Référence complète :
Chen Y., Ge Z., Meng X. (2023). Advanced Vehicle Localization Framework based on Multi-Sensor Integration. ASTES Journal, Vol. 8, Issue 2, pp. 1–10.

🧭 Contexte et objectifs

L’article propose un cadre avancé de localisation véhicule basé sur l’intégration de plusieurs capteurs — principalement GNSS, IMU et odométrie — afin d’améliorer la robustesse et la précision en conditions dégradées (tunnels, milieux urbains, vibrations).

⚙️ Méthodologie et contributions

• Architecture de fusion hiérarchique :
  1. Pré-traitement des capteurs (synchronisation, calibration dynamique, rejet d’outliers).
  2. Fusion primaire GNSS/IMU via un filtre de Kalman étendu (EKF).
  3. Correction secondaire par odométrie pour stabiliser la vitesse et la position.
• Adaptation du modèle d’état pour gérer la dérive gyroscopique et le biais accéléromètre.
• Ajustement automatique de la covariance Q/R selon la qualité GNSS mesurée.

🔬 Résultats et expérimentations

• Tests effectués sur véhicule réel et sur banc simulé MATLAB/Simulink.
• Amélioration de 25–30 % de la précision de localisation par rapport à une fusion GNSS/IMU classique.
• Temps de calcul compatible embarqué (< 1 ms par itération).

🧩 Apports pour RS3 et Telemachus

• Fournit un schéma de fusion directement transposable dans RS3-core2, notamment pour le module IMUProjector et la validation du NoiseInjector.
• Sert de référence pour les champs fusion_confidence, sensor_quality et kalman_structure dans Telemachus.
• Appui scientifique pour P002 (Hybrid Kalman Filtering) et P004 (Fusion GNSS/INS robuste).

📚 Références associées

• Liu2023-GNSSINSReview
• Mafi2025-ConsensusMMKF
• Han2020-MEMSRandomErrorReview
• Wagner2001-GPSINSConventionalFusion
• Yadav2017-GPSINSKalman
• Pop2020-HybridKalmanTangentMapMatching

🏁 Citation Zotero

Chen, Y., Ge, Z., & Meng, X. (2023). Advanced Vehicle Localization Framework based on Multi-Sensor Integration. ASTES Journal, 8(2), 1–10.