UAV Data-Driven Modeling Software with Integrated 9-Axis IMU–GPS Sensor Fusion (Arfakhsyad et al., 2025)

Référence :

A. A. Arfakhsyad et al., “Unmanned Aerial Vehicle (UAV) Data-Driven Modeling Software with Integrated 9-Axis IMU–GPS Sensor Fusion and Data Filtering Algorithm”, 2025.

PDF : UAV data-driven modeling + fusion IMU/GPS + visualisation Unity.

1. Idée centrale

Construire une chaîne de modélisation orientée données pour un drone fixe-ailes, en combinant :

• capteurs low-cost (MPU6050, HMC5883L, GPS u-blox M8N),
• filtrage numérique léger (Butterworth, passe-bas/passe-haut),
• filtres complémentaires (IMU ↔ GPS, IMU ↔ magnétomètre),
• et représentation quaternion pour l’attitude,

afin d’obtenir une visualisation temps réel 3D (Unity) de l’orientation et de la trajectoire du UAV, avec une précision métrique, sans passer par un EKF lourd ni un modèle dynamique complet.

2. Méthodologie en bref

Matériel & architecture

• IMU GY-87 :
  • MPU6050 (accéléromètre + gyroscope),
  • HMC5883L (magnétomètre).
• GPS u-blox M8N.
• 3 × ATmega328 + modules nRF24L01 :
  • 2 microcontrôleurs émetteurs (IMU / GPS),
  • 1 microcontrôleur récepteur côté sol.

Les données sont ensuite injectées dans un logiciel Unity (PC) qui fait la fusion et la visualisation 3D (UAV + carte).

Orientation (attitude)

Chaîne de traitement :

1. Accéléromètre → filtre passe-bas (LPF) : on garde les composantes basses fréquences (gravité, mouvements lents).
2. Gyroscope → filtre passe-haut (HPF) : on garde les variations rapides mais on rejette le drift lent.
3. Filtre complémentaire accéléro + gyro → estimation Euler (Roll, Pitch, Yaw).
4. Yaw corrigé par le magnétomètre (HMC5883L) via un second filtre complémentaire (réduction du drift de cap).
5. Conversion finale en quaternions pour éviter le gimbal lock et obtenir une interpolation d’orientation fluide.

Ils montrent que le yaw « pur gyroscope intégré » dérive progressivement, alors que le yaw corrigé par la boussole reste borné.

Position (fusion accel + GPS)

Chaîne de traitement position :

1. Accélérations (MPU6050) → filtre de Butterworth (2ᵉ ordre, passe-bas).
2. Double intégration accel → vitesse → déplacement (en repère local).
3. Conversion déplacement → variations de latitude/longitude via une série de formules (angles, rayon terrestre, etc.).
4. Filtre complémentaire entre :
   • position issue de l’intégration accélération (rapide mais qui dérive),
   • position GPS (lente, bruitée et irrégulière mais absolue).

Deux poids sont ajustés :

• α pour la contribution de la vitesse issue de l’intégration d’accel,
• β pour la contribution de la déviation de position.

Interpolation GPS

• Le GPS produit des points discrets et irréguliers → trous dans la trajectoire.
• Ils appliquent une interpolation linéaire des lat/lon pour créer une trajectoire « de référence » continue, utilisée comme vérité terrain pour évaluer la fusion accel+GPS.

Comparaison Butterworth vs Chebyshev

• Les auteurs comparent les filtres de Butterworth et de Chebyshev (2ᵉ ordre) sur les signaux d’accélération.
• Tous deux réduisent le bruit haute fréquence, mais :
  • Chebyshev montre plus d’oscillations (sur-ondulations),
  • Chebyshev consomme plus de ressources et augmente le risque d’erreurs d’intégration.
• Conclusion : Butterworth est retenu comme compromis simplicité / stabilité.

3. Résultats clés

• Données issues d’un vol réel de drone fixe-ailes (~3 min 38 s, 60 FPS, 12 774 échantillons IMU+GPS).
• Les trajectoires GPS brutes sont discontinues ; après interpolation on obtient une trajectoire lisse (Fig. 11–12 du papier).
• Le filtre complémentaire positionnel est évalué en fonction de α et β.
  • Les plus faibles poids (α=0,1, β=0,1) donnent les erreurs moyennes les plus faibles, de l’ordre de ~2 m en latitude et ~2,7 m en longitude par rapport à la trajectoire interpolée.
  • L’augmentation de α ou β rend le signal soit plus « spiky » (trop d’accel), soit plus retardé (trop de GPS).
• Côté attitude, la fusion IMU + magnétomètre + quaternions fournit une visualisation fluide malgré des courbes de quaternions très « spiky » (bonne illustration de la différence entre trajectoire dans R⁴ et impression visuelle).

4. Intérêt pour RS3 / Telemachus / VAE

Pour P002 / P004 (fusion GNSS/IMU)

• Cas d’usage léger d’un filtre complémentaire IMU+GPS pour la position, par opposition aux schémas Kalman/MMKF utilisés dans P002/P004.
• Montre concrètement :
  • comment on peut compenser un GPS à fréquence irrégulière par un intégrateur accel,
  • comment régler les poids α/β et mesurer l’erreur,
  • les limites intrinsèques de la double intégration + filtre complémentaire (dérive dès que l’on augmente l’importance de l’IMU).
    → Intéressant comme baseline “low-cost / low-compute” à citer dans la section « approches légères » de P002 / P004.

Pour V001 (compétence fusion multi-capteurs)

• Exemple didactique d’un pipeline complet :
  • calibrations simples,
  • filtrage fréquentiel (Butterworth, passe-bas/passe-haut),
  • filtre complémentaire attitudinal + positionnel,
  • comparaison numérique d’options de filtres.
• Très utile pour la partie VAE où tu démontres la maîtrise des compromis entre complexité et robustesse, et la capacité à répliquer/étendre des approches embarquées sur hardware contraint.

Pour RS3 / Telemachus

• RS3 se concentre sur les véhicules terrestres, mais :
  • la logique quaternion + IMU + GNSS est directement transposable,
  • l’exemple de logger autonome + liaison radio pourrait inspirer un setup « datalogger RS3 réel » pour comparer trajectoires simulées vs mesurées.
• Côté Telemachus :
  • ce pipeline est un bon cas d’usage pour les champs qualité & confiance (RFC-0005) et pour documenter des datasets de vol de drones (éventuel futur extension Telemachus-UAV).

5. Limites / critiques

• Pas de Kalman / MMKF dans l’article : la comparaison reste limitée à « complémentaire vs rien », pas vs EKF/UKF.
• Le modèle dynamique du UAV est peu détaillé : on est vraiment sur une approche « data-driven + filtrage numérique », pas sur un modèle physique complet.
• Les métriques d’erreur restent simples (erreur métrique lat/lon vs trajectoire interpolée), sans analyse de covariance ni de robustesse à des coupures longues GNSS.

6. Pistes pour toi / TODO

• Bench RS3 :
  • Reproduire un scénario type (accel + GNSS clairsemé) avec RS3 et implémenter un filtre complémentaire α/β similaire pour comparer aux EKF/MMKF.
• Intégration VAE / P002 / P004 :
  • Positionner cet article comme exemple de pipeline léger IMU+GPS+quaternions dans l’état de l’art, face aux approches EKF/MMKF que tu pousses.
• Logger réel :
  • T’inspirer de l’architecture matérielle (IMU+GPS+radio) pour un datalogger véhicule minimaliste qui alimente un dataset Telemachus en conditions réelles.