Auteur/autrice : Seb

  • Fusion GNSS LIDAR inertielle véhicule : vers une localisation plus robuste

    Fusion GNSS LIDAR inertielle véhicule : vers une localisation plus robuste

    La fusion GNSS LIDAR inertielle véhicule devient essentielle dans les systèmes de navigation de véhicules autonomes. Dans cet article, nous explorons une nouvelle méthode proposée par Cheng et al. (2025) combinant odométrie LIDAR, pré-intégration IMU et positionnement GNSS dans un cadre unifié, afin d’obtenir une localisation robuste même en milieu urbain dense ou à haute vitesse.

    Pourquoi fusionner GNSS, IMU et LIDAR ?

    Les approches LIDAR ou visuelles seules souffrent de dérives cumulées lors de longues trajectoires ou de pertes de signal. Le GNSS, bien qu’imparfait en ville, apporte une référence globale utile pour corriger ces dérives. En couplant les trois sources, on obtient une estimation de pose plus fiable et continue.

    Une architecture modulaire efficace

    • Odométrie GNSS : utilisée pour initialiser ou relocaliser rapidement le système.
    • Pré-intégration IMU : fournit une estimation rapide de mouvement entre deux mesures.
    • Odométrie LIDAR avec Dynamic-ICP : méthode de recalage pointcloud plus rapide et robuste.
    • Filtrage IKF contraint : améliore l’estimation des angles d’attitude avec les vitesses GNSS.

    Résultats expérimentaux

    Testée sur les jeux de données KITTI et HK UrbanNav, la méthode réduit l’erreur RMSE de plus de 50 % par rapport à LOAM ou NDT. La fusion adaptative (équation 18 du papier) ajuste dynamiquement la pondération GNSS selon la fiabilité estimée.

    Intégration dans RoadSimulator3

    Cette approche de fusion GNSS LIDAR inertielle véhicule peut enrichir RoadSimulator3, en simulant des conditions de relocalisation, de cartes préalables, ou des environnements dégradés. Une implémentation réaliste du Dynamic-ICP serait un excellent test pour valider des stratégies de fusion multi-capteurs.

    🔗 Lire l’article complet sur arXiv
    🔗 Voir la thèse RoadSimulator3

    fusion GNSS LIDAR inertielle véhicule – schéma du système de localisation
    Figure – Schéma de la fusion GNSS-LIDAR-IMU (source : Cheng et al., 2025)
  • Calibration extrinsèque LiDAR-GNSS : une méthode sans cible

    Calibration extrinsèque LiDAR-GNSS : une méthode sans cible

    calibration extrinsèque LiDAR-GNSS sans cible

    La calibration extrinsèque LiDAR-GNSS est une étape cruciale pour garantir la précision des systèmes multi-capteurs embarqués. Cet article explore une approche sans cible physique, directement applicable aux véhicules autonomes.

    Auteurs : Jeong et al. (2025)

    Référence : arXiv:2507.08349 — DOI : https://doi.org/10.48550/arXiv.2507.08349

    🔍 Résumé de l’étude

    Ce travail propose une approche d’optimisation conjointe pour calibrer plusieurs capteurs LiDAR et un système GNSS/INS sans recours à des cibles physiques. Cette méthode permet une calibration stable et précise, même dans des environnements sans marqueur visuel.

    🎯 Intérêt pour RoadSimulator3

    Une calibration extrinsèque fiable est essentielle pour générer des données simulées alignées entre IMU, LiDAR et GNSS. Cette méthode peut inspirer la fusion des trajectoires simulées avec des systèmes réels, en évitant les recalibrages manuels.

    🧩 Limites

    Le modèle repose sur des hypothèses de mouvement du véhicule qui peuvent ne pas être valides en conduite extrême. De plus, la généralisation à d’autres types de capteurs (caméras, radars) n’est pas traitée.

    🚀 Perspectives

    L’extension vers des calibrations multi-capteurs automatisées et la validation en environnement dégradé (GNSS partiel, LiDAR bruité) seraient des pistes clés.

    En intégrant cette méthode dans les simulateurs comme RoadSimulator3, on améliore la cohérence des données entre capteurs et on réduit les efforts manuels de recalibrage. Ce processus représente un gain considérable en précision et en reproductibilité pour les essais sur route.

    🔗 Liens utiles

  • 🧠 Estimation de la vitesse des véhicules via l’IMU des smartphones : le modèle DVSE

    Estimation de la vitesse inertielle : une approche sans GNSS !

    Auteurs : Xuan Xiao, Xiaotong Ren, Haitao Li
    Année : 2025
    Source : arXiv:2505.18490
    Expression clé : estimation de la vitesse inertielle

    🚗 Une estimation de la vitesse inertielle via smartphone

    L’estimation de la vitesse inertielle à partir des capteurs IMU des smartphones constitue une alternative prometteuse aux systèmes GNSS traditionnels, notamment en cas de perte de signal. Le modèle DVSE, basé sur l’apprentissage profond, apporte une solution robuste sans matériel supplémentaire.

    🧠 Le modèle DVSE : architecture modulaire et efficacité

    • Compensation du bruit inertiel avec GRU
    • Transformation des coordonnées smartphone → véhicule avec TCN
    • Alignement GNSS/IMU par fonction de perte adaptative

    Grâce à une technique d’augmentation de données simulant les rotations du smartphone, DVSE renforce sa robustesse face à des postures variées.

    estimation de la vitesse inertielle via IMU du smartphone
    Architecture de DVSE pour l’estimation de la vitesse inertielle à partir d’un smartphone

    📊 Résultats et validation sur données réelles

    Le modèle a été entraîné sur 200 heures de données issues de 300 conducteurs, avec un MAE inférieur à 2.35 m/s. Il surpasse les approches classiques comme DeepTrack ou AI-IMU, tout en étant plus léger et déployable sur smartphone.

    🔍 Intégration dans RoadSimulator3

    Cette méthode peut être utilisée pour valider les vitesses simulées dans RoadSimulator3 dans les scénarios GNSS dégradés. Elle complète les approches existantes par apprentissage ou par filtrage de Kalman.

    🔗 Ressources complémentaires

    📎 Référence BibTeX

    @article{xiaoDVSEsmartphoneIMUspeed2025,
      title={An Inertial Sequence Learning Framework for Vehicle Speed Estimation via Smartphone IMU},
      author={Xuan Xiao and Xiaotong Ren and Haitao Li},
      journal={arXiv preprint arXiv:2505.18490},
      year={2025}
    }
      
  • Données brutes 10 Hz inertie véhicule : pourquoi les compteurs ne suffisent pas

    Données brutes 10 Hz inertie véhicule : pourquoi les compteurs ne suffisent pas

    Pourquoi parler de données brutes 10 Hz plutôt que de simples compteurs de conduite ? Parce que cette fréquence inertielle permet d’observer la réalité physique du véhicule (freinage, virage, choc), pas seulement un score de conduite marketing. C’est exactement le type de données qu’utilisent les équipes R&D mobilité et assurance dans leurs travaux techniques publics, par exemple chez TNO Automotive.

    Ces données brutes 10 Hz sont au cœur de la recherche sur la mobilité intelligente et permettent d’analyser le risque routier en combinant inertie, GNSS et comportement du conducteur.

    Mesure inertielle 10 Hz issue d’un capteur véhicule simulé dans RoadSimulator3 : accélération longitudinale, latérale et vitesse alignées dans le temps.

    Pour mieux comprendre les enjeux de la mesure inertielle à haute fréquence, découvrez la page officielle de RoadSimulator3 (RS3), un simulateur avancé dédié à la modélisation réaliste de la conduite.

    🔗 Ce billet prolonge la présentation du simulateur inertiel RS3, en expliquant pourquoi la fréquence 10 Hz et les données brutes sont indispensables à la modélisation de la conduite.

    Compteurs ABC : un résumé souvent trop flou

    Les compteurs ABC — Acceleration, Braking, Cornering — sont des marqueurs logiques, pas des données brutes 10 Hz. Ils signalent qu’un seuil a été franchi, sans exposer les données physiques sous-jacentes. Ils ne disent rien de :

    • la valeur d’accélération maximale atteinte
    • la durée exacte de l’événement
    • la signature inertielle (bruit, pics, oscillations)

    De plus, les seuils de déclenchement sont souvent inconnus ou propriétaires. Ce flou rend leur interprétation difficile, et leur comparaison impossible entre véhicules ou contextes.

    Données brutes 10 Hz : la richesse du mouvement réel

    À l’inverse, une IMU à 10 Hz vous donne acc_x, acc_y, acc_z, gyro, vitesse… synchronisés. Cela permet :

    • de détecter précisément un dos d’âne
    • de mesurer l’intensité d’un freinage
    • d’analyser un virage via gyro_z

    C’est l’échantillonnage de la réalité, pas son résumé.

    Au-delà de la simple mesure, ces données à haute fréquence jouent un rôle crucial dans la sécurité routière. En capturant avec précision les comportements du conducteur et les événements routiers (comme les dos d’âne, freinages brusques, ou virages serrés), elles permettent d’identifier les situations à risque. Ces informations alimentent des modèles statistiques et algorithmiques qui évaluent le risque de collision ou d’accident, facilitant ainsi la mise en place de systèmes d’alerte précoces, l’amélioration des infrastructures, et la personnalisation des conseils de conduite.

    Pourquoi la granularité 10 Hz est indispensable

    À 1 Hz, vous ratez les variations soudaines. À 10 Hz, vous captez les détails du geste : freinage, choc, virage. C’est cette granularité temporelle qui permet la détection fine et la simulation réaliste.

    Cette granularité est aussi au cœur de nombreux usages pratiques. En diagnostic de conduite, elle permet d’identifier précisément les comportements à risque ou inefficaces. Dans le secteur de l’assurance, ces données fines facilitent la tarification basée sur la conduite réelle (assurance comportementale). Pour l’éco-conduite, elles offrent un retour détaillé permettant d’optimiser la consommation de carburant. Enfin, en maintenance prédictive, l’analyse des vibrations et accélérations à haute fréquence permet de détecter précocement des anomalies mécaniques, évitant ainsi des pannes coûteuses.

    Pour en savoir plus sur l’importance de la mesure inertielle, consultez également ce rapport de l’ETSI sur les capteurs embarqués.

    Comparatif synthétique

    Compteurs « ABC » classiques Données brutes 10 Hz (IMU + GNSS)
    Information binaire (flag « freinage fort ») Valeurs continues (acc_x, acc_z, gyro_z, vitesse…)
    Seuils opaques ou arbitraires Unités physiques mesurées (m/s², °/s, m/s)
    Profil d’événement inconnu Forme et durée mesurables (pic, plateau, relâchement)
    Non réplicable / non simulable Rejouable, comparable, intégrable dans la simulation RS3

    Visualisation de données brutes 10 Hz pour la conduite inertielle simulée avec RoadSimulator3

    Au‑delà de la donnée : vers la compréhension du geste conducteur

    La mesure inertielle haute fréquence ouvre la voie à une analyse comportementale avancée du conducteur. En observant la dynamique fine des gestes, il devient possible de modéliser des aspects humains complexes tels que la fatigue, l’anticipation ou la régularité de conduite. Cette compréhension approfondie permet non seulement d’améliorer la sécurité mais aussi d’adapter les systèmes d’assistance à la conduite (ADAS) aux profils individuels, contribuant ainsi à une conduite plus sûre et plus confortable.

    Pourquoi RoadSimulator3 mise sur le 10 Hz et pas seulement sur des compteurs

    Parce qu’une vraie science de la conduite passe par : des signaux capteurs simulés, un export inertiel + GNSS à 10 Hz, et une fidélité temporelle complète.

    Cette approche positionne RoadSimulator3 en phase avec les attentes des chercheurs et industriels. Elle facilite la simulation précise des risques routiers, le développement et la calibration des systèmes avancés d’aide à la conduite (ADAS), ainsi que la validation de modèles d’éco-conduite. En offrant une plateforme réaliste et détaillée, RS3 contribue activement à l’innovation dans le domaine de la mobilité intelligente.

    En clair : si vous n’avez pas accès aux données brutes 10 Hz, vous ne pouvez pas qualifier finement le risque conducteur, ni modéliser l’impact énergétique d’un trajet, ni rejouer la scène en simulation. Et ça, ni un compteur « Freinage fort », ni un score conducteur sur 5 étoiles ne vous le donneront.

    Cette approche positionne RoadSimulator3 en phase avec les attentes des chercheurs et industriels. Elle facilite la simulation précise des risques routiers, le développement et la calibration des systèmes avancés d’aide à la conduite (ADAS), ainsi que la validation de modèles d’éco-conduite. En offrant une plateforme réaliste et détaillée, RS3 contribue activement à l’innovation dans le domaine de la mobilité intelligente.

  • Fréquence 10 Hz analyse inertielle conduite : pourquoi c’est indispensable

    Fréquence 10 Hz analyse inertielle conduite : pourquoi c’est indispensable

    En simulation ou en détection d’événements, la fréquence 10 Hz analyse inertielle conduite est un standard pour saisir la dynamique réelle d’un véhicule. En dessous, certains signaux critiques disparaissent ou deviennent impossibles à détecter.

    Comprendre la fréquence d’échantillonnage

    Un capteur IMU mesure l’accélération et la rotation du véhicule à intervalles réguliers. Une fréquence de 10 Hz signifie une mesure toutes les 100 ms. À 1 Hz, vous n’avez qu’une mesure par seconde : autant dire un flou complet sur les freinages ou virages rapides.

    Que se passe-t-il à basse fréquence ?

    • Les événements rapides (freinages, dos d’âne) sont totalement lissés
    • Les pics d’accélération (acc_x, acc_z) ne sont pas capturés
    • Les changements de direction (virages) sont invisibles dans gyro_z
    • Les signatures inertielle typiques deviennent indétectables

    En dessous de 5 Hz, il est pratiquement impossible de détecter un freinage de 0,5 seconde ou un virage de 2 secondes.

    Pourquoi 10 Hz est un bon compromis ?

    À 10 Hz, la majorité des événements de conduite sont bien échantillonnés :

    • On détecte les ralentisseurs (variation acc_z sur 0.5 s)
    • On distingue les accélérations franches (pic acc_x)
    • On peut reconstruire un virage via gyro_z ou delta heading

    C’est la fréquence retenue par RoadSimulator3, mais aussi dans des bases de données comme KITTI, nuScenes ou UrbanNav.

    Données IMU : brutes ou filtrées ?

    Une autre confusion fréquente vient des données dites « inertielle véhicule ». Dans beaucoup de véhicules modernes, les signaux issus des calculateurs (ECU) ou du bus CAN semblent déjà donner une fréquence de 10 Hz ou 50 Hz. Mais attention : ces données ne sont pas brutes.

    • des filtres de Kalman ou de moyennage sur les accélérations et gyroscopes
    • des algorithmes de fusion multi-capteurs (IMU + roues + GPS)
    • des modèles prédictifs qui lissent ou interpolent les mesures

    Résultat : les pics d’accélération, les chocs ou variations soudaines sont atténués, voire complètement supprimés. Pour la détection d’événements de conduite (freinage, choc, nid de poule), cela pose un problème.

    C’est pourquoi les simulateurs comme RoadSimulator3 utilisent des données inertielles simulées à 10 Hz directement au niveau capteur, en ajoutant le bruit et la variabilité des capteurs MEMS bruts.

    Freinage, virage… ce n’est pas suffisant pour faire de la vraie science

    Dans certains projets industriels, on se contente de capteurs simples : freinage activé, clignotant, accélérateur, vitesse. Cela peut suffire pour la télématique basique ou l’assurance auto. Mais dès qu’on veut faire de la vraie analyse inertielle scientifique, ce n’est plus suffisant.

    • la forme du freinage (progressif, brusque, erratique)
    • le profil d’un virage (angle, rayon, vitesse de passage)
    • la courbure locale de la route ou les chocs ressentis

    Pour cela, il faut des données inertielles brutes, à haute fréquence, et idéalement synchronisées avec les données GNSS et un modèle de véhicule. C’est ce que propose RoadSimulator3 avec son export à 10 Hz complet, incluant acc_x, acc_y, acc_z, gyro, heading, vitesse et événements simulés.

  • Simulation gyroscope réaliste : modélisation et intégration dans RoadSimulator3


    La simulation gyroscope réaliste est un élément clé pour reproduire fidèlement les mouvements d’un véhicule dans le projet
    RoadSimulator3. En combinant des modèles avancés de dérive, de bruit stochastique et de modulation dynamique, cette simulation permet d’obtenir des données inertielle de haute fidélité essentielles à la validation des systèmes embarqués.

    Exemple de simulation gyroscope réaliste dans RoadSimulator3

    Modélisation du signal gyroscopique

    La génération du signal gyroscopique dans RoadSimulator3 prend en compte :

    • La dérive progressive naturelle du gyroscope, basée sur les caractéristiques des MEMS (Hemerly, 2017).
    • Le bruit stochastique calibré selon les modèles reconnus pour reproduire les imperfections du capteur.
    • La modulation du taux de rotation angulaire en fonction des virages (variation de gyro_z) et des chocs latéraux (modulation de gyro_x et gyro_y).

    Intégration dans le pipeline RoadSimulator3

    Cette modélisation est intégrée directement dans la génération des données simulées, garantissant la présence systématique des colonnes gyro_x, gyro_y, gyro_z dans le DataFrame final, que ce soit pour les exports CSV ou JSON.
    Pour en savoir plus, consultez la documentation technique de la pipeline inertielle.

    Graphique du signal gyroscopique simulé

    Applications et perspectives

    La simulation réaliste du gyroscope permet d’améliorer la détection d’événements dynamiques (virages, freinages, chocs), la validation des algorithmes de fusion GNSS/IMU, et l’entraînement des systèmes d’aide à la conduite et autonomes.

    À terme, l’intégration de modèles plus fins de bruit et dérive, ainsi que la simulation multi-capteurs, permettra d’affiner encore la qualité des données simulées.

  • 🎯 Réduire les Erreurs des Gyroscopes MEMS grâce au Carrouseling

    Le carrouseling gyroscope MEMS est une méthode innovante visant à améliorer la précision des systèmes de navigation à l’estime. Elle consiste à faire tourner continuellement un gyroscope autour d’un axe pour compenser les erreurs systématiques des capteurs MEMS. Dans leur publication intitulée “The Effect of Carouseling on Angular Error Growth in MEMS Gyroscopes”, Collin et al. (2015) démontrent l’impact significatif de cette technique sur la réduction des erreurs d’estimation angulaire.

    🔧 Qu’est-ce que le carrouseling gyroscope MEMS ?

    Cette approche repose sur une rotation continue du capteur gyroscopique autour de l’axe vertical. Ce mouvement permet de neutraliser le biais additif, de lisser le bruit blanc et de réduire les effets du bruit 1/f. Contrairement aux techniques statiques, le carrouseling redistribue ces erreurs dans le temps, ce qui améliore la stabilité et la fidélité des mesures dans les systèmes embarqués.

    📉 Réduction des erreurs gyroscopiques par carrouseling

    Les résultats expérimentaux présentés par Collin et ses collègues indiquent une diminution significative de la marche aléatoire de vitesse angulaire. Leur modèle permet aussi de mieux simuler le comportement des gyroscopes dans des environnements bruités. Une nouvelle méthode de génération du bruit 1/f est également proposée, apportant un gain notable en réalisme pour les simulateurs inertiels.

    🚗 Intégration dans les simulateurs comme RoadSimulator3

    Dans le contexte de RoadSimulator3, intégrer le carrouseling gyroscope MEMS permet de simuler les erreurs gyroscopiques de manière plus crédible. Cela favorise une validation plus robuste des algorithmes de détection d’événements ou de navigation inertielle.

    🔗 Étude originale : Collin et al., 2015doi.org/10.1109/ION.2015.7139291

    carrouseling gyroscope MEMS en navigation inertielle

  • Auto-calibration inertielle sur smartphone : vers une fusion IMU-GPS fiable

    📱 Auto-calibration smartphone véhicule : une approche robuste sans magnétomètre

    La auto-calibration smartphone véhicule est un défi fondamental pour garantir la qualité des mesures
    inertielle embarquées. L’étude de Almazan et al. (2013) propose une solution ingénieuse, sans recours
    au magnétomètre, pour estimer automatiquement l’orientation du smartphone dans un véhicule en mouvement.

    🔍 Objectif : orienter le smartphone sans capteur magnétique

    Contrairement aux méthodes classiques dépendant du compas magnétique (souvent perturbé dans les habitacles),
    cette méthode exploite les signaux GPS et IMU (accéléromètre, gyroscope) intégrés au smartphone pour estimer
    dynamiquement l’orientation inertielle du téléphone, y compris le cap (lacet).

    ⚙️ Méthode de calibration inertielle embarquée

    Le cœur de l’approche repose sur une modélisation statistique avancée :

    • 📈 Suivi de l’accélération longitudinale du véhicule pour estimer l’axe principal
    • 🔄 Estimation de l’angle de lacet par ajustement d’un modèle de Gaussiennes mixtes
    • 🎯 Filtrage de Kalman pour combiner inertie et mouvement GPS, même sur routes inclinées

    🧪 Résultats : précision et robustesse en conditions réelles

    Les tests, réalisés sur route avec des iPhones non modifiés, montrent une précision élevée, même sans
    calibration manuelle ni accessoire externe. L’algorithme est robuste aux variations de pente, aux perturbations internes
    du véhicule et aux erreurs GPS classiques.

    🚗 Intégration dans RoadSimulator3

    Dans RoadSimulator3, cette technique permet de simuler des scénarios
    de mauvaise orientation ou de calibration dynamique. Cela renforce le réalisme des données simulées et permet de
    tester la résilience d’algorithmes de détection à des signaux faiblement calibrés.

    🔗 Article original

    Almazan et al., 2013

    doi.org/10.1109/IVS.2013.6629502

    auto-calibration smartphone véhicule

  • 🎓 Ma thèse est en ligne : Méthodes avancées pour la simulation inertielle des véhicules

    🎓 Publication de ma thèse sur Zenodo

    Titre : Méthodes avancées pour la simulation inertielle des véhicules
    Auteur : Sébastien Edet
    Date : 29 juillet 2025
    🔗 Consulter sur Zenodo


    🚀 Résumé

    Cette thèse propose une approche complète de simulation inertielle haute fréquence (10 Hz)
    pour reproduire les trajectoires de véhicules, intégrant inertie, topographie, géographie et bruit simulé.

    Le simulateur RoadSimulator3 combine :

    • Données GPS issues d’OSRM / OpenStreetMap,
    • Événements inertiels injectés : freinage, accélération, dos d’âne, etc.
    • Modélisation gyroscopique réaliste,
    • Topographie (pente, altitude), type de route (urbain, rural, etc.),
    • Ajout de bruit inertiel réaliste (accéléromètre, gyroscope).

    Ce travail vise à générer des jeux de données synthétiques mais réalistes
    pour tester, entraîner ou valider des algorithmes embarqués (ADAS, navigation, détection).


    📘 Détails de la publication

    • DOI : 10.5281/zenodo.16568796
    • Plateforme : Zenodo (hébergé par le CERN)
    • Langue : Français 🇫🇷 (avec résumé anglais 🇬🇧)
    • Licence : CC-BY 4.0 (réutilisation permise avec attribution)
    • Version : 1.0

    📂 Contenu de l’archive

    • Manuscrit complet au format PDF
    • Fichier source en Markdown (these.md)
    • Bibliographie BibTeX (biblio.bib)
    • Fichier CSL IEEE (ieee.csl)
    • Images, graphiques et figures illustratives
    • Fichier README.md et VERSION.md

    🎯 À qui s’adresse cette thèse ?

    • Chercheurs en simulation, IMU/GPS, navigation ou véhicules autonomes,
    • Développeurs d’algorithmes embarqués,
    • Étudiants en robotique, géonumérique, IA appliquée aux transports,
    • Ingénieurs en mobilité intelligente, test & validation ADAS.

    📢 Citation recommandée

    Edet, S. (2025). Méthodes avancées pour la simulation inertielle des véhicules (v1.0) [Thèse, Zenodo].
    https://doi.org/10.5281/zenodo.16568796


    📬 Me contacter : sebastien.edet@gmail.com

  • 📱 Reconnaissance des Événements de Conduite via Deep Learning sur Smartphone

    Reconnaissance événements conduite smartphone : détection inertielle fiable

    La reconnaissance événements conduite smartphone devient une technologie clé pour l’analyse du comportement routier sans infrastructure complexe. En exploitant les capteurs inertiels (IMU) déjà présents dans les téléphones, il est possible d’identifier des événements comme le freinage brusque, les virages ou les accélérations violentes.

    Pourquoi utiliser le smartphone pour la détection d’événements de conduite ?

    Les smartphones sont omniprésents et embarquent des capteurs capables de mesurer les accélérations et rotations. Cela permet de réaliser une détection inertielle fiable sans matériel additionnel. La simulation inertielle bénéficie de ces signaux pour enrichir les scénarios réalistes dans des outils comme RoadSimulator3.

    Fan et al. (2019) : détection inertielle avancée sur smartphone

    Dans leur étude “Accelerometer-Based Driving Event Detection Using Deep Learning”, Fan et ses collègues présentent une approche deep learning pour détecter des événements à partir de l’IMU d’un smartphone. En combinant des réseaux de neurones convolutifs avec des séquences de capteurs, ils atteignent des performances robustes, même en conditions réelles.

    Utilisation dans RoadSimulator3

    Cette méthode inspire directement le module d’injection d’événements inertiels de RoadSimulator3, qui permet de générer automatiquement des scénarios de conduite réalistes à 10 Hz. Le couplage avec la reconnaissance sur smartphone ouvre la voie à une validation croisée entre simulation et mesure réelle.

    reconnaissance événements conduite smartphone

    Mots-clés : reconnaissance, conduite, inertielle, deep learning, smartphone, IMU, détection