Carnet de recherche

Carnet

Compétence C3 — Maîtriser les méthodes de fusion multi-capteurs (GNSS/IMU)

Compétence V001 — Fusion GNSS–IMU et intégration capteurs inertiels

1. Contexte scientifique et industriel

La fusion GNSS–IMU constitue l’un des piliers de la navigation véhicule. Elle est au cœur de la robustesse en milieu urbain (canyons, multipath, blackouts GNSS), et s’appuie sur des modèles inertiels sensibles aux biais, au bruit MEMS et aux dérives à long terme.

Dans le cadre de mes travaux RS3 ↔ Telemachus, j’ai construit une chaîne complète allant :

  • de la simulation fidèle (IMU, GNSS, pente, événements) via RS3,
  • à la fusion multi-capteurs robuste,
  • puis à l’export standardisé dans Telemachus (RFC-0005, RFC-0007, RFC-0009).

Cette compétence couvre à la fois les fondements théoriques (EKF, IEKF, filtres invariants, MMKF consensus), les schémas d’intégration (loose, tight, ultra-tight) et les pratiques professionnelles (calibration IMU low-cost, navigation smartphone, map-matching).

2. Méthodes et architectures mobilisées

2.1 Schémas de fusion GNSS–INS

Les travaux mobilisent trois architectures :

  • Loose coupling (A021, A034, A035) : EKF 15 états, correction position/vitesse/attitude.
  • Tight coupling (A022, A045) : intégration directe des pseudo-distances GNSS, gestion fine du bruit et du SNR.
  • Ultra-tight (A011) : fusion du tracking loop GNSS et de l’INS.

2.2 Filtres et modèles

  • EKF/UKF/IEKF (Liu2023, Yadav2017, InvariantFiltering2024).
  • Filtre invariant (Chauchat 2024) — stabilité accrue sur SO(3).
  • Filtre multi-modèles à consensus MMKF (Mafi2025), robuste en milieu urbain.
  • FDI/AFISR (Zhang2020) — détection et isolation de défauts GNSS.
  • Fusion inertielle + vecteurs tangents + map-matching (Pop2020) — contrainte de pose sur graphe routier.
  • Fusion IMU + odomètre pour GNSS blackouts prolongés (Zhu2020).

2.3 Calibration et prétraitements

  • Calibration IMU sans banc (Tedaldi, Lotters, Chen).
  • Alignement smartphone ↔ véhicule (Wahlstrom2016).
  • Apprentissage des modèles d’erreurs MEMS (Han2020).

2.4 Simulation et validation

  • Génération inertielle 10 Hz (Young2011-IMUSim, RS3).
  • Scénarios dégradés : pertes GNSS, glissades β, freinages, tunnels.
  • Export standardisé Telemachus (RFC-0007, RFC-0009) pour reproductibilité.

3. Réalisations majeures

3.1 Développement d’un pipeline open-source complet RS3 → fusion → Telemachus

  • Simulation inertielle multi-capteurs (IMU MEMS, GNSS réel/bruité).
  • Basculement automatique des modes fusion (GNSS disponible / dégradé / blackout).
  • Implémentation EKF 15 états + MMKF + FDI.

3.2 Validation croisée sim2real

  • Comparaison trajectoires RS3 vs enregistrements smartphone 10 Hz.
  • Robustesse démontrée :
    • tenue de la pose pendant 20–60 s de blackout GNSS,
    • réduction du drift attitude par modèle invariant,
    • stabilisation en milieu urbain via MMKF.

3.3 Contribution scientifique et normalisation

  • Utilisation systématique du manifest Telemachus (RFC-0007) pour garantir reproductibilité.
  • Intégration de champs qualité GNSS/IMU (RFC-0005).
  • Ouverture publique des algorithmes et des données (GitHub + WordPress RS3).

4. Apports originaux

  • Pipeline complet open-source aligné RS3 → Telemachus → fusion scientifique.
  • Méthode d’évaluation sim2real pour valider les algorithmes GNSS/IMU.
  • Robustesse renforcée via combinaison matière :
    • inertial + modèle dynamique véhicule + HMM map-matching,
    • MMKF consensus pour environnements GNSS-denied.
  • Cadre reproductible pour tests de fusion, rare dans l’industrie télématique.
  • Alignement inertiel smartphone, permettant navigation low-cost sans CAN.

5. Réflexivité et apprentissages

Cette compétence illustre ma capacité à :

  • intégrer des apports théoriques avancés dans un pipeline opérationnel,
  • faire converger simulation, données terrain et standardisation,
  • produire des contributions diffusables, reproductibles et évaluables,
  • structurer un projet open-science autour d’algorithmes de fusion évolutifs.

Elle constitue un pilier du dossier scientifique VAE (C3), démontrant une maîtrise des fondements, des architectures modernes et des enjeux industriels.

6. Pièces justificatives

  • Fiches A011, A012, A022, A021, A034, A035, A036, A037, A038, A045.
  • Prototype fusion RS3 (GitHub).
  • RFC-0005, RFC-0007, RFC-0009 (Telemachus).
  • Billets B004, B006, B009 (vulgarisation et transfert).
  • Jeux de données RS3 → Telemachus.
Réseau 0 sortants 29 entrants

Sources · Liens sortants

Aucun lien explicite détecté.

Cité par · Liens entrants

  • A011 — A Comprehensive Review on GNSS/INS Integration for Vehicle Navigation
  • A012 — Hybrid Consensus Multi-Model Kalman Filter for Robust Sensor Fusion (Mafi, 2025)
  • A014 — Random Error Reduction Algorithms for MEMS Inertial Sensor Accuracy Improvement — A Review
  • A015 — Improved GPS/IMU Loosely Coupled Integration Scheme
  • A020 — Cooperative Local Trajectory Localization and Map-Aware GNSS/INS for Intelligent Vehicles
  • A021 — Multi-Sensor Vehicle Localization and Control in Urban Environments
  • A027 — A Comprehensive Review of GNSS/INS Integration Techniques for Land and Air Vehicles
  • A034 — Smartphone to Vehicle Positioning Alignment
  • A035 — GPS/INS EKF (15-state) for GNSS outages
  • A036 — Hybrid Kalman + Tangent Vectors + Map Matching
  • A037 — MIMU + Odometer Fusion for Long GNSS Blackouts
  • A038 — Smartphone Sensor Accuracy — Survey
  • A044 — IMUSim: Simulation Environment for Inertial Sensing
  • A046 — Inertial Sequence Vehicle Speed Estimation
  • A048 — Integrating Satellite and Inertial Navigation – Conventional and New Fusion Approaches
  • A050 — Model-based vs Data-driven Estimation of Vehicle Sideslip Angle
  • A052 — UAV Data-Driven Modeling Software with Integrated 9-Axis IMU–GPS Sensor Fusion
  • A053 — Angle Robustness Unmanned Aerial Vehicle Navigation in GNSS-Denied Scenarios
  • A054 — Joint Optimization Targetless Calibration for Multi-LiDAR + GNSS/INS
  • A055 — Incorporating GNSS with LiDAR–Inertial Odometry for Accurate Land-Vehicle Localization
  • A056 — GPS-IMU Sensor Fusion for Reliable Autonomous Vehicle Position Estimation
  • A057 — A LiDAR-Inertial SLAM Tightly-Coupled with Dropout-Tolerant GNSS Fusion for Autonomous Mine Service Vehicles
  • A058 — A robust and easy-to-implement method for IMU calibration without external equipment
  • A060 — GNSS Measurement-Based Context Recognition for Vehicle Navigation using GRU
  • AR019 — FusionOdometer – Tenir pendant les blackouts GNSS (Zhu 2020)
  • AR021 — AngleNav – Navigation par commande d’angle en GNSS-denied
  • B009 — Filtrage invariant GNSS IMU : approche robuste de localisation RS3
  • B017 — Détection d’Événements de Conduite par IMU : Vers une Intelligence Embarquée Fiable
  • L025 — 🔬 Gyroscope oublié = données amputées