citekey: Liu2023-GNSSINSReview tags: [gnss, ins, fusion, kalman-filter, review] updated: 2025-10-27 summary: > Comprehensive review of GNSS/INS integration techniques, including loosely, tightly, and deeply coupled architectures. Discusses Kalman filtering, neural-network-aided fusion, and factor graph optimization (FGO) as alternatives. Provides the theoretical foundation for robust sensor fusion in RS3 and Telemachus. takeaways:
- Defines and compares loosely, tightly, and deeply coupled GNSS/INS integration.
- Highlights limitations of standard EKF under GNSS outages.
- Introduces ML-based and FGO-based improvements for robust fusion.
- Serves as theoretical context for Mafi (MMKF) and Xiao (DVSE).
Liu et al. (2023) — A Comprehensive Review of GNSS/INS Integration
0. Résumé
Cet article est une revue complète des approches modernes d’intégration des mesures des Systèmes de Navigation par Satellites (GNSS) et des Systèmes de Navigation Inertielle (INS) pour les applications dans les véhicules terrestres et aériens.
L’intégration est rendue nécessaire car les deux systèmes possèdent des propriétés complémentaires : le GNSS est précis mais sensible aux obstacles (villes, tunnels), tandis que l’INS est autonome mais son erreur s’accumule avec le temps.
Les auteurs examinent les trois schémas de couplage principaux — lâche, serré, profond — et montrent que le Filtre de Kalman reste l’outil central d’intégration, tout en évoquant l’émergence de méthodes hybrides et intelligentes (machine learning, FGO).
1. Contexte
La navigation autonome et précise repose sur la fusion GNSS/INS.
- INS : Autonome mais dérive rapidement à cause des erreurs de capteurs.
- GNSS : Très précis mais sensible aux environnements urbains.
Les approches classiques utilisent le GNSS pour recalibrer l’INS, mais cela reste limité lors de coupures prolongées.
D’où la nécessité de schémas intégrés et robustes basés sur l’estimation de l’erreur INS.
2. Méthodologie
2.1 Schémas d’intégration Kalman
- Loosely coupled (LC) – fusion des sorties GNSS et INS.
- Tightly coupled (TC) – utilisation des mesures brutes GNSS (pseudorange, Doppler).
- Deeply coupled (DC) – intégration au niveau des boucles matérielles GNSS.
2.2 Modélisation des erreurs INS
Le vecteur d’état du KF comprend les erreurs de position, vitesse, attitude, ainsi que les biais des accéléromètres et gyroscopes.
Certains modèles incluent aussi l’effet du bras de levier.
L’article détaille l’usage de modèles stochastiques (Gauss-Markov, Allan variance).
2.3 Extensions du KF
- EKF / UKF / RKF : variantes améliorées pour gérer les non-linéarités ou outliers.
- Réseaux neuronaux : pour prédire les erreurs lors des coupures GNSS.
- Factor Graph Optimization (FGO) : pour une estimation globale plus robuste et flexible.
3. Résultats clés
| Défi | Approche | Résultat |
|---|---|---|
| Coupures GNSS | Tightly coupled / Réseaux neuronaux | Correction partielle possible avec 1 seul satellite ; précision < 4 m. |
| Outliers GNSS | Robust Kalman / FGO | Amélioration jusqu’à 0,2 m en indoor. |
| Erreurs INS | Modèles stochastiques avancés | Réduction des dérives sur 60 s d’intégration. |
| Effet de bras de levier | Modélisation directe dans KF | Précision accrue pour véhicules complexes. |
4. Limites
- Accumulation d’erreurs INS persistante sans GNSS.
- Complexité du KF avec >15 dimensions d’état.
- Coût computationnel des approches neuronales et FGO.
- Difficile calibration des effets de bras de levier.
5. Liens avec RS3 / Telemachus / RoadGenome
🔗 Lien avec Xiao et al. (DVSE)
- Contexte : Boguspayev et al. exposent les limites du KF dans les scénarios GNSS dégradés.
- DVSE (Xiao 2025) propose une alternative deep learning purement IMU.
- Les deux visent la navigation robuste sans dépendance GNSS.
🔗 Lien avec Mafi et al. (MM-EnKF)
- Mafi (2025) prolonge cette revue en intégrant plusieurs modèles (physiques + data-driven) dans un Multi-Model Kalman Filter.
- Approche cohérente avec les recommandations de Liu pour accroître la robustesse et la quantification de l’incertitude.
🧠 En résumé :
Cette revue sert de base théorique pour les travaux RS3 (simulation inertielle), Telemachus (fusion ouverte) et VAE C3/C4.
Elle relie les fondements classiques (Kalman) aux tendances hybrides (MMKF, FGO, Deep Learning), offrant la continuité parfaite entre Boguspayev (2023), Mafi (2025) et Xiao (2025).