RoadSimulator3

Nos produits : RoadSimulator3 et ReadyData

Auteur/autrice : Seb

  • 🧠 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., 2015 – doi.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

  • 📚 Revue scientifique par thèmes

    📚 Revue scientifique par thèmes

    Cette synthèse regroupe les publications majeures analysées pour le projet RoadSimulator3. Chaque article est associé à une revue détaillée sur le blog, expliquant son intérêt, ses apports, et ses limites.

    👉 Pour une bibliographie complète avec fiches détaillées et accès direct :
    📖 Voir la bibliographie complète

    🔁 Fusion de capteurs & navigation

    ⚙️ Simulation & génération de données inertielle

    🧠 Détection d’événements

    🚘 Conduite autonome & plateformes

    📱 Applications smartphone & multimodalité

    🔎 Pour aller plus loin, accédez à toutes les revues d’articles ou explorez la bibliographie scientifique du projet.

  • Plateformes open-source pour la conduite autonome : où se positionne RoadSimulator3 ?

    Contexte : pourquoi comparer les plateformes open-source de conduite autonome ?

    Le paysage open-source de la conduite autonome évolue vite : de nouveaux simulateurs apparaissent, les besoins se diversifient, et les plateformes se spécialisent.
    Dans cet écosystème dense, RoadSimulator3 (RS3) occupe une place unique : ce n’est pas un simulateur 3D, ni une pile autonome complète, mais un simulateur inertiel haute fidélité à 10 Hz, pensé pour la télématique, la fusion capteurs et la mobilité connectée.

    Là où CARLA, Autoware ou Apollo se concentrent sur la perception, le véhicule autonome ou la planification, RS3 génère des séries temporelles réalistes (GPS, IMU, pente, météo, contexte routier, micro-événements).
    C’est la brique manquante entre la donnée terrain et les algorithmes.

    Qui fait quoi ? (vue rapide)

    CARLA → perception 3D photoréaliste
    Autoware → pile autonome ROS2
    Apollo → pile ADS industrielle
    NAVSIM → navigation GNSS/INS
    RS3 → inertie / cinématique / télématique 10 Hz

    RS3 + NAVSIM : une combinaison gagnante

    RS3 et NAVSIM couvrent deux volets complémentaires :

    • RS3 : génère des trajectoires routières réalistes (pente, courbure, événements, adhérence, météo).
    • NAVSIM : applique un modèle réaliste GNSS/INS sur ces trajectoires (bruits MEMS, erreurs GNSS, masques urbains).

    Ainsi, un labo ou une flotte peut valider un algorithme de localisation robuste sans véhicule réel, avec un pipeline complet :
    RS3 → NAVSIM → algorithme INS/GNSS → analyse d’erreur.

    👉 Objectif de cet article : expliquer clairement le rôle exact de RS3, sans opposer inutilement les plateformes — chacune excelle dans son domaine.

    RoadSimulator3 face aux stacks open-source de conduite autonome

    NAVSIM : une montée en gamme des simulateurs GNSS/IMU académiques

    NAVSIM apporte une architecture moderne pensée pour la recherche GNSS/INS : simulation réaliste des constellations satellites, gestion du multipath, masques urbains, modèles d’IMU, et une boucle inertielle-gnss complète en temps réel. Contrairement aux simulateurs 3D, NAVSIM vise la navigation plutôt que la perception.

    Points clés :
    – simulation GNSS multi-constellation ;
    – modèles d’erreurs IMU (biais, random walk, bruit) ;
    – scénarios satellites complets (éclipses, masques, multipath urbain) ;
    – chaînage IMU→INS→GNSS en temps réel.

    NAVSIM se rapproche du besoin RS3, mais ne le remplace pas : là où NAVSIM simule la physique GNSS/INS, RS3 simule la cinématique routière (pente, curvature, évènements). Les deux sont complémentaires.

    Ce que dit l’état de l’art

    Une revue récente, « A Survey of Open-Source Autonomous Driving Software » (Zhang et al., 2025, Sensors), propose une cartographie claire des écosystèmes open-source pour la conduite autonome. Elle analyse notamment CARLA, Autoware et Apollo.

    Les critères étudiés incluent :
    – les capteurs simulés ;
    – la capacité temps réel ;
    – la licence ;
    – le besoin en GPU ;
    – le positionnement visé (recherche académique, démo industrielle, ou pile quasi-produite).

    Ainsi, cette revue sert de référence pour comprendre où RS3 s’insère.

    Pour aller plus loin, consultez l’étude complète : Yueyuan Li et al., Choose Your Simulator Wisely: A Review on Open-Source Simulators for Autonomous Driving (arXiv:2311.11056v2, 2023).

    Limites des plateformes existantes

    Chaque plateforme excelle dans son domaine, mais présente aussi des limites lorsqu’on cherche à simuler la dynamique inertielle :

    • CARLA : parfait pour la perception, mais surdimensionné pour l’analyse inertielle ou la télématique (dépendances GPU lourdes).
    • Autoware : excellent pour l’AD, mais dépend fortement d’un environnement ROS2 et d’une pile perception.
    • Apollo : robuste mais industriel ; difficile à intégrer dans un pipeline data science classique.
    • NAVSIM : très fort sur GNSS/INS, mais ne modélise pas la vie réelle d’un conducteur (pente, virages, micro-événements, conditions routières).

    RS3 se place précisément là où ces outils ne vont pas :
    → génération inertielle, cinématique véhicule, contexte routier, micro-événements.

    RoadSimulator3 est pensé comme un simulateur inertiel haute fréquence. De plus, il se concentre sur la génération de séries temporelles réalistes, plutôt que sur la synthèse d’images caméra.

    En pratique :

    • Production de signaux GPS + IMU à 10 Hz. RS3 génère accélérations, rotations gyroscopiques et trajectoires GNSS enrichies (pente, météo, typologie routière). C’est la matière première pour entraîner et valider des algos d’estimation de mouvement ou de détection d’événements agressifs.

    • Aucune dépendance GPU. Contrairement à CARLA, RS3 tourne sur une machine légère. Il ne nécessite pas d’Unreal Engine et peut être exécuté dans un pipeline data classique (Python, CSV, Pandas). Par conséquent, il est déployable chez un assureur, une flotte ou un labo sans workstation graphique.

    • Indépendant du CAN. RS3 permet de tester des scénarios d’éco-conduite, de risque conducteur, ou d’usure mécanique sans avoir besoin d’un accès direct au bus CAN du véhicule. En effet, l’accent est mis sur l’interprétation inertielle embarquée.

    • Pensé pour la fusion capteurs. Le but n’est pas de faire rouler une voiture autonome en simulation 3D temps réel, mais de fournir une vérité terrain cohérente entre GNSS, IMU et contexte routier.

    Tableau comparatif des plateformes open-source de conduite autonome

    Le tableau suivant illustre les différences d’intention et d’usage entre RS3 et les grandes stacks connues.

    Critère RoadSimulator3 CARLA NAVSIM Autoware Apollo
    Objectif principal Simulation IMU / GPS réaliste à 10 Hz Simulation 3D haute fidélité Simulation GNSS/IMU académique (temps réel, recherche localisation) Pile logicielle conduite autonome temps réel Pile ADS industrielle complète
    Capteurs simulés GPS, IMU (acc, gyro), terrain, météo Caméra, LIDAR, radar, IMU GNSS multi-constellations, IMU, scénarios satellites Caméra, LIDAR, GPS Caméra, LIDAR, radar
    Résolution temporelle 10 Hz (inertie fine) Variable (jusqu’à 30 FPS) Temps réel (simulation navigation) Temps réel (selon hardware) Temps réel optimisé GPU
    Représentation 3D Non (cartographie OSM enrichie) Oui (Unreal Engine) Non (focus navigation, pas de scènes 3D) Partielle (intégration externe) Partielle (intégration externe)
    GNSS dégradé Oui (coupures GNSS simulables) Partiel (scripts spécifiques) Oui (masques satellites, multipath, coupures) Oui via fusions (EKF / UKF) Oui via fusions (EKF / MSF)
    Météo / relief / typologie Oui (OSM + SRTM + météo + pente) Oui (scripts météo / éclairage) Partiel (selon modèles GNSS/IMU intégrés) Non natif Non natif
    Interface Python / JSON / CSV API Python C++, Python (selon build), fichiers scénario ROS2 ROS / CyberRT
    Spécialisation Analyse style de conduite, inertie, éco-conduite Perception visuelle Recherche navigation, fusion GNSS/IMU, robustesse Pile véhicule autonome complète Plateforme industrielle
    Poids / déploiement Léger (pas de GPU) Lourd (GPU requis) Léger (orienté algorithmes navigation) Moyen (ROS2 + drivers) Lourd (dépendances industrielles)
    Licence MIT / AGPL pour certains plugins LGPL v3.0 Open-source académique (selon dépôt) Apache 2.0 Apollo License v2.0

    Quel outil pour quel besoin ?

    Voici comment choisir la bonne plateforme selon votre besoin, de manière simple et pragmatique.

    Use case Outil recommandé Pourquoi
    Calibration GNSS/IMU NAVSIM Simulation fine des constellations + modèle IMU réaliste
    Détection agressivité / éco-conduite RS3 Simulation inertielle + pente + GNSS dégradé en 10 Hz
    Recherche perception IA CARLA Photorealistic + LIDAR + caméra 3D
    Expérimentation pile autonome Autoware ROS2 + pipeline perception complète
    Benchmark ADS industriel Apollo Stack robuste typée OEM
    Simulation massive (100k trajets/jour) RS3 Léger, scalable, compatible pipeline data

    Comment RS3 génère la vérité terrain inertielle ?

    Trajectoire simulée
    → Cinématique (a, v, ω)
    → Modèle véhicule
    → Ajout bruit MEMS
    → GNSS synthétique cohérent
    → Micro-événements (freinage, virage, accélérations)

    RS3 fournit une vérité terrain exploitable directement dans un pipeline data science (Python / CSV / JSON), ce qui le rend unique dans l’écosystème open-source.

    À retenir pour un assureur, une flotte, un labo

    RS3 n’essaie pas de simuler des caméras ou un LIDAR dans une scène 3D photoréaliste. Ce n’est pas son rôle. En effet, CARLA fait déjà ça très bien.

    En revanche, RS3 simule finement l’inertie, la cinématique véhicule, la pente, les coupures GNSS et les micro-événements de conduite (freinage fort, virage serré, accélération agressive). De plus, ces signaux sont fournis en 10 Hz exploitable directement dans un pipeline data science.

    Par conséquent :
    – un assureur peut estimer le risque conducteur sans CAN,
    – une flotte peut estimer l’usure mécanique et la dépense énergétique,
    – un labo peut valider des algorithmes de fusion inertielle et de localisation robuste.

    Enfin, RS3 reste léger à déployer. Pas de GPU, pas d’Unreal Engine, pas d’infrastructure ROS lourde. C’est une brique qu’on peut intégrer très tôt dans une démarche télématique, sécurité flotte, ou mobilité durable.

    Conclusion

    Les simulateurs open‑source ne cherchent pas à résoudre les mêmes problèmes.
    RS3 se positionne comme la brique manquante entre la donnée terrain, la télématique et la fusion capteurs.
    Il complète — plutôt qu’il ne remplace — CARLA, NAVSIM, Autoware et Apollo.

    En résumé :
    – Vous travaillez sur la perception : → CARLA
    – Vous avez besoin d’une pile véhicule autonome : → Autoware / Apollo
    – Vous travaillez sur la navigation GNSS/INS : → NAVSIM
    – Vous travaillez sur inertie, cinématique, télématique, style de conduite, énergie : → RS3

    👉 À lire aussi :
    – Simulation inertielle 10 Hz – RoadSimulator3
    – Détection d’événements de conduite par IMU embarquée
    – Pente et altitude à 10 Hz : énergie et sécurité flotte