Cellina et al. (2023) — Vehicle Fuel Consumption Virtual Sensing from GNSS and IMU

1. Contexte

L’article propose une approche de “virtual sensing” de la consommation de carburant des véhicules légers, sans accès aux données du moteur (OBD).
L’objectif est d’estimer en temps réel la consommation en litres/heure et par trajet, uniquement à partir des signaux GNSS et IMU embarqués.
L’étude s’inscrit dans la continuité des travaux sur les modèles empiriques de consommation (VT-MICRO, PHEMlight) et les approches data-driven.

2. Méthodologie

Trois modèles sont comparés :

1. VT-MICRO — Modèle polynomial d’état de l’art, basé sur vitesse et accélération.
2. PB Model (Physics-Based) — Approche linéaire paramétrée à partir de lois de résistance (aérodynamique, frottement, pente).
3. NN Model (Feed-Forward Neural Network) — Réseau de neurones simple à 9 neurones cachés, 2 entrées (v, a), 1 sortie (fuel rate).

Données expérimentales :

• Véhicule : Alfa Romeo Giulia 2.2 Diesel
• Durée : 20 h / 1493 km / 104 L de diesel
• GNSS : 10 Hz
• IMU : 100 Hz (accélérations longitudinales)

Calibration :

• Les modèles sont entraînés sur 70 % des données et validés sur 30 %.
• La sortie du NN est comparée à un capteur de débit réel (fuel-flow sensor).

3. Résultats principaux

L’article démontre que les deux approches PB et NN surpassent VT-MICRO et qu’une estimation robuste de la consommation peut être obtenue sans accès moteur.

4. Discussion

• Le modèle PB est préférable pour des intégrations embarquées (faible coût computationnel).
• Le modèle NN permet une meilleure réactivité dans les phases transitoires (accélérations / freinages).
• Une analyse spectrale du signal IMU met en évidence des fréquences caractéristiques du moteur (13.3 Hz, 26.6 Hz) utilisables pour détecter le moteur ON/OFF.
• L’approche est généralisable aux véhicules électriques et hybrides (consommation énergétique équivalente).

5. Liens RS3 / Telemachus

• RS3 peut générer des trajectoires simulées avec champs GNSS/IMU, permettant d’ajouter un calcul virtuel de fuel_rate_virtual [L/h].
• Telemachus pourrait intégrer un champ pivot “fuel_virtual_lph” dans le groupe powertrain ou derived_metrics.
• L’étude valide la possibilité d’un connecteur open-source de virtual sensing pour données télématiques non OBD.

6. Métadonnées