Chapitre 1 : État de l’art

Systèmes embarqués, télématique et navigation

Les systèmes embarqués de navigation modernes reposent sur une intégration étroite entre plusieurs composants essentiels : les capteurs (GNSS, IMU), les unités de calcul embarquées (ECU, SBC), et les modules de communication télématique (4G, 5G, V2X). Cette synergie vise à garantir une estimation continue, précise et robuste de la trajectoire du véhicule, en temps réel, y compris dans des environnements complexes.

Parmi ces composants, la fusion des données GNSS/IMU constitue une brique centrale, permettant de tirer parti des forces complémentaires de chaque capteur.

Méthodes classiques de fusion inertielle

La combinaison des mesures GNSS (Global Navigation Satellite System) et IMU (Inertial Measurement Unit) permet d’estimer la position, la vitesse, l’orientation et les dérivées d’un véhicule de manière robuste. Les approches dominantes reposent sur des filtres bayésiens, notamment le filtre de Kalman étendu (EKF) et le filtre unscented (UKF), adaptés à des systèmes dynamiques non linéaires.

L’IMU fournit des mesures à haute fréquence (≥100 Hz), capturant la dynamique fine du mouvement. Cependant, ses mesures sont affectées par des biais et du bruit, entraînant une dérive intégrative. À l’inverse, le GNSS offre des positions absolues précises à plus basse fréquence (1–10 Hz), mais sensibles aux coupures de signal, aux effets multipath et aux interférences.

La fusion vise donc à :

• Lisser les mesures GNSS avec l’inertie fine,
• Corriger la dérive inertielle par des positions absolues,
• Maintenir une continuité même en cas de perte GNSS.

Trois grandes classes d’architectures sont classiquement rencontrées :

• Loosely coupled : la position GNSS est injectée en correction d’un filtre inertiel indépendant.
• Tightly coupled : les mesures GNSS brutes (pseudodistances) sont fusionnées directement dans le filtre.
• Centralisé : toutes les entrées capteurs sont traitées simultanément dans un filtre global.

Ces méthodes sont présentées en détail dans qiu (2023), alaba (2024), fan (2019).

Limites pratiques des systèmes de fusion GNSS/IMU

Malgré leur efficacité démontrée, ces approches présentent des limites critiques en environnement réel :

• Désynchronisation temporelle : Des écarts d’horloge entre capteurs peuvent introduire des déphasages, biaisant les estimations farrell (1998).

• Instabilité des IMU MEMS : Les unités inertielle basées sur des capteurs MEMS présentent du bruit blanc, du drift thermique, des biais variables, et des erreurs stochastiques modélisées via des processus complexes hemerly (2017).

• Dégradation GNSS en environnement contraint : En milieu urbain dense, forêt, tunnel ou canyon urbain, les signaux GNSS sont perturbés voire absents, rendant la fusion instable alaba (2024).

• Modèles de mouvement trop simplifiés : Les modèles inertiels linéarisés échouent à capter des événements tels que les freinages d’urgence, les virages serrés ou les changements de voie brusques qiu (2023).

• Hypothèses probabilistes inadaptées : Les modèles classiques supposent des bruits gaussiens, ce qui n’est pas valide en cas d’événements extrêmes (nids-de-poule, dos d’âne, chocs latéraux), où des distributions non gaussiennes apparaissent hemerly (2017).

Enjeux pour la simulation haute fréquence

Face à ces limites, la simulation réaliste de trajectoires GPS/IMU à haute fréquence (≥10 Hz) émerge comme une alternative ou un complément utile. En contrôlant les sources d’erreur, les conditions de mouvement, et les événements inertiels, elle permet :

• d’évaluer les performances des algorithmes de fusion,
• de tester la robustesse des détecteurs d’événements,
• et d’analyser la réponse dynamique d’un système embarqué.

C’est précisément l’objectif du projet RoadSimulator3, dont les chapitres suivants détaillent la conception, la validation et les applications. La simulation y est abordée non comme une simple reproduction, mais comme un outil de compréhension, de stress-test et d’analyse inertielle avancée.

Simulation de trajectoires GPS et inertielle

La simulation réaliste de trajectoires GPS/IMU constitue un levier clé pour la validation des algorithmes embarqués (fusion, détection, prédiction), notamment dans des contextes où les données réelles sont coûteuses, bruitées, ou difficiles à collecter de manière exhaustive. Elle permet de reproduire finement les dynamiques d’un véhicule et les perturbations associées, tout en maîtrisant le niveau de bruit et de complexité inertielle injecté.

Approches classiques d’interpolation et d’extrapolation

Les méthodes classiques de génération de trajectoires synthétiques reposent sur des techniques d’interpolation ou d’extrapolation, appliquées aux données GPS et IMU :

• Interpolation linéaire ou spline des coordonnées GPS entre deux points connus,
• Extrapolation temporelle basée sur la dynamique estimée, souvent à l’aide de filtres bayésiens (Kalman, particules),
• Reconstruction de vitesse et heading à partir des dérivées premières et secondes des positions interpolées.

Ces techniques visent à augmenter la fréquence effective des données brutes, indispensable pour les coupler aux mesures IMU haute fréquence barShalomEstimation (2001), grovesPrinciples (2013).

Lorsque la trajectoire contient des segments courbes, virages ou sinuosités, l’interpolation doit être contrainte par la géométrie du réseau routier et la cinématique du véhicule. Des approches avancées comme l’interpolation géodésique, les splines B-splines adaptatifs, ou les modèles cinématiques contraints sont alors préférées vandewalleGeometricTools (2017).

Simulation réaliste d’événements dynamiques

Un aspect central de la simulation réside dans la reproduction fidèle des événements dynamiques du véhicule. Ces événements – accélération, freinage, virage, ou passage sur une irrégularité – génèrent des signatures caractéristiques dans les mesures IMU (acc_x, acc_y, acc_z, gyro).

Pour chaque type d’événement, on injecte une signature inertielle synthétique respectant :

• la direction et l’intensité de l’accélération attendue (positive ou négative),
• la durée de l’événement (souvent 0.5–2 s à 10 Hz),
• les effets couplés sur les gyroscopes (gyro_x, gyro_y) et les axes latéraux/verticaux.

Ces profils sont dérivés de données terrain ou de modèles physiques calibrés. Ils permettent d’évaluer la capacité d’un système embarqué à détecter automatiquement ces événements et à déclencher des alertes ou des actions correctives fan (2019), smithVehicleSimulation (2019).

Les approches les plus avancées utilisent des modèles probabilistes ou stochastiques, intégrant :

• les incertitudes liées aux capteurs (bruit blanc, biais, dérive),
• les contraintes mécaniques (limites d’adhérence, suspensions),
• les variations réalistes de comportement conducteur (freinages doux, accélérations violentes),
• et les perturbations externes (trottoirs, nids de poule, ralentisseurs) mengSensorModeling (2003), fanelliStochasticIMU (2020).

Respect des contraintes physiques et numériques

Une simulation crédible impose le respect de contraintes dynamiques, physiques et spatio-temporelles, afin d’éviter les dérives irréalistes :

• Accélération longitudinale réaliste : entre –6 m/s² et +3 m/s² selon les événements simulés.
• Accélération latérale cohérente : en lien avec le rayon de courbure de la trajectoire.
• Vitesse adaptée au contexte : tenant compte du type de route (autoroute, urbain), du trafic simulé, et des règles locales.
• Fréquence d’échantillonnage fixe (10 Hz) : nécessaire pour capturer les micro-événements sans aliasing.
• Cohérence inter-capteurs : synchronisation parfaite des signaux GPS, IMU et heading (cap), indispensable pour les algorithmes de fusion et de recalage inertiel.

L’ensemble de ces contraintes est intégré dans la pipeline logicielle de RoadSimulator3, garantissant une simulation réaliste, exploitable et contrôlable. Elle permet ainsi de reproduire des profils complexes en toute maîtrise, avec injection contrôlée d’événements et de bruit, tout en assurant une compatibilité avec les standards de validation embarquée crassidisOptimalEstimation (2012), kayStatisticalSignal (1993).

Modélisation des profils de vitesse et du comportement dynamique

Modèles de vitesse cible en fonction du contexte routier

La vitesse cible d’un véhicule dépend étroitement du contexte routier, incluant le type d’infrastructure (autoroute, route principale, voie résidentielle), les limitations réglementaires, la topographie, la sinuosité, les conditions de circulation ou encore la présence d’obstacles.

Les modèles modernes de vitesse cible prennent en compte ces facteurs sous forme de profils paramétrés ou de champs spatiaux continus. Ils peuvent être dérivés de règles fixes (limitation par type de voie), enrichis de contraintes dynamiques (virages, dénivelés) ou ajustés à partir de données historiques (trafic, comportement de conduite) robertDriverModeling (2018), chenDynamicCalibration (2020).

Par exemple :

• Sur autoroute, la vitesse cible reste élevée et relativement constante (~110 km/h).
• En zone urbaine, elle diminue fortement (~30 km/h) et devient plus variable.
• En cas de sinuosité ou de ralentisseurs (dos d’âne, virages serrés), elle est localement réduite, souvent modélisée par des fonctions logarithmiques ou exponentielles.

L’intégration de ces variations est essentielle pour produire des trajectoires compatibles avec la réalité routière et les capacités dynamiques du véhicule vandewalleGeometricTools (2017), fan (2019).

Impact sur la dynamique simulée

Les variations de la vitesse cible influencent directement :

• La fréquence et la densité des points GPS simulés.
• Le profil d’accélération longitudinal et latéral.
• Le réalisme inertiel global de la trajectoire.

Lorsque la vitesse diminue, la trajectoire doit être rééchantillonnée pour préserver la résolution temporelle (ex. 10 Hz) sans altérer la cohérence dynamique. Cela implique une interpolation temporelle et spatiale adaptée, respectant les limites d’accélération et les comportements inertiels typiques grovesPrinciples (2013), smithVehicleSimulation (2019).

Une modélisation précise des profils de vitesse permet également :

• d’injecter des signatures inertielle réalistes (freinage, dos d’âne, nids de poule),
• de tester la détection automatique d’événements,
• de renforcer la robustesse des algorithmes embarqués en contexte simulé mengSensorModeling (2003), fanelliStochasticIMU (2020).

Tableau – Profils de vitesse cible par type de route

Modèle mathématique simplifié – ajustement local de la vitesse cible

Pour modéliser l’ajustement de la vitesse cible $v_{cible}(s)$ en fonction de la courbure $\kappa(s)$ et de la pente $\alpha(s)$ :

où :

• $v_{max}$ : vitesse maximale contextuelle (par type de route),
• $\lambda_1$, $\lambda_2$ : coefficients réglables,
• $\kappa(s)$ : courbure locale de la trajectoire,
• $\alpha(s)$ : pente locale de la route.

Ce modèle permet un ajustement continu de la vitesse cible selon la sinuosité et l’inclinaison, en cohérence avec les capacités dynamiques du véhicule.

Transition

Ce profil de vitesse modulé en continu sert de base au calcul des accélérations longitudinales simulées (acc_x), latérales (acc_y) et gyroscopiques (gyro_z), détaillés dans les chapitres 4 et 5.

Synthèse critique et lacunes identifiées

Manque d’approches intégrées conciliant dimensions spatiale, temporelle, inertielle et comportementale

Malgré les avancées notables en modélisation de trajectoires GPS et IMU, la littérature met en évidence un déficit d’approches holistiques capables d’unifier les quatre dimensions essentielles d’une trajectoire réaliste : position, temps, inertie et comportement.

La plupart des méthodes actuelles traitent ces dimensions de manière isolée :

• Spatialement, par des interpolations géographiques (splines, linéaires) sur les données GNSS.
• Temporellement, via des profils de vitesse ou d’accélération simplifiés et souvent non contraints.
• Inertiellement, par des signaux IMU simulés ou filtrés sans lien fort avec les contraintes physiques du mouvement.
• Comportementalement, à l’aide de règles ou d’événements ponctuels appliqués localement, sans intégration dynamique.

Cette séparation engendre des incohérences fréquentes : accélérations irréalistes, désynchronisation entre vitesse et inertie, erreurs sur les timestamps ou dérives comportementales. Peu de publications proposent une méthodologie unifiée optimisant simultanément la densité spatiale, la cohérence inertielle et le réalisme comportemental sur l’ensemble d’un trajet.

Les rares travaux interdisciplinaires se limitent souvent à des cas d’usage étroits (freinage, virage, changement de voie) ou restent à l’état conceptuel, sans démonstration d’une chaîne logicielle robuste grovesPrinciples (2013), fan (2019).

Verrous techniques et scientifiques identifiés

La mise en œuvre d’une simulation réaliste multi-échelle fait face à plusieurs verrous :

• Synchronisation temporelle multi-capteurs entre GNSS (1–10 Hz), IMU (≥100 Hz) et événements comportementaux à fréquence variable.
• Interpolation dynamique et contrainte respectant les lois physiques du mouvement et les profils de vitesse contextuels.
• Reconstruction adaptative de trajectoires intégrant l’ajout/suppression de points pour préserver la cohérence dynamique globale.
• Modélisation stochastique avancée du bruit IMU/GNSS avec corrélations spatiales et temporelles réalistes.
• Intégration du modèle conducteur pour simuler anticipation, réaction et modulation des comportements inertiels.
• Évaluation rigoureuse et multidimensionnelle, croisant erreur spatiale, fidélité inertielle et validité comportementale sur traces réelles.

Ces lacunes justifient le besoin de frameworks intégrés, adaptatifs et validés, à l’image de l’approche proposée dans ce travail avec RoadSimulator3.

Présentation de la chaîne logicielle RoadSimulator3

La chaîne logicielle RoadSimulator3 repose désormais sur une architecture modulaire et hiérarchisée, facilitant l’extension et la maintenance du code. Cette organisation reflète la maturité atteinte par le simulateur et sa capacité à intégrer de nouvelles fonctionnalités sans rupture de compatibilité.

Architecture modulaire

Le code est structuré autour de trois modules principaux :

• simulator/events/ Contient l’ensemble des fonctions d’injection et de détection d’événements inertiels. Chaque type d’événement (freinage, accélération, dos d’âne, trottoir, nid de poule, stop, wait, ouverture de porte) possède :

  • un générateur (generate_xxx_event) produisant les profils inertiels complets (acc_x, acc_y, acc_z, gyro_x, gyro_y, gyro_z),
  • un détecteur (detect_xxx_event) appliquant les critères définis dans la configuration.

• simulator/osrm/ Regroupe les fonctions liées à OSRM :

  • client.py pour la communication avec le moteur OSRM local ou distant,
  • routing.py pour la génération de trajets conformes au réseau routier,
  • interpolation.py pour l’échantillonnage régulier à haute fréquence,
  • simulate.py pour la reconstruction et la simulation complète de la trajectoire.

• core/osmnx/ Module dédié aux interactions avec OSMnx :

  • mapping.py : correspondances entre attributs OSM (highway=*) et types de route (RoadType),
  • client.py : fonctions d’enrichissement du tracé avec données cartographiques.

Centralisation de l’injection et de la détection

Toutes les opérations liées à l’injection et à la détection sont centralisées dans le fichier events.py et ses sous-modules.

Ce choix garantit :

• la cohérence des signatures inertiels,
• la mutualisation des paramètres (pas de duplication),
• la synchronisation entre simulation et détection.

Nouveaux capteurs simulés

Depuis la version 1.3, RoadSimulator3 simule également le gyroscope (gyro_x, gyro_y, gyro_z) en complément de l’accéléromètre.

Chaque événement inertiel possède désormais une signature combinée :

• composante linéaire (acc_x, acc_y, acc_z),
• composante angulaire (gyro_x, gyro_y, gyro_z).

L’ajout d’événements spécifiques tels que l’ouverture de porte exploite principalement les variations gyroscopiques sur les axes pertinents.

Configuration unifiée via YAML

L’ensemble des paramètres de simulation, d’injection et de détection est défini dans un seul fichier YAML.

Ce fichier contient :

• les plages de valeurs pour chaque événement (amplitude, durée, vitesse),
• les paramètres de bruit inertiel (accéléromètre et gyroscope),
• les vitesses cibles en fonction du RoadType et de la sinuosité,
• les seuils de détection inertielle.

Ce système permet :

• une personnalisation rapide pour différents scénarios,
• une traçabilité complète des configurations utilisées,
• une reproductibilité des simulations.

Synthèse critique et positionnement scientifique

Synthèse des limites identifiées

Les sections précédentes ont mis en lumière plusieurs limites majeures des approches classiques de simulation ou de fusion GNSS/IMU :

• Les interpolations GPS manquent de réalisme inertiel.
• Les filtres de fusion ne restituent pas fidèlement les événements dynamiques (freinage, virage, etc.).
• Les bruits capteurs sont sous-modélisés ou trop idéalisés.
• La synchronisation temporelle entre signaux (GPS, IMU, événements) reste imparfaite.
• Peu de méthodes intègrent une chaîne complète allant de la trajectoire au signal inertiel enrichi, en passant par les événements comportementaux.

Ces constats soulignent l’absence d’un cadre intégré conciliant fidélité spatiale, inertielle et comportementale.

Positionnement de la thèse

Cette thèse s’inscrit à l’intersection de plusieurs domaines :

• Simulation de trajectoires géographiques : génération de trajectoires suivant le réseau routier réel, avec ajustement dynamique des points selon un profil de vitesse cible.
• Modélisation inertielle réaliste : simulation des signaux acc_x, acc_y, acc_z, gyro_x, gyro_y, gyro_z à 10 Hz, avec injection de bruit inertiel stochastique et d’événements dynamiques réalistes.
• Validation virtuelle et test de robustesse : détection automatique des événements simulés, analyse des performances de détection, visualisation et export des données simulées pour intégration dans des pipelines de validation.
• Ingénierie logicielle pour la recherche : développement d’un cadre reproductible, modulaire et configurable pour la simulation de scénarios de mobilité complexes.

Apport original

Le travail proposé se distingue par les éléments suivants :

• Une approche unifiée de reprojection dynamique spatio-temporelle et inertielle.
• L’injection contrôlée de profils d’événements inertiels réalistes, compatibles avec des cas d’usage embarqués.
• La simulation du bruit capteur à partir de modèles configurables, proches des IMU MEMS réels.
• Une détection automatique des événements servant à valider la cohérence inertielle du jeu de données simulé.
• Une infrastructure logicielle complète, reproductible et documentée, centrée sur l’outil RoadSimulator3.

Ce positionnement original répond aux limites identifiées dans la littérature et propose un socle expérimental solide pour l’exploration de trajectoires enrichies dans le domaine des véhicules connectés et autonomes.