lang: fr mainfont: “Libertinus Serif” monofont: “Libertinus Mono” mathfont: “Libertinus Math” bibliography: [“biblio.bib”] csl: ieee.csl graphics: true tables: true numbersections: true documentclass: scrartcl classoption: [DIV=10, numbers=noendperiod] papersize: letter header-includes:

• “\KOMAoption{captions}{tableheading}”
• “\usepackage{eso-pic}”
• “\usepackage{float}”
• “\floatplacement{figure}{H}”
• “\floatplacement{table}{H}”
• “\usepackage{fancyhdr}”
• “\pagestyle{fancy}”
• “\fancyhf{}”
• “\rfoot{\thepage}”
• “\usepackage{etoolbox}”
• | } }
• “\widowpenalty=10000”
• “\clubpenalty=10000”
• “\renewcommand{\figurename}{Figure}”
• “\renewcommand{\tablename}{Tableau}“

Introduction : Vers une simulation inertielle réaliste et dynamique

Les travaux menés dans la thèse précédente ont permis d’établir les fondations d’un pipeline robuste de fusion GPS/IMU et de détection d’événements inertiels, appliqué à l’analyse du comportement de conduite en environnement réel. Cette première étape a démontré la faisabilité d’une acquisition fiable des signaux inertiels et leur exploitation dans des contextes variés, notamment pour caractériser des manœuvres spécifiques ou évaluer la qualité de conduite.

Cependant, malgré ces avancées, plusieurs limites subsistaient, notamment en ce qui concerne :

• la simulation réaliste de trajectoires à haute fréquence (10 Hz),
• la continuité spatio-temporelle des signaux simulés,
• et la prise en compte explicite de la dynamique réelle du véhicule.

En particulier, les trajectoires générées ne tenaient pas compte de la vitesse cible comme paramètre directeur, ni des ajustements nécessaires sur la densité des points GPS (ajouts/suppressions) pour maintenir une cohérence inertielle crédible.

🧭 Changement de paradigme : la reprojection dynamique

La présente thèse s’inscrit dans la continuité de ces travaux, tout en introduisant un changement de paradigme fondamental : la reprojection dynamique des trajectoires simulées à haute fréquence. Cette notion désigne ici un processus de reconstruction spatio-temporelle réaliste des signaux GPS et IMU, dans lequel chaque point simulé est recalculé dynamiquement en fonction :

• de la vitesse cible et de la topologie de la route,
• des contraintes dynamiques du véhicule,
• et des effets inertiels associés aux événements simulés (accélérations, freinages, dos d’âne…).

Il ne s’agit donc pas d’une simple interpolation GPS ou d’une génération synthétique des données IMU, mais bien d’un processus itératif et contraint, assurant une cohérence multi-échelle (localement inertielle, globalement géographique).

Méthodologie proposée

La méthode repose sur quatre axes méthodologiques majeurs :

• Modélisation dynamique centrée sur la vitesse cible, permettant de piloter la simulation inertielle à partir d’un profil de vitesse réaliste.
• Reprojection spatio-temporelle des données GPS et inertielle, assurant une densité de points compatible avec la dynamique du véhicule et une cohérence entre positions, vitesses, orientations et accélérations simulées.
• Intégration des contraintes physiques du véhicule, garantissant une transition fluide entre les phases d’accélération, de croisière et de freinage.
• Validation rigoureuse de la cohérence multi-capteurs, à travers des indicateurs inertiels synthétiques et des métriques de continuité spatio-temporelle.

Perspectives

Ces contributions ouvrent la voie à une nouvelle génération de simulateurs embarqués, capables de produire des trajectoires réalistes à 10 Hz, intégrant inertie, orientation et géoréférencement cohérent, et utilisables pour l’entraînement, la validation ou la robustesse des algorithmes embarqués dans les véhicules intelligents.

Contexte et enjeux des systèmes de navigation embarqués et de la télématique véhicules

Les systèmes de navigation embarqués et les dispositifs de télématique jouent un rôle fondamental dans le développement des véhicules intelligents, qu’ils soient connectés ou autonomes. Ils permettent la collecte, l’analyse et la transmission en temps réel de données géolocalisées, de vitesses instantanées et de mesures issues des capteurs inertiels. Ces informations sont essentielles pour améliorer la sécurité, optimiser la logistique, et affiner l’analyse des comportements de conduite.

Systèmes de navigation embarqués

Les modules de navigation embarqués s’appuient le plus souvent sur la fusion de données issues du GNSS (Global Navigation Satellite System) et d’unités de mesure inertielle (IMU). Cette complémentarité permet de pallier les limites intrinsèques de chaque capteur : interruptions de signal GNSS en zones obstruées (tunnels, canyons urbains) d’une part ; dérive temporelle et bruit des IMU bas coût d’autre part alaba (2024), farrellGlobalPositioning (1998). La fusion capteur permet ainsi de maintenir une estimation robuste de la trajectoire, même en environnement partiellement dégradé.

Télématique embarquée

La télématique embarquée complète ces fonctions en intégrant des dimensions contextuelles et comportementales. Elle permet par exemple de détecter les phases de conduite (accélération, freinage, virage), les franchissements d’obstacles (dos d’âne, trottoir, nid de poule), ou encore les arrêts prolongés. Ces signaux sont exploités dans des contextes variés : gestion de flotte, maintenance prédictive, détection d’anomalies, ou modélisation comportementale fan (2019), hansson (2021).

Enjeux principaux

• Robustesse et précision : garantir une estimation fiable de la position et de l’accélération malgré les perturbations environnementales (multipath GNSS, vibrations, capteurs bruités).
• Réactivité en temps réel : assurer une latence minimale pour répondre aux besoins des systèmes embarqués critiques (ADAS, navigation autonome).
• Analyse comportementale : exploiter les signaux inertiels pour identifier les manœuvres significatives ou potentiellement dangereuses.
• Interopérabilité : assurer une compatibilité avec les protocoles et standards télématiques (MQTT, CAN, HTTP), ainsi qu’avec les plateformes métier (Fleet Complete, Geotab, etc.).

Ces enjeux justifient le recours à des méthodes de simulation avancées, capables de reproduire fidèlement la dynamique d’un véhicule à haute fréquence (10 Hz), tout en injectant des événements inertiels réalistes pour valider la robustesse des traitements aval.

Importance de la simulation réaliste pour le développement des systèmes ADAS et autonomes

La simulation réaliste de trajectoires véhicules, incluant des données GPS et IMU fidèles, est devenue un pilier essentiel dans le développement et la validation des systèmes avancés d’aide à la conduite (ADAS) et de la conduite autonome. Elle permet de créer des environnements de test variés, cohérents sur le plan physique, et difficilement reproductibles en conditions réelles.

Rôle stratégique de la simulation

• Réduction des coûts et des risques : les tests virtuels permettent d’évaluer les algorithmes de perception, de fusion sensorielle et de prise de décision dans un cadre sûr, sans exposition des véhicules ou des usagers.
• Génération de scénarios critiques : la simulation offre la possibilité de modéliser des situations extrêmes ou rares (freinage d’urgence, virages serrés, franchissement d’obstacles) difficiles à observer sur route fan (2019), farrellGlobalPositioning (1998).
• Calibration accélérée : ajustement rapide des paramètres de contrôle et évaluation de la sensibilité des algorithmes avant toute expérimentation réelle.
• Validation de la robustesse : capacité à tester les systèmes sur des signaux bruités, simulant des défaillances capteurs ou des environnements hostiles.

Critères de crédibilité pour une simulation inertielle

Pour être exploitable, une simulation inertielle réaliste doit :

• Reproduire fidèlement les profils dynamiques du véhicule (vitesse, accélérations, virages) avec une résolution temporelle élevée.
• Maintenir une cohérence spatio-temporelle stricte à 10 Hz, sans discontinuité entre GPS, inertie et temps simulé.
• Intégrer des modèles réalistes d’erreurs capteurs (bruit GNSS, dérive IMU, biais gyroscopiques), conformes à la littérature hemerly (2017).
• Permettre l’injection contrôlée d’événements inertiels typiques (freinage, dos d’âne, accélération, nid de poule, trottoir), simulés de manière plausible et localisée.

Dans ce contexte, la présente thèse développe une approche intégrée de simulation inertielle, combinant :

• une interpolation temporelle dynamique,
• une modélisation réaliste des profils d’accélération,
• une injection cohérente d’événements inertiels ponctuels.

Ce cadre permet de produire des trajectoires synthétiques crédibles et exploitables pour la validation algorithmique des systèmes ADAS et autonomes, tout en respectant les contraintes des plateformes embarquées.

Limites des approches classiques basées uniquement sur interpolation GPS ou inertielle

Les approches traditionnelles de simulation ou de reconstruction de trajectoires s’appuient fréquemment sur des interpolations simples (linéaires ou par splines) des points GPS, ou sur des modèles inertiels élémentaires. Bien que largement répandues, ces méthodes révèlent rapidement leurs limites lorsqu’il s’agit de générer des trajectoires à haute fréquence cohérentes avec la dynamique réelle du véhicule.

Principales limitations

• Incohérence dynamique : les interpolations GPS classiques ignorent les contraintes physiques du véhicule (accélération, décélération, rayon de braquage), conduisant à des trajectoires irréalistes almazan (2013).
• Modélisation inertielle insuffisante : les signaux IMU sont intrinsèquement bruités et sujets à dérive. Leur interpolation linéaire ne reproduit pas fidèlement les profils inertiels attendus, ni leur lien avec la cinématique farrellGlobalPositioning (1998).
• Fréquences et désynchronisations : les capteurs GNSS et IMU fonctionnent à des fréquences distinctes (1 Hz vs 10–100 Hz) et peuvent être désynchronisés. L’interpolation ne suffit pas à garantir l’alignement temporel nécessaire hansson (2021).
• Mauvaise représentation des événements dynamiques : les phases critiques de conduite (freinage, accélération, franchissement d’obstacles) sont lissées voire effacées par les interpolations, nuisant à la détection d’événements fan (2019).
• Accumulation d’erreurs : sans recalage ou fusion robuste, les erreurs de position et les dérives inertielle s’amplifient, réduisant la validité des simulations alaba (2024).

Conséquences pour la simulation

Ces limitations entraînent des trajectoires artificielles, inconsistantes avec la réalité physique, et peu exploitables pour la validation de systèmes embarqués. Elles entravent la détection d’événements inertiels et faussent les analyses comportementales ou énergétiques. D’où la nécessité d’une approche de simulation plus dynamique, cohérente et centrée sur les contraintes physiques du véhicule.

Problématique générale : ajuster dynamiquement la trajectoire (positions, temps, inertie) selon un profil de vitesse cible

Dans le développement de simulateurs réalistes pour véhicules, il est crucial de générer des trajectoires cohérentes non seulement du point de vue spatial, mais aussi temporel et inertiel. Une trajectoire simulée ne peut se limiter à des coordonnées géographiques : elle doit respecter un profil de vitesse cible, imposé par la topologie de la route, les règles de circulation ou les scénarios de conduite envisagés.

Enjeux principaux

• Synchronisation spatio-temporelle : il ne suffit pas d’imposer une vitesse instantanée. Il faut également adapter la répartition temporelle des points de trajectoire pour maintenir une fréquence fixe (par exemple 10 Hz), tout en respectant les variations de vitesse et les accélérations cohérentes avec le comportement du véhicule grovesPrinciples (2013).

• Cohérence inertielle : les signaux simulés d’accélération et de rotation doivent refléter fidèlement les transitions de dynamique (accélération, virage, freinage). Cela est indispensable pour valider les algorithmes embarqués ou tester la robustesse des capteurs hemerly (2017).

• Résolution adaptative : l’algorithme doit ajuster la densité des points selon la complexité dynamique locale. Une interpolation fine est requise en phase transitoire (démarrage, freinage, virage), tandis qu’un échantillonnage allégé suffit en phase de croisière huang (2019).

• Réalisme physique et comportemental : la trajectoire générée doit respecter les contraintes physiques du véhicule (limites d’accélération, rayon de braquage) et intégrer des événements de conduite réalistes (dos d’âne, freinage, contournement, arrêts) fan (2019).

Objectif scientifique

L’objectif de cette thèse est de concevoir un algorithme de reprojection dynamique capable d’ajuster une trajectoire initiale à un profil de vitesse cible, tout en garantissant la cohérence spatiale, temporelle et inertielle. Cette reprojection dynamique constitue le socle de toute simulation haute fréquence exploitable pour la validation des systèmes ADAS ou la conduite autonome virtuelle qiu (2023).

Objectifs de la thèse et contributions attendues

Objectifs généraux

• Développer un algorithme original de reprojection dynamique des trajectoires GPS/IMU à partir d’un profil de vitesse cible, capable d’ajuster à la fois la fréquence temporelle et la densité spatiale, tout en respectant les contraintes physiques du véhicule grovesPrinciples (2013).

• Garantir une cohérence spatio-temporelle et inertielle complète, en recalculant les positions, timestamps, accélérations (linéaires et angulaires), et orientations, dans le respect des lois dynamiques du mouvement hemerly (2017), fan (2019).

• Simuler des événements inertiels réalistes (accélérations vives, freinages, virages, franchissements d’obstacles), afin de rendre les trajectoires crédibles et exploitables pour la validation de systèmes ADAS et de navigation autonome qiu (2023).

Contributions attendues

• Un modèle algorithmique avancé de densification et de simplification adaptative des trajectoires, reposant sur la vitesse cible et les contraintes dynamiques locales huang (2019).

• Une méthode réaliste de recalcul inertiel, incluant des modèles de bruit stochastique et systématique inspirés des IMU de classe MEMS, pour reproduire fidèlement les profils d’accélération et de rotation hemerly (2017).

• Une validation expérimentale complète, reposant sur la comparaison avec des données réelles et des méthodes de référence, afin de quantifier les apports en précision, réalisme inertiel et robustesse alaba (2024).

• Un cadre logiciel modulaire, documenté et extensible, intégrable dans des simulateurs embarqués ou des plateformes de tests pour systèmes intelligents, et adapté à une utilisation scientifique ou industrielle qiu (2023).

• Une analyse critique et prospective, portant sur les extensions envisageables : fusion GNSS-IMU, traitement en environnements dégradés, intégration d’autres capteurs (odomètre, LiDAR), et adaptation à des scénarios complexes (zones urbaines, conduite agressive) zhao (2020), han (2024).

Organisation de la thèse

La présente thèse est structurée en huit chapitres, chacun correspondant à une étape clé du développement, de l’implémentation et de la validation de la méthode de reprojection dynamique des trajectoires GPS/IMU à haute fréquence. L’organisation suit une progression logique, allant des fondements conceptuels jusqu’aux perspectives applicatives.

• Chapitre 1 – Introduction générale
  Présente le contexte scientifique, les enjeux de la simulation inertielle haute fréquence, et introduit la problématique de la reprojection dynamique, en lien avec les systèmes ADAS et la navigation autonome.

• Chapitre 2 – État de l’art
  Dresse un panorama des approches existantes en fusion GNSS/IMU, des méthodes classiques de simulation de trajectoires, et des modèles de dynamique véhicule et d’inertie.

• Chapitre 3 – Modélisation mathématique
  Formalise les équations de la trajectoire enrichie (position, vitesse, temps, inertie), les contraintes physiques du véhicule, ainsi que les modèles de bruit GNSS/IMU utilisés dans la simulation.

• Chapitre 4 – Algorithme de reprojection dynamique
  Décrit l’algorithme principal de densification, d’ajustement temporel, et de recalcul des composantes inertielle (accélérations, orientations), à partir d’un profil de vitesse cible.

• Chapitre 5 – Implémentation logicielle
  Présente l’architecture du simulateur développé (RoadSimulator3), les choix logiciels, les modules d’injection de bruit inertiel, et les outils de visualisation associés.

• Chapitre 6 – Validation expérimentale
  Analyse la qualité et la cohérence des trajectoires simulées sur différents jeux de données, et compare les résultats avec des méthodes de référence issues de la littérature.

• Chapitre 7 – Applications et perspectives
  Décrit les cas d’usage envisagés (simulateurs embarqués, ADAS, validation virtuelle), et explore les extensions possibles : multi-capteurs, environnements GNSS dégradés, et données réelles.

• Chapitre 8 – Conclusion générale
  Fait la synthèse des apports méthodologiques et scientifiques de la thèse, et ouvre vers de nouvelles perspectives de recherche autour de la simulation inertielle et de la validation de trajectoires.