📝 Objectif

Comparer les approches model-based (EKF/UKF) et data-driven (FFNN/RNN) pour estimer l’angle de dérive (sideslip), et quantifier l’apport des mesures de forces pneus.

📚 Contexte

• L’angle de dérive est critique pour les contrôleurs de stabilité.
• Très difficile à estimer dû aux non-linéarités pneus.
• Les travaux antérieurs utilisent surtout des simulations, rarement du réel.

Le dataset ici est exceptionnel :
216 manœuvres → double lane change, slalom, skidpad, J-turn, braking-in-turn, etc.
Capteurs : IMU, roue, forces pneus, Datron LiDAR pour β_GT.

🔍 Méthodes comparées

1) Approches model-based

• EKF + modèle single-track + Dugoff.
• UKF avec sigma-points → capture mieux les non-linéarités.
• Deux jeux de mesures :
  • Y1 : IMU uniquement.
  • Y2 : IMU + forces pneus (FyF, FyR).
• Adaptation dynamique du bruit d’observation quand le comportement devient non-linéaire.

2) Approches data-driven

• FFNN (couches denses).
• RNN (LSTM).
• Deux jeux d’entrées :
  • I1 : IMU uniquement.
  • I2 : IMU + forces pneus (toutes roues).
• Normalisation, early-stopping, Bayesian optimisation.

📈 Principaux résultats

➤ EKF vs UKF (IMU only)

• UKF meilleur en RMSEnl (+12%).
• UKF limite mieux les erreurs max en non-linéaire.

➤ Effet des forces pneus (EKF/UKF)

• Implique un bond de performance important.
• EKF+forces ≈ UKF+IMU seulement.
• UKF+forces = meilleur model-based.

➤ FFNN vs RNN

• FFNN meilleur RMSE global (simple).
• RNN meilleur RMSE non-linéaire.

➤ Effet des forces pneus (data-driven)

• FFNN : RMSE amélioré de 45%, RMSEnl de 68%.
• RNN : RMSE amélioré de 43%, RMSEnl de 58%.
• En présence de forces pneus : FFNN > RNN (plus stable, moins paramétrique).

➤ Data-driven vs Model-based

• IMU only : data-driven > model-based (RMSE), mais moins robuste (pénurie de non-linéaire).
• IMU + forces pneus : data-driven > model-based dans tous les KPIs.

🎯 Conclusion de l’article

1. UKF reste l’état de l’art model-based.
2. Les forces pneus changent radicalement la performance (tous algos).
3. Data-driven + forces pneus = meilleure performance globale.
4. FFNN simple > RNN LSTM lorsque les forces pneus sont présentes (meilleur biais/variance).
5. Combiner modèle + data-driven est probablement le futur.

🔗 Impacts Teleforge / RS3

Pour P004 – Robustesse GNSS/INS

• La partie FDI/Fault isolation peut se baser sur :
  • rôle critique des forces pneus,
  • adaptation dynamique des covariances (analogue à l’adaptive MKF).

Pour V001 – Validation IMU/RS3

• Benchmark UKF/EKF/NN à reproduire sous RS3.
• RS3 permettant de simuler les forces pneus → possibilité de rejouer l’étude complète.

✔️ Points à exploiter dans une réécriture RS3/Telemachus

• UKF adaptatif.
• Injection de forces pneus dans observation model.
• Importance de la diversité manœuvres (à reproduire via RS3).