compressive Sensing appliqué à la télématique

Le Compressive Sensing (CS) part d’une idée simple :

si un signal possède une structure (parcimonie, continuité, contraintes physiques), alors il peut être reconstruit à partir d’un échantillonnage partiel.

Pour un trajet véhicule :

• les positions successives sont corrélées,
• l’inertie impose des limites physiques,
• la géométrie de la route contraint la trajectoire.

Ces propriétés rendent la trajectoire compressible.

On peut donc :

1. Échantillonner moins (sparse sampling),
2. Reconstruire ensuite (solveurs convexes, optimisation L1).

3. Résultats scientifiques clés

Les études CompressiveCVData2018 et CompressiveCVRecovery2018 montrent des résultats remarquables :

• ×5 de réduction du volume de données,
• reconstruction précise de la trajectoire,
• conservation du temps de trajet,
• biais limité sur la vitesse reconstruite,
• robustesse au bruit GNSS.

Elles démontrent qu’il est possible de transmettre beaucoup moins… tout en gardant l’intégrité scientifique du signal.

4. RS3 & Telemachus : intégration pratique

RS3 (RoadSimulator3)

RS3 peut générer des trajectoires inertielles+GNSS réalistes à haute fréquence.
L’ajout d’un mode compressif permettrait de :

• simuler différents niveaux de densité d’échantillonnage,
• tester la reconstruction des signaux,
• comparer les erreurs reconstruite vs. vérité terrain.

Telemachus

Le format pivot peut accueillir :

• un champ décrivant le pattern de parcimonie,
• un indicateur de qualité de reconstruction,
• un bloc métadonnées “compression scheme”.

Cela permet une transmission standardisée, lisible, exploitable.

5. Applications industrielles

Les cas d’usage sont nombreux :

• Assurance : réduire le volume des trajets tout en gardant les métriques dynamiques.
• Flottes : optimiser les coûts cloud tout en maintenant la robustesse des modèles.
• Constructeurs : analyses GNSS/IMU avancées sans surcharge télémétrie.
• Smart cities : calculs énergie/risque basés sur des données compressées.
• Edge computing : pré-traitement embarqué pour réduire les coûts réseau.

Conclusion

L’acquisition compressive représente une voie majeure pour concilier :

• richesse scientifique,
• coûts maîtrisés,
• sobriété numérique.

Elle permet de dire :
moins de données ≠ moins d’information.

Ce billet servira de base pour la future version longue (P005) et pour formaliser une proposition d’intégration dans Telemachus.