Xiao et al. (2025) — Inertial Sequence Learning Framework for Vehicle Speed Estimation via Smartphone IMU

Citekey : SmartphoneIMUSpeed2025
PDF : arXiv:2505.18490

1. Référence

Xiao, … (2025). An Inertial Sequence Learning Framework for Vehicle Speed Estimation via Smartphone IMU. arXiv:2505.18490.

2. Contexte & problème étudié

L’estimation de la vitesse véhicule à partir d’un smartphone reste difficile car :

• le GNSS est intermittent (urban canyon, tunnels),
• les signaux IMU sont très bruités,
• la pose du smartphone dans l’habitacle est inconnue, variable, et non contrainte,
• l’IMU seul dérive rapidement si intégré naïvement.

L’objectif est de prédire v_y(t) (la vitesse longitudinale du véhicule) uniquement à partir de l’IMU (acc & gyro), tout en utilisant le GNSS comme supervision bruitée, pas comme entrée.

3. Formulation du modèle DVSE

L’article introduit DVSE – Deep Vehicle Speed Estimation, un modèle composé de deux sous-réseaux spécialisés :

3.1. Noise Compensation Network (NCN)

• Entrées : statistiques temporelles sur fenêtres de 1s des signaux IMU (acc + gyro).
• Features : moyennes / max / min / RMS / skewness / kurtosis etc., ~18 dims par capteur.
• Architecture : GRU.
• Rôle : apprendre un terme de compensation du bruit (N(t)) afin que l’intégration d’accélération reconstituée corresponde à la vitesse GNSS.

3.2. Motion Transformation Network (MTN)

• Entrée : séquence IMU intégrée + vecteur [0, 0, 9.81].
• Sortie : 3 angles d’Euler (téléphone → véhicule) convertis en matrice de rotation (R_v^p).
• Architecture : TCN (Temporal Convolutional Network).
• Rôle : apprendre la pose du smartphone dans le référentiel véhicule, pour aligner correctement l’accélération.

3.3. Reconstruction finale

La vitesse prédite est :
[ v_y(t) = \int R_v^p(t) \cdot (a_\text{IMU}(t) - N(t)) , dt. ]

4. Data augmentation en attitude

Pour rendre le réseau invariant à la pose réelle du téléphone, ils appliquent des rotations aléatoires cohérentes (même rotation acc + gyro + a dérivée) sur des fenêtres temporelles.
→ Simule différentes orientations smartphone sans changer la dynamique réelle (robustesse multi-conducteurs / multi-voitures).

5. Gestion de la latence GNSS (“sliding matching”)

Le GNSS peut avoir ~1s de retard par rapport à l’IMU au démarrage.
La loss compare :

• alignement normal IMU↔GNSS
• alignement décalé IMU↔GNSS+1s

et prend le minimum → robustesse temporelle.

6. Dataset & protocole expérimental

• ≈ 200 heures de trajets,

• 300 conducteurs / smartphones,

• poses libres et non contrôlées,
• splits par trajectoires pour tester la généralisation (trajectoires/appareils jamais vus en training).

Baselines comparées : AI-IMU, VeTorch, DeepVIP, DeepTrack.

Résultats :

• Dérive sur 60 s : DVSE ≈ 50.8 m (vs 58.6 m pour DeepTrack, pire pour les autres).
• Très bon rapport précision / coût d’inférence → déployable sur smartphone (ONNX Runtime).

7. Forces et limites

Forces

• Architecture claire : séparation pose / bruit.
• Très proche des cas réels de télématique smartphone.
• Data augmentation d’attitude particulièrement efficace.
• Résultats solides sur un large dataset crowdsourcé.

Limites

• Le dataset n’est pas public.
• Supervision GNSS bruitée et dépendante des conditions de réception.
• Le modèle ne traite que la vitesse longitudinale, pas le vecteur vitesse complet.

8. Liens avec RS3 / Telemachus / recherches P00x

• RS3

  • Possibilité de générer des données IMU simulées avec perturbations réalistes pour réentraîner un modèle DVSE-like.
  • Peut devenir un plugin “Speed Reconstruction”.

• Telemachus

  • Pose smartphone ↔ véhicule pourrait devenir un attribut standardisé.
  • DVSE fournit une justification forte pour inclure une section “vitesse dérivée IMU”.

• P004 / P005 / V002

  • Cet article est central pour ta section sur télématique smartphone et reconstruction inertielle.
  • Exemple d’architecture moderne GRU+TCN.

9. Ce que je recommande de faire maintenant

1. Statut status.yaml → reading (high priority)
2. Créer un ticket interne “Plugin DVSE-like pour RS3”
3. Tester l’augmentation d’attitude avec RS3 pour voir si les mêmes gains existent.
4. Préparer une figure comparative (intégration IMU brute vs DVSE).

10. Citation

Xiao et al. (2025). An Inertial Sequence Learning Framework for Vehicle Speed Estimation via Smartphone IMU. arXiv:2505.18490.