🚗 Quand la physique rencontre la donnée

Et si la simulation inertielle et le machine learning parlaient enfin le même langage ?
Les travaux récents sur le Consensus Multi-Model Kalman Filter (Mafi et al., 2025) montrent la voie : combiner modèles physiques et neuronaux dans un cadre unifié et explicable.
L’objectif : une fusion plus robuste, traçable et ouverte – exactement ce que RS3 et Telemachus rendent possible.

🧩 Côté RS3
Le simulateur inertiel peut devenir un véritable laboratoire de fusion :

• Combiner modèle physique complet (cinématique véhicule + dynamique inertielle) et modèle neuronal (apprentissage du bruit capteur).
• Ajuster dynamiquement les pondérations selon les conditions simulées (adhérence, inertie, température).
• Générer des trajectoires où la confiance dans chaque capteur devient une donnée à part entière.

🌍 Côté Telemachus
Le format pivot s’enrichit :

• Inclusion d’un champ fusion_state avec incertitude multi-modèle,
• Traçabilité des sources (RS3, terrain, GNSS, IMU, fusion neuronale),
• Capacité à publier des datasets comparables entre simulation et réel.

Autrement dit : une fusion consciente d’elle-même, capable non seulement d’estimer, mais aussi de justifier ses estimations.

📚 Références & lecture

• Article complet : roadsimulator3.fr/fusion-hybride-et-robustesse-le-filtre-de-kalman-multi-modeles-a-consensus-de-mafi-2025
• Fiche lecture : literature/notes/2025_mafi_consensus_mmkf.md

🔍 Conclusion

En réunissant RS3 et Telemachus, la fusion de données devient une science expérimentale : chaque estimation est traçable, chaque hypothèse testable.
Une étape clé vers une mobilité prédictive, explicable et ouverte.

#RS3 #Telemachus #KalmanFilter #HybridModeling #DataFusion #MobilityData #OpenScience