Zhang et al. (2020) — AFISR: Adaptive Fault Isolation and System Reconfiguration for GNSS/INS Integration

Référence : Zhang, H., Li, M., Li, Y., & Zhang, K. (2020). Adaptive Fault Isolation and System Reconfiguration Method for GNSS/INS Integration. IEEE Access.
PDF : local:Adaptive_Fault_Isolation_and_System_Reconfiguratio.pdf
Thème : fusion / robustesse GNSS-INS / FDI
Lié à : P001, P004, P007

🎯 Objectif du papier

Proposer une méthode robuste pour :

1. Détecter les fautes dans les mesures GNSS utilisées dans un système GNSS/INS tightly-coupled,
2. Décider dynamiquement s’il faut :
   • isoler la mesure fautive (FI — Fault Isolation),
   • ou réorganiser le système par adaptation (FA — Fault Adaptation),
3. Maintenir la précision du positionnement, même lorsqu’un satellite important devient fautif ou lorsqu’il y a peu de satellites visibles.

Le tout via un schéma appelé AFISR — Adaptive Fault Isolation and System Reconfiguration.

🧠 Contexte

Dans un filtre de Kalman tightly-coupled GNSS/INS :

• Une mesure GNSS fautive (bias, drift, bruit impulsif) peut gravement dégrader la fusion.
• Les méthodes traditionnelles :
  • FI : retirer la mesure fautive → perte de précision si peu de satellites.
  • FA : adapter le modèle pour absorber la faute → peut dégrader le filtrage lors de fautes longues / satellites clés.

AFISR propose une stratégie hybride adaptative basée sur :

• la géométrie GNSS (POP, RDPOP),
• un RBFNN capable de générer une pseudo-mesure GNSS à partir de l’INS,
• la décision dynamique entre FI et “pseudo-range substitution”.

⭐ Contributions principales

1. Analyse fine FI vs FA

Les auteurs montrent expérimentalement que :

• Quand il y a beaucoup de satellites et bonne géométrie : FI ≈ FA → les deux s’en sortent bien.
• Quand un satellite fautif contribue fortement (fort GDOP) :
  • FA se dégrade rapidement lors de fautes longues (biais cumulés).
  • FI crée une perte d’observabilité si on passe de 5 satellites à 4.
• Donc FI et FA ne sont pas optimales de manière universelle.

2. Introduction de deux métriques structurelles : POP & RDPOP

• POP — Precision Of Positioning :
  somme des variances des composantes de position du filtre (trace de la sous-matrice P).
• RDPOP — Relative Degradation of POP :
  variation relative de POP lorsqu’on retire un satellite.

Ces métriques mesurent :

• l’importance individuelle d’un satellite,
• l’impact de son retrait sur la précision globale.

Elles servent comme déclencheurs dans la logique AFISR.

3. RBFNN pour générer des pseudo-mesures GNSS

Une Radial Basis Function Neural Network :

• apprend une relation entre les incréments INS et les pseudo-ranges GNSS,
• sert à remplacer (temporairement ou durablement) la mesure fautive,
• permet de conserver un filtre observé même avec 4 satellites ⇒ le point clé du papier.

4. Schéma AFISR (décision adaptative)

L’algorithme :

1. Détecte la faute via un FDI classique (innovation).
2. Vérifie POP et RDPOP :
   • RDPOP < seuil → FI simple : on peut retirer le satellite sans explosion d’incertitude.
   • RDPOP ≥ seuil → Reconfiguration (AFISR) :
     on remplace la mesure par une pseudo-range RBFNN.
3. Le filtre continue à fonctionner avec un GNSS “partiellement remplacé”.

Très élégant et très pratique pour les cas urbains difficiles.

🧪 Résultats expérimentaux

Setup

• Véhicule instrumenté sur circuit de 400 m.
• Système commercial SPAN-CPT :
  • IMU 100 Hz,
  • GNSS 1 Hz.
• Fautes injectées sur des satellites à contribution :
  • faible, moyenne, ou forte,
  • et visibilité : 9 satellites puis 5 satellites.

Observations majeures

• Fautes courtes avec beaucoup de satellites : FI et FA OK.
• Fautes longues avec peu de satellites (5 ou moins) :
  • FA explose → RMSE > 100 m dans certains cas.
  • FI réduit l’observabilité.
  • AFISR ≈ Fault-Free, RMSE 1–3 m.
• Le FDI a moins de ratés sous AFISR (moins de misdetection + moins de fausses alarmes).

Conclusion : AFISR stabilise le filtrage là où les méthodes classiques échouent.

🔗 Lien avec tes travaux

Pour P001 (GNSS/INS robust filtering)

• AFISR fournit un cadre complet de robustesse :
  • détection,
  • isolation,
  • substitution de mesure (via IA),
  • maintien de l’observabilité.
• Parfait comme section “related work”.

Pour P004 (Intégrité / reconfiguration)

• Le papier montre un cas clair de trade-off observabilité / robustesse.
• Les métriques POP & RDPOP peuvent être reprises dans ton propre pipeline RS3.

Pour P007 (Techniques avancées GNSS/INS + ML)

• Le RBFNN introduit une pseudo-mesure prédictive, très proche du rôle qu’auraient des modèles appris sur RS3.

📝 Synthèse personnelle

Le papier est :

• méthodologiquement propre,
• utile pour la structuration de tes sections “design choices”,
• directement comparable à tes idées de reprojection dynamique RS3 et substitution de mesures,
• un excellent candidat pour test dans RS3 (simulation de fautes satellite + RBFNN).

Très fortement recommandé pour citation dans tes trois papiers.

TODO pour exploitation dans Teleforge

• Ajouter références POP/RDPOP dans P001.
• Ajouter logique reconfiguration dans P004.
• Vérifier faisabilité de RBFNN dans RS3 (future expérimentation).
• Générer un petit benchmark RS3 (GNSS fautif → pseudo-measure INS).
• Marquer cette fiche comme summarized dans status.yaml.