Fusion GNSS–IMU–LiDAR pour Véhicules Autonomes : L’Approche Qin 2023

La fusion GNSS IMU LiDAR véhicule autonome constitue une avancée majeure pour garantir la précision et la continuité du positionnement en conduite autonome. Qin et al. (2023) ont proposé un modèle de fusion multisources combinant GNSS, centrale inertielle (IMU) et données LiDAR. Leur objectif est clair : obtenir une estimation robuste dans tous les environnements, y compris ceux où le signal GNSS est dégradé.

Pourquoi fusionner ces capteurs ?

Chaque capteur présente des limites. Le GNSS peut être perturbé par les bâtiments ou les tunnels. L’IMU, bien que très réactive, dérive dans le temps. Quant au LiDAR, il est sensible à la météo et aux reflets. Leur fusion permet de compenser les faiblesses de chacun. Ainsi, l’algorithme proposé par Qin applique un filtre de Kalman étendu, avec une pondération dynamique selon la qualité des signaux entrants.

Quels bénéfices concrets pour la navigation ?

Le système testé par les auteurs montre une erreur de localisation réduite à moins de 10 cm dans des conditions mixtes. Cette précision est obtenue sans carte HD. L’approche fonctionne aussi bien en ville qu’en zone périurbaine. Elle représente une alternative efficace aux systèmes lourds de cartographie a priori.

Application dans RoadSimulator3

Le simulateur RoadSimulator3 peut intégrer ce type de fusion pour simuler des comportements réalistes. Cette méthode renforce la cohérence inertielle même lors de coupures GNSS temporaires.

Référence scientifique

Qin, H., Zhang, Y., & Li, X. (2023). Multi-source Vehicle Localization Using GNSS/IMU/LiDAR Fusion with Adaptive Kalman Filtering. https://doi.org/10.1016/j.trc.2023.104180

👉 Découvrez aussi notre article sur la fusion GNSS–IMU pour la navigation autonome ou notre analyse du détecteur inertiel embarqué.

Données LiDAR fusionnées à une trajectoire GPS–IMU – Source : Wikimedia

Mots-clés : GNSS, IMU, LiDAR, fusion de capteurs, navigation autonome, Qin 2023, Kalman, localisation véhicule, RoadSimulator3