Carnet de recherche · Sébastien Edet
Pile de lecture scientifique organisée par statut. Chaque entrée pointe vers une fiche de lecture ou une référence catalogue.
Articles ouverts ou en cours de prise de notes.
Cours structurant (cinématique véhicule, dérive latérale, forces pneus, modèle bicycle) utilisé comme socle physique dans P004 (β, contraintes véhicule), P006 (rendement énergétique pente/courbure) et (lecture risque conducteur via courb…
Panorama des simulateurs open-source pour la conduite autonome (CARLA, Autoware, Apollo...). Sert de base à l'argumentaire de positionnement RS3 dans B018 : RS3 = simulateur inertiel 10 Hz sans GPU, orienté risque conducteur et énergie,…
Cités mais pas encore fichés — priorité de lecture à venir.
Smartphone Xiaomi + OBD, 128 segments Brésil. CC-BY-NC-ND-4.0. Nécessite auth Kaggle.
Dataset référence gyroscope+OBD ground truth. 33 trips BeagleBone Graz. CC-BY-4.0.
Brevet clé. PCA + désambiguïsation 180° par signe(dv_GPS/dt). UBI standalone black box. Méthode B12 inspirée.
Bible g-g diagram (diagramme circle of forces). SAE Publication.
Référence historique décomposition gravité / dynamique. Fondement P013 Niveau 1.
Levenberg-Marquardt multi-étapes. Sub-degree precision. Inspiration méthodologique C12-C14.
RANSAC 1-point 100-200 itérations vs milliers. Embedded-friendly. Méthodes B08-B11 inspirées.
FIR modulating function, contrainte non-holonome v_lat=0. Nécessite CAN-OBD (non applicable FMC880).
Two-stage coarse-to-fine. PCA + RLS/LM raffinement. Inspiration méthodes C12-C14.
AKF innovation covariance. Erreur dynamo 6.4% → 1.8%. Méthodes D15/D16 inspirées.
CNN+RNN direction yaw véhicule, 60k trajets smartphones. Accuracy 90.07%. Référence long-terme (training set requis).
Papier compagnon dataset UAH-DriveSet (DS-003). Non téléchargé au 2026-04-14 (DNS Robesafe down).
Référence foundational smartphone telematics. Inclut yaw estimation ay/v (Wahlström). Base théorique méthode D15.
Calibration IMU sans rig externe (Tedaldi open source toolkit).
Référence historique multi-position calibration pour MEMS IMU. Fondement théorique Niveau 1 Rodrigues.
99 références lues, organisées par année.
I2V-GS propose une transformation infrastructure→véhicule via Gaussian Splatting et diffusion, utile pour les pipelines simulation visuelle / augmentation de données et scénarios AV. Sert P001 (simulation), B018 (positionnement RS3),.
Comparatif modèle vs data-driven pour l’angle de dérive β ; sert à valider les modèles physiques RS3/Telemachus par rapport aux approches apprenantes et le papier P004 sur la robustesse GNSS/INS en milieu urbain.
Article Wagner & Wieneke (2001) qui pose le cadre historique des schémas d'intégration GNSS/INS (loose, tight, ultra-tight) et discute leurs compromis robustesse/complexité. Sert de base conceptuelle à P002.
NAVSIM propose une plateforme de simulation non-réactive, alimentée par des données réelles, pour benchmarker les algorithmes de conduite autonome. Les scènes sont reconstruites à partir de données terrain (trafic, trajectoires, capteurs…
Article Zhang 2020 (AFISR) : schéma de Fault Detection & Isolation (FDI) et reconfiguration adaptative pour l’intégration GPS/IMU. Sert de base à P001 (comparaison FI vs FA et motivation d’un schéma adaptatif), éclaire la partie FDI/robu…
Revue Boguspayev et al. (2023) — couverture large GNSS/INS (loose/tight/deep), modèles d’erreurs inertiels, alignement initial, et tendances ML/vision. Sert d’appui théorique à P002/P004 et renforce.
Entrée pour la méthode de filtrage invariant GNSS/IMU, utilisée dans P007 et B009. Voir alias InvariantFiltering2024 pour la déduplication. Fiche de lecture A045 (InvariantFiltering2024).
Étude Lin & Shi (2017) : estimation de la pente locale à partir du profil vertical et de la courbure — applique la relation géométrique entre dérivée de l'altitude et rayon de courbure. Sert P006 (énergie/pente), P008/P009 (pipeline curv…
Thèse (UGA 2024) sur la localisation coopérative et la trajectographie locale contrainte par la carte pour véhicules intelligents. Apporte des méthodes map-aware et coopératives utiles pour la robustesse GNSS/INS en urbain (P004) et l’al…
Article ASTESJ présentant une architecture de localisation intégrée GNSS/IMU/odomètre validée terrain. Sert d’étude de cas et de base comparative pour P002 (schémas Kalman hybrides) et P004 (robustesse en urbain).
Annexes techniques du rapport RMT06 sur la méthodologie d’essais véhicules et les résultats de référence pour la validation des modèles de simulation. Sert de base pour la calibration et la comparaison des pipelines RS3 avec les essais t…
Rapport stratégique DGITM sur la sélection et la génération de scénarios critiques (SOTIF, ODD, combinatoire) pour la validation sécurité des véhicules autonomes. Sert d’appui à l’argumentaire RS3 comme injecteur de scénarios reproductib…
Article fondateur sur le map-matching HMM pour la reconstruction de trajectoires GPS bruitées et échantillonnées à basse fréquence. Sert de référence pour l’alignement RS3/Telemachus avec les méthodes de cartographie et la validation de…
Présentation du GPSIMU Toolbox open-source pour l’intégration lâche GNSS/IMU (MATLAB/Octave). Sert de référence pédagogique et de base comparative pour la validation des pipelines RS3 et la reproductibilité scientifique ().
Revue de référence sur les sources d’erreur aléatoires des IMU MEMS, leurs modèles statistiques (bruit blanc, biais, random walk) et leur impact sur la fusion GNSS/IMU. Sert de socle pour la modélisation du bruit inertiel dans RS3 et la…
Article pivot introduisant le filtre MMKF à consensus pour la fusion GNSS/IMU robuste.
Revue GNSS/INS de référence couvrant les approches EKF, UKF, PF, et fusions hybrides.
Pipeline complet de génération de cartes lane-level à partir d’un LiDAR mobile : extraction dynamique des marquages (multi-region Otsu), clustering en deux étapes, reconnaissance des types de lignes (MBR + eigenvectors), séparation des s…
Extension directe de CompressiveCVData2018 : démontre la récupération précise (RMSE < 0.05 avec 20% des données) des signaux CV 10 Hz via Compressive Sensing. Valide l’intérêt d’un mode compressif pour RS3/Telemachus et renforce le papie…
Paper fondateur sur l’acquisition compressive des données CV via Compressive Sensing : réduction ×5 des données, reconstruction précise des trajectoires, vitesse et signaux trafic. Sert de base au papier P005 (Connected Vehicles – acquis…
Introduit le framework de catégorisation environnementale le plus fin du domaine (7 classes) pour la navigation véhicule, un nouveau descripteur GNSS (C/N0-weighted azimuth distribution factor r) permettant de distinguer viaduct-down vs…
Propose inTformer, un Transformer à attention temporelle pour prédire la probabilité de crash à une intersection à partir de données de véhicules connectés (INRIX / CATT Lab). Encode des séquences de features agrégées (vitesses, délais,…
Système de localisation pour véhicules de service miniers combinant SLAM LiDAR-inertiel et fusion GNSS étroitement couplée, tolérante aux pertes de signal. Utilise une architecture de type error-state Kalman filter pour intégrer les mesu…
Implémentation didactique d’une fusion GNSS+IMU via UKF, validée sur KITTI à 1 Hz. Forte réduction de RMSE (x,y,z) grâce au filtrage non linéaire et à la stabilisation inertielle. Sert de baseline reproductible pour illustrer EKF vs UKF…
Framework de localisation terrestre robuste combinant GNSS-based odometry (EKF), IMU pré-intégrée, LIDAR-odometry et un nouvel algorithme Dynamic-ICP permettant re-localisation rapide et réduction de dérive. Utilisation d’une carte 3D of…
Calibration extrinsèque robuste pour plateformes multi-LiDAR avec GINS, résolution du problème d’observabilité verticale via Virtual LiDAR et joint optimization des poses GINS. Intéressant pour les extensions RS3-Fleet et pour P004 (robu…
Paradigme de navigation “angle-robustness” pour UAV en environnement GNSS-denied : au lieu de prédire une position puis un angle, le réseau prédit directement l’angle de direction à partir d’une séquence d’images historiques et de l’imag…
Chaîne complète low-cost pour estimer attitude et position d’un UAV à partir d’un IMU 9-axes (MPU6050 + HMC5883L) et d’un GPS u-blox M8N, avec filtres passe-bas/passe-haut, filtre de Butterworth, filtre complémentaire et interpolation li…
Étude Xiao 2025 sur l’estimation de vitesse véhicule via IMU seule, séquence inertielle et modèles apprenants. Sert P005 (qualité trajectoires), B008 (vitesse IMU smartphone) et.
Fiche canonique pour Huang 2023 (reconstruction de trajectoires de transport en commun à partir de données sparse type smartcard). Sert de base scientifique aux papiers P001/P004 (reprojection dynamique RS3) ainsi qu’au billet B002 et à…
191 références cataloguées dans literature/corpus.yaml
qui n'ont pas (encore) de fiche A* — non promues dans la pile de lecture active.
Casini2025-IdentificationEstimationCausal DRIVE2025 source ↗ GyroProfiles2025-EventSynthesis Hallyburton2025-TrustedDataFusion IMULowCost2025-FrenchOverview Krichen2025-DTectionDes Mallat2025-WaveletsPrimer SpeedFromIMUOnly2025 TransportModeSmartphone2025 Web3DataFeed2025 source ↗ Xiao2025-InertialSequenceLearning Zhu2020-MIMUOdometerFusion2 Alvarez2024-OptimizingEnergy-Eff Brunson2024-InnovativeModelingImu CoopScenes2024 source ↗ cubatureKalmanGNSSINS2024 source ↗ CVVLSNet2024 source ↗ Duan2024-SensorFusionAV han2024simulation Huilin2024-RobustObjectDetection Juntunen2024-SignalProcessingMethods Kazemi2024-AirborneGimbalMounted Li2024-LeveragingConnectedVehicle Liu2024-SurveyofAutonomousDr Mahajan2024-Sim2realGPSIMU multipathGNSSCamera2024 source ↗ NearCrash2024 source ↗ Nguyen2024-RoadAnomalyDetection Opra2024-GNSSVisualConsumer PhysicsGuidedMultiModal2024 Pikner2024-ADValidationDigitalTwin Qiu2024-AirIMU RoadNetworkEstimation2024 source ↗ Sarker2024-SelfSupervisedDriving TrafficIncidents2024 source ↗ urbanCanyonGNSSINS2024 source ↗ Various2024-GPS-IMUSensorFusionT Yazgan2024-UrbanObstacleDense Zhang2024-DetectionofRoadAnoma AlSaqabi2023-TripPlanningAV Boguspayev2023-GNSSINSReview BridgeGenScenarioGeneration2023 CrashRiskHurricane2023 source ↗ Dani2023-VehicleDynamicsIdent DrivingEventRecognition2023-ML FuzzyCarFollowingCalibration2023 Harbers2023-MapGuidedInertial huang2019trajectory source ↗ JSEN2023-GNSSINSLowCost OlderDriverMCI2023 qiu2023simulation Sivashangaran2023-AutoVRL SpeedingEffects2023 source ↗ Syed2023-CrashRiskHurricane TripPlanningRL2023 source ↗ Udah2023-RoadDefectDetectionU Various2023-FuelConsumptionEstim Zhang2023-AVSensorSimulation Zhou2023-SpeedingEvaluationfr Bertipaglia2022-SideslipEstimation source ↗ Cao2022-SimulationPerception source ↗ Chen2022-GNSSSpoofingDetectio Dong2022-HighFreqEventDetect EcoDrivingFuelPredict2022 source ↗ EVProfitability2022 source ↗ EVPublicDemand2022 source ↗ Farrell2022-InertialNavNotes FrequencyEventDetection2022 Jagelcak2022-TelematicsTurningRadius Jagelk2022-DeterminationTurningRadius LaneChangeRiskBehavior2022 Li2022-SideslipAngleandTyre Ouaknine2022-RadarDeepLearning source ↗ UnderwaterDVL2022 source ↗ Wu2022-DriverModelforSimula Zhao2022-Car-FollowingDriverM Chen2021-IMUCalibPlatform Chen2021-LowCostCalibPlatform Guo2021-SmartphoneEventDetection source ↗ Harbers2021-IMURADARTightCoupling Kim2021-DeepEventNet OODIDA2021 source ↗ Park2021-SoundEventDetection Qingqing2020-MultiSensorNav RailLoMer2021 source ↗ Unknown2021-WillBeInserted ACNSim2020 source ↗ AerialVehicleDetection2020 source ↗ Ali2020-RoundaboutDetection Bashiri2020-IntersectionManagement Broumandan2020-IMU-basedDrivingBeha Chen2020-DynamicIMUCalibratio Du2020-GGIW-MD-PMBM Du2020-RealTimeCorrelationTracking Elboudani2020-DeepInertialLocalization ElBoudani2020-DELTA-5GIndoor Fanelli2020-StochasticModelingof FineGrainedPerception2020 source ↗ Hwang2020-PotholeDetectionUsin IntersectionManagement2020 source ↗ Ivanov2020-ElaboratedSignalModel Ivanov2020-FMCWVectorModel Kim2020-CooperativeDynamicRanging Lastname2020-LorawanGeoTracking Palanisamy2020-PhysicsBasedSim Pop2020-HybridSolutionCombining RoundaboutNavigation2020 SociallyCompatibleBehavior2020 source ↗ UnderwaterMPC2020 source ↗ Yurtsever2020-SurveyofAutonomousDr Ahmed2019-DrivingBehaviorAnaly Fan2019-RobustEventDetection Fan2019-RobustFusionClustering He2019-RoadSurfaceCondition KoopmanIdentification2019 source ↗ li2019stochastic source ↗ Smith2019-VehicleSimulationfor DrivingVolatility2018 source ↗ Khattak2018-AuthorInstructionsExtended Li2018-AutomaticUnusualDriving Robert2018-DriverModelingforVeh USVStereo2018 source ↗ Zhao2018-RealisticTrajectoryG Chen2017-IMUDriverIdentity Chen2017-IMURevealRoadState Hemerly2017-MemsImuStochastic Vandewalle2017-GeometricToolsforCom Wagner2017-IntegratingSatelliteInertial Zhang2017-GPSDRIMUFusion Zhu2016-DriverBehaviorAnalys Bosch2015-AutomotiveHandbook DataQualityKing2015-UBI EVChargingStations2015 source ↗ EVSmartCharging2015 source ↗ Liu2015-TrajectoryClustering Grewal2014-KalmanFiltering Tedaldi2014-RobustEasyImplement Unknown2014-IeeeTransInstrum Groves2013-PrinciplesofGNSS,Ine Saadeddin2013-LowCostINS Treiber2013-TrafficFlowDynamics Crassidis2012-OptimalEstimationofD Hunter2011-PathInferenceFilter source ↗ Rajamani2011-VehicleDynamicsandCo Newson2009-HiddenMarkovMap US7522091-CurvatureFusion source ↗ Farrell2008-AidedNavigation Fong2008-FieldUseIMU Kesting2008-IntelligentAgentsinT Unknown2008-RecentProgressTowards Wong2008-TheoryofGroundVehicl Grewal2007-GlobalNavigationSate El-Sheimy2006-IMUErrorsandTheirEff FPGI2006-GPSIMUNavigation Asadian2005-GPSINSFusion Grejner2004-LowCostLandNavigation source ↗ Meng2003-SensorErrorModelingf Bar-Shalom2001-EstimationwithApplic Montenbruck2000-GpsPositionVelocity Mallat1999-AWaveletTourofSignal Farrell1998-GlobalPositioningSys Lotters1998-InUseAccelCalib source ↗ Baarda1997-RobustDatumSystems source ↗ Kay1993-FundamentalsofStatis zhao2020gnss