IMUSim (Young et al., IPSN 2011)

1. Contexte

L’article présente IMUSim, un environnement de simulation conçu pour faciliter la conception et la validation d’algorithmes de détection inertielle. Son objectif est de pallier les difficultés expérimentales rencontrées lors des tests d’algorithmes basés sur des IMUs, en particulier pour la capture de mouvement humain. Le simulateur génère des lectures de capteurs réalistes à partir de modèles de trajectoire continue (provenant de motion capture) et simule les distorsions du monde réel : bruit, dérive de biais et perturbations du champ magnétique.

2. Méthodologie

• Utilisation de modèles de mouvement de corps rigides et intégration des rotations pour la génération de trajectoires.
Le simulateur utilise des fonctions de trajectoire continues et deux fois différentielles (C²) pour définir la position p(t) et la rotation θ(t) de chaque unité de mesure inertielle (IMU).
Les mouvements sont modélisés comme des mouvements de corps rigides articulés (modèle de squelette), en particulier pour la capture de mouvement humain.
Pour générer ces trajectoires à partir de données échantillonnées, IMUSim utilise des splines cubiques pour la position et des B-splines de quaternion (Kim et al.) pour la rotation afin de garantir la continuité C² requise.
Les vecteurs de vitesse, d’accélération, de taux de rotation et d’accélération rotationnelle sont calculés à partir des dérivées de ces fonctions de position et de rotation.

• Simulation des imperfections des capteurs telles que le bruit de quantification, la dérive de biais et les effets de température.
Les valeurs idéales des capteurs sont traitées par un sous-système de capteur qui modélise les imperfections réelles.
Ce sous-système modélise la fonction de transfert du capteur, l’injection de bruit et la quantification analogique-numérique (ADC).
Le bruit est généralement modélisé comme un processus Gaussien blanc additif de moyenne nulle.
Une matrice de transformation est appliquée pour modéliser la sensibilité inter-axes et les défauts d’alignement orthogonal.
Le modèle permet également d’ajouter du réalisme en intégrant la dépendance à la température et la sensibilité à d’autres paramètres physiques.

• Prise en charge des pipelines de filtrage modulaires (CF, GCF, EKF, LAEF).
Le simulateur est conçu pour l’évaluation et la comparaison d’algorithmes.
Pour démontrer ses capacités, IMUSim a implémenté et testé quatre algorithmes d’estimation d’orientation :
le Filtre Complémentaire (CF), le Filtre Complémentaire à Porte (GCF), le Filtre de Kalman Étendu (EKF) et le Filtre d’Estimation d’Accélération Linéaire (LAEF).

• Sortie de jeux de données synchronisés au format CSV ou compatibles MATLAB.
IMUSim est implémenté en Python, utilisant des bibliothèques comme NumPy et SciPy.
Le simulateur est conçu pour la simulation hors ligne, et il peut modéliser des facteurs de synchronisation temporelle, permettant aux IMU simulées d’avoir des horloges indépendantes pour simuler le décalage temporel entre les échantillons.

3. Résultats clés

• Forte corrélation (r² ≈ 0,97) entre les signaux inertiels simulés et réels.
La validation du simulateur contre des mesures réelles d’IMU pour des mouvements humains montre une corrélation très élevée entre les signaux simulés et mesurés :
R² = 0,970 pour l’accéléromètre, 0,978 pour le magnétomètre et 0,946 pour le gyroscope.
Cela démontre la validité du générateur de trajectoire et du modèle de corps rigide.

• Les filtres fonctionnent de manière comparable sur des données synthétiques et mesurées, révélant certaines faiblesses.
L’utilisation du simulateur a permis de mettre en évidence des problèmes auparavant ignorés, notamment la faible performance de l’EKF classique lors d’accélérations linéaires importantes,
puisqu’il suppose un bruit Gaussien statique pour l’observation gravitationnelle.
IMUSim permet donc une comparaison réaliste et rigoureuse des filtres d’orientation.

• Validation sur la capture de mouvement humain et les trajectoires robotiques.
IMUSim a été validé via des expériences de capture de mouvement humain : un sujet portait des IMU sans fil suivies par un système optique de capture de mouvement.
Les données de position et de rotation des segments corporels ont servi à générer les trajectoires simulées.
Les exemples illustrent l’application du simulateur à la capture de mouvement corporel complet.

4. Limites

• Non conçu pour la simulation en temps réel ou multi-agent.
IMUSim est un simulateur hors ligne et ne cible pas les besoins des réseaux de capteurs à grande échelle.
Sa conception privilégie la clarté du code et la précision physique des signaux inertiels.

• Environnement relativement simple (pas de dynamique de véhicule ou de forces externes).
Le modèle se concentre sur les champs gravitationnels et magnétiques, considérés comme uniformes et parallèles dans une zone restreinte,
en négligeant les variations locales pour limiter la complexité computationnelle.

• Documentation et maintenance limitées depuis 2013.
Bien que disponible sous licence open source, aucune mise à jour notable n’a été publiée depuis 2013, et la documentation reste incomplète.

5. Liens avec RS3 / Telemachus

• IMUSim fournit une base solide pour le générateur de données inertielles de RS3.
C’est un cadre de simulation spécifiquement dédié aux IMUs, pensé pour être extensible et adaptable à d’autres modèles ou environnements.

• Ses modèles de bruit et de biais pourraient inspirer le système de plugins de RS3.
IMUSim offre une modélisation fine des imperfections des IMUs (bruit, biais, inter-axes, non-alignements) facilement réutilisable dans des simulateurs Python modernes.

• Pont potentiel avec les jeux de données Telemachus pour l’étalonnage et le benchmarking.
IMUSim permet de générer des trajectoires continues à partir de données existantes (ex : motion capture CMU), facilitant la comparaison et l’évaluation d’algorithmes sous un même protocole expérimental.