Fusion GNSS/IMU robuste : le filtre à consensus MMKF

La fusion GNSS/IMU robuste est essentielle pour les véhicules autonomes et les systèmes de navigation avancés, qui nécessitent une estimation d’état fiable — position, vitesse, orientation — malgré la présence de bruit, de coupures GNSS ou d’environnements urbains complexes. La fusion GNSS/IMU permet ainsi d’obtenir des trajectoires précises et fiables.
Dans ce contexte, le Consensus Multi-Model Kalman Filter (MMKF) propose une approche hybride, à mi-chemin entre le modèle physique et les modèles data-driven.

1. Pourquoi un consensus multi-modèles ?

Les filtres de Kalman traditionnels (EKF, UKF) supposent une relation linéaire et des modèles de bruit stationnaires.
Or, dans la réalité :
– les conditions routières changent (revêtement, vibrations, braquage) ;
– les capteurs IMU et GNSS présentent des erreurs variables ;
– les dynamiques du véhicule ne sont pas toujours modélisables simplement.

Le MMKF propose de faire coopérer plusieurs modèles de filtrage, chacun optimisé pour un scénario (lignes droites, virages, pertes GNSS, accélérations brusques…), en établissant un consensus sur l’estimation finale.

2. Principe du filtre à consensus

Le filtre combine plusieurs sous-modèles :
1. Filtres spécialisés — chaque filtre représente une dynamique ou une hypothèse différente (par exemple, mouvement constant, virage, perte GNSS).
2. Mécanisme de consensus — les sorties des sous-filtres sont pondérées selon leur cohérence mutuelle et la qualité locale du signal.
3. Itération adaptative — les poids sont recalibrés à chaque pas de temps selon la divergence entre filtres (mesurée par la distance de Mahalanobis).

Formellement, le consensus combine les estimations partielles selon :
(\hat{x} = \sum_i w_i \hat{x}_i)
où (w_i) représentent les poids adaptatifs issus de la cohérence inter-modèles.

Ce consensus permet d’obtenir une estimation plus robuste sans nécessiter un seul modèle parfait.
C’est une approche multi-modèle coopérative, plus stable que les méthodes basées sur un filtre unique.

3. Comparaison avec les approches classiques

Le MMKF se situe ainsi entre la rigueur mathématique du Kalman et la souplesse des modèles d’apprentissage profond.
Il offre un compromis idéal pour les systèmes embarqués ou les pipelines hybrides RS3/Telemachus.

4. Implémentation dans RS3 / Telemachus

Dans le pipeline RS3 → Telemachus, le MMKF est intégré comme module de fusion inertielle :
– Entrées : GNSS, IMU, événements RS3, données simulées.
– Sorties : trajectoire estimée (position, vitesse, orientation) dans le format pivot Telemachus.
– Évaluation : RMSE, cohérence inertielle et dérive temporelle.

Les modules RS3 permettent de générer des séquences contrôlées de pertes GNSS (RFC-0009), tandis que Telemachus formalise les sorties au format JSON-Schema (RFC-0007).
Cette intégration garantit la reproductibilité et la comparabilité des filtres de fusion dans un cadre ouvert et documenté.

5. Liens avec les autres travaux

• Liu et al. (2023) ont synthétisé les approches GNSS/INS, montrant que les modèles de fusion classique atteignent leurs limites dans les environnements dégradés.
• Xiao et al. (2025) proposent DVSE, un réseau d’apprentissage profond qui vise à remplacer le filtre de Kalman.
• Mafi et al. (2025) introduisent le consensus MMKF comme une solution intermédiaire, plus interprétable et calculable en temps réel.
• Pour approfondir, voir également Données brutes 10 Hz et inertie véhicule.
• Un article scientifique pertinent : https://arxiv.org/abs/2501.01234.

Dans ce cadre, RS3 et Telemachus constituent une plateforme d’expérimentation intégrée pour tester, comparer et documenter ces approches.

6. En résumé

Le Consensus MMKF marque une évolution majeure de la fusion multi-capteurs :
– combine le meilleur du monde physique et du monde data-driven ;
– s’intègre naturellement dans les pipelines RS3/Telemachus ;
– ouvre la voie à des validations reproductibles pour la mobilité intelligente.

Le consensus MMKF illustre la convergence entre méthodes analytiques et approches apprenantes.
Intégré dans RS3 et Telemachus, il constitue une base expérimentale solide pour la validation ouverte de filtres de fusion — un jalon vers une mobilité plus interprétable, robuste et transparente.

✳️ Références :
– Mafi, S. et al. (2025) — Consensus Multi-Model Kalman Filter for Robust Vehicle State Estimation.
– Liu, H. et al. (2023) — A Comprehensive Review of GNSS/INS Integration.
– Xiao, L. et al. (2025) — Deep learning-based Vehicle Speed Estimation via Smartphone IMU.
– RFC-0009 — Integration RS3 → Telemachus.