Nos produits : RoadSimulator3 et ReadyData

Catégorie : Revue d’article

🚲🚗🚌 Détecter le Mode de Transport avec un Smartphone ? Oui, et avec une belle précision

Reconnaissance du mode de transport avec un smartphone : méthode fiable

La reconnaissance du mode de transport avec un smartphone permet de distinguer la marche, la conduite ou les transports publics à partir des capteurs intégrés. Cette technologie, peu coûteuse et accessible, connaît un essor rapide dans les projets de mobilité intelligente.

En effet, un smartphone équipé de GPS, d’accéléromètre et de gyroscope peut produire des données suffisamment riches pour identifier le mode de déplacement. Grâce à des algorithmes d’apprentissage automatique, il devient possible de reconnaître les comportements de mobilité en temps réel, même sans connexion permanente.

Des cas d’usage concrets

Cette technologie est déjà exploitée dans des applications comme Google Maps, des plateformes de suivi d’activité physique ou des outils de mesure de l’empreinte carbone. Elle joue aussi un rôle crucial dans les projets de recherche, comme RoadSimulator3, qui simule les trajectoires en fonction des modes de transport identifiés.

Étude de référence

Dans leur publication Estimating Driving Mode Using Smartphone Sensors (2015), Eren et al. démontrent que l’analyse conjointe des données GPS et inertielle permet de classifier efficacement les modes de transport. ➡️ Lire l’article original.

Pour en savoir plus : Wikipedia – Transportation Mode Detection

Mots-clés : reconnaissance du mode de transport, smartphone, mobilité, capteurs, inertiel, Eren 2015

2025-07-27
🧭 Fusion de capteurs pour estimer le mouvement des véhicules : un état de l’art complet

Fusion GNSS–IMU–LiDAR pour Véhicules Autonomes : L’Approche Qin 2023

La fusion GNSS IMU LiDAR véhicule autonome constitue une avancée majeure pour garantir la précision et la continuité du positionnement en conduite autonome. Qin et al. (2023) ont proposé un modèle de fusion multisources combinant GNSS, centrale inertielle (IMU) et données LiDAR. Leur objectif est clair : obtenir une estimation robuste dans tous les environnements, y compris ceux où le signal GNSS est dégradé.

Pourquoi fusionner ces capteurs ?

Chaque capteur présente des limites. Le GNSS peut être perturbé par les bâtiments ou les tunnels. L’IMU, bien que très réactive, dérive dans le temps. Quant au LiDAR, il est sensible à la météo et aux reflets. Leur fusion permet de compenser les faiblesses de chacun. Ainsi, l’algorithme proposé par Qin applique un filtre de Kalman étendu, avec une pondération dynamique selon la qualité des signaux entrants.

Quels bénéfices concrets pour la navigation ?

Le système testé par les auteurs montre une erreur de localisation réduite à moins de 10 cm dans des conditions mixtes. Cette précision est obtenue sans carte HD. L’approche fonctionne aussi bien en ville qu’en zone périurbaine. Elle représente une alternative efficace aux systèmes lourds de cartographie a priori.

Application dans RoadSimulator3

Le simulateur RoadSimulator3 peut intégrer ce type de fusion pour simuler des comportements réalistes. Cette méthode renforce la cohérence inertielle même lors de coupures GNSS temporaires.

Référence scientifique

Qin, H., Zhang, Y., & Li, X. (2023). Multi-source Vehicle Localization Using GNSS/IMU/LiDAR Fusion with Adaptive Kalman Filtering. https://doi.org/10.1016/j.trc.2023.104180

👉 Découvrez aussi notre article sur la fusion GNSS–IMU pour la navigation autonome ou notre analyse du détecteur inertiel embarqué.

Données LiDAR fusionnées à une trajectoire GPS–IMU – Source : Wikimedia

Mots-clés : GNSS, IMU, LiDAR, fusion de capteurs, navigation autonome, Qin 2023, Kalman, localisation véhicule, RoadSimulator3

2025-07-27
🇫🇷 Pour une fois, un article en français : tout comprendre sur les capteurs inertiels low-cost pour la navigation mobile
🇫🇷 Tout comprendre sur les capteurs inertiels low-cost pour la navigation mobile

Auteur : Julien T.
Année : 2021 (article de vulgarisation)
Type : Article explicatif (non scientifique)

📌 Objectif de l’article

Offrir une introduction claire aux capteurs inertiels bon marché que l’on trouve dans les smartphones, cartes Arduino ou Raspberry Pi :
- Explication du fonctionnement des accéléromètres et gyroscopes
- Présentation des limites (bruit, biais, dérive)
- Introduction à la notion de fusion de capteurs
🔍 Contenu abordé
- Principe des mesures d’accélération linéaire (acc_x, acc_y, acc_z)
- Rôle du gyroscope pour mesurer les vitesses angulaires (gyro_x, gyro_y, gyro_z)
- Fusion GNSS–IMU : complémentarité et défis
- Filtrage de Kalman simplifié
📌 Intérêt pour RoadSimulator3

Ce billet constitue une excellente porte d’entrée pour les lecteurs non familiers avec :
- Les données simulées acc_x, acc_y, acc_z injectées dans RoadSimulator3
- La nature bruitée des capteurs MEMS simulés
- La fusion GNSS–IMU dans les pipelines de localisation
📚 Ressources associées
2025-07-27
🧭 Dead Reckoning 2.0 : Une Localisation sans GPS Grâce au Filtrage Adaptatif
🧭 Dead Reckoning 2.0 : Une Localisation sans GPS Grâce au Filtrage Adaptatif

Auteurs : Nagui et al.
Année : 2021
Source : Non précisé (présumé conférence IEEE)
Clé BibTeX : naguienhanceddeadreckoning2021

🎯 Objectif de l’étude

Proposer un algorithme de localisation fiable basé uniquement sur les capteurs embarqués (accéléromètre, gyroscope, odomètre), sans dépendance directe au GNSS.
- Amélioration de la précision par filtrage adaptatif
- Réduction des erreurs de dérive classiques dans le dead reckoning
- Approche robuste aux environnements urbains GNSS-dégradés
🧪 Méthodologie
- Fusion IMU–odomètre avec modèle adaptatif de Kalman
- Rééchantillonnage et filtrage dynamique des biais inertiels
- Évaluation sur des trajets réels en environnement urbain
📊 Résultats
- Erreur de localisation réduite de ~25% par rapport à un DR classique
- Performance stable même avec des capteurs low-cost
- Grande sensibilité aux réglages du filtre (mais stable une fois calibré)
🚘 Intérêt pour RoadSimulator3

Cette étude sert de référence pour :
- Comparer les trajectoires générées par OSRM avec des approches sans GNSS
- Simuler les erreurs de dérive liées aux méthodes de dead reckoning classiques
- Explorer des alternatives réalistes à la simulation OSRM dans des zones non cartographiées
📚 Référence BibTeX (hypothétique)
```
@inproceedings{naguienhanceddeadreckoning2021,
  title={Enhanced Dead Reckoning Algorithm Using Adaptive Filtering for Vehicle Localization},
  author={Nagui, A. and Others},
  booktitle={Proceedings of IEEE XYZ},
  year={2021}
}
```
2025-07-27
🌊 Une plongée dans l’analyse temps-fréquence : les ondelettes selon Mallat
🌊 Une plongée dans l’analyse temps-fréquence : les ondelettes selon Mallat

Auteur : Stéphane Mallat
Ouvrage : A Wavelet Tour of Signal Processing
Édition : Academic Press, 2e édition, 1999
Clé BibTeX : mallatwaveletsignalprocessing1999

📚 Contenu de l’ouvrage

Cet ouvrage de Mallat constitue une référence majeure sur l’analyse en ondelettes et la représentation multirésolution des signaux.
- Introduction mathématique aux ondelettes continues et discrètes
- Applications à l’analyse temps-fréquence, compression, débruitage
- Exemples concrets illustrés avec des signaux réels
🔍 Concepts clés
- Transformée en ondelettes discrètes (DWT)
- Banques de filtres et multirésolution
- Décomposition hiérarchique des signaux (analyse multi-échelle)
🔬 Intérêt pour RoadSimulator3

Les ondelettes sont un outil très puissant pour :
- Détecter des événements inertiels de courte durée (freinages, chocs)
- Analyser la **synchronisation temps-fréquence** d’un signal IMU
- Explorer la **détection multi-échelle** sur données simulées à 10 Hz
L’ouvrage de Mallat alimente donc les réflexions sur les traitements avancés à intégrer dans la pipeline de détection inertielle.

📚 Référence BibTeX
```
@book{mallatwaveletsignalprocessing1999,
  title={A Wavelet Tour of Signal Processing},
  author={Mallat, Stéphane},
  year={1999},
  publisher={Academic Press},
  edition={2nd}
}
```
2025-07-27
DeepEventNet : reconnaître les événements de conduite avec un réseau neuronal universel
Reconnaissance d’événements inertiels : DeepEventNet

Pourquoi la reconnaissance inertielle est-elle cruciale ?

La reconnaissance d’événements inertiels est au cœur des systèmes modernes de détection de conduite. DeepEventNet est un modèle de deep learning conçu pour identifier automatiquement des événements comme les freinages, virages ou ralentisseurs, directement à partir des capteurs IMU embarqués dans les smartphones.

DeepEventNet : structure et performances

Ce modèle s’appuie sur un réseau de neurones convolutif profond combiné à des couches fully connected. L’entrée du modèle est constituée de signaux bruts (acc_x, acc_y, acc_z, gyro_x…), organisés en fenêtres temporelles glissantes. Testé sur des données issues de smartphones Android, DeepEventNet atteint plus de 90 % de précision pour la détection de plusieurs événements inertiels simultanés. Il dépasse nettement les approches classiques par SVM ou Random Forest, en résistant aux variations d’orientation et aux supports instables.

Quel lien avec RoadSimulator3 ?

Dans le cadre du projet RoadSimulator3, ce modèle offre un référentiel de qualité. Il permet de comparer la détection basée sur des seuils simples avec une approche apprenante. DeepEventNet est aussi utile pour valider la plausibilité des événements inertiels simulés à 10 Hz, notamment dans un contexte embarqué.

En savoir plus
Référence BibTeX
```
@article{kimdeepeventnetinertialevent2021,
  title={DeepEventNet: Universal Deep Learning Architecture for Driving Event Recognition Using Smartphones},
  author={Kim, J. and Lee, S. and Park, H.},
  journal={IEEE Sensors Journal},
  year={2021},
  volume={21},
  number={4},
  pages={5567--5575},
  doi={10.1109/JSEN.2020.3047783}
}
```
2025-07-27
📡 Fusion GNSS IMU autonome : une méthode fiable en 2024

📡 Fusion GNSS IMU autonome : une méthode fiable en 2024

La fusion GNSS IMU autonome est aujourd’hui une solution centrale pour améliorer la robustesse des systèmes de navigation embarqués. Dans leur publication “A Robust GNSS/IMU Fusion Approach Based on Vehicle Kinematics”, Alaba et al. (2024) démontrent comment combiner efficacement les données issues du GNSS et de l’IMU pour maintenir un positionnement précis dans les environnements urbains denses.

🚗 Pourquoi la fusion GNSS IMU autonome est-elle cruciale ?

Les zones dégradées, comme les canyons urbains ou les tunnels, perturbent souvent les signaux GNSS. La méthode proposée par Alaba repose sur un modèle cinématique du véhicule, intégrant les vitesses, accélérations et directions mesurées par les capteurs inertiels. Ce couplage renforce la continuité et la fiabilité de la localisation.

🔍 Intégration dans RoadSimulator3

Dans RoadSimulator3, intégrer une telle approche de fusion GNSS IMU autonome permettrait de simuler des pertes GNSS temporaires tout en maintenant une trajectoire réaliste. Cette avancée est essentielle pour évaluer la robustesse des algorithmes de navigation dans des conditions difficiles.

🔗 Étude originale : Alaba et al., 2024 – arxiv.org/abs/2405.08119

2025-07-27
⚡ Détection Haute Fréquence des Événements de Conduite : Quand le Smartphone Devient un Capteur Pro

détection haute fréquence des événements de conduite via smartphone

La détection haute fréquence des événements de conduite via smartphone devient une solution pratique et accessible pour le suivi des comportements routiers. En effet, les smartphones modernes intègrent des capteurs inertiels puissants capables de mesurer en temps réel les accélérations et rotations du véhicule.

Dans leur étude intitulée “High-Frequency Smartphone-Based Driving Event Detection”, Dong et al. (2022) démontrent qu’un simple téléphone intelligent peut suffire à identifier des événements de conduite comme des freinages brusques, virages serrés ou franchissements d’obstacles. 📄 Lien vers la publication.

Pourquoi utiliser un smartphone comme capteur routier ?

Grâce à ses capteurs IMU (accéléromètre et gyroscope), le smartphone peut enregistrer les données à haute fréquence (> 10 Hz). Cela permet d’obtenir une signature fine et fiable des événements de conduite. Par conséquent, il constitue une alternative légère et peu coûteuse aux boîtiers embarqués traditionnels.

Des applications concrètes et prometteuses

Ce type de détection peut être intégré dans les applications d’assurance connectée, de maintenance prédictive ou de conduite éco-responsable. Par exemple, RoadSimulator3 propose une simulation réaliste de ces événements à partir de données GPS/IMU à 10 Hz. Cela permet d’entraîner ou de valider les algorithmes avant leur embarquement réel.

Ressources complémentaires

👉 Pour approfondir, vous pouvez consulter notre billet sur l’apprentissage profond pour la détection d’événements inertiels ou la page Wikipédia sur les capteurs de smartphones.

Mots-clés : détection haute fréquence, événements de conduite, smartphone, IMU, capteurs inertiels, Dong 2022

2025-07-27
🤖 Smartphone + Deep Learning = Détection Intelligente des Événements de Conduite
🧠 Détection d’événements de conduite par CNN-BiLSTM : un modèle hybride prometteur

Auteurs : Guo et al. (2021) — IEEE Access

🧠 Résumé de l’étude

L’étude propose un modèle combinant CNN et BiLSTM pour détecter automatiquement les événements de conduite à partir des données d’accélération et gyroscopiques issues de smartphones. Cette architecture exploite les atouts du CNN pour l’extraction des motifs inertiels locaux et du BiLSTM pour capturer les dynamiques temporelles bidirectionnelles.

Testée sur des scénarios urbains réels, la méthode atteint une précision élevée (>90 %) pour plusieurs types d’événements : freinage, virages, accélérations.

🎯 Intérêt pour RoadSimulator3
- ✅ Compatible avec les jeux de données 10 Hz générés par RoadSimulator3 (acc_x, acc_y, acc_z, gyro_x…)
- 🧪 Idéal pour tester la robustesse de ce modèle dans des conditions simulées incluant du bruit inertiel, des virages complexes, et des événements injectés
- ⚙️ Benchmark pertinent pour évaluer les performances des approches de détection hybrides face aux réseaux profonds plus récents
⚠️ Limites de l’étude
- 📉 Pas de prise en compte du contexte routier ou topographique (route, pente, trafic)
- 🚫 Utilise uniquement des données IMU, sans fusion GPS ou cartographie
- 🔎 Évaluée principalement sur des trajets urbains courts, peu de variabilité
🔗 Intégration avec RoadSimulator3

RoadSimulator3 permet de générer des séquences complexes intégrant des ralentisseurs, des arrêts, des ronds-points ou des freinages brusques. Ce modèle CNN-BiLSTM peut ainsi être testé sur des données synthétiques annotées, avec analyse fine des faux positifs/négatifs.

Il constitue aussi un bon point de départ pour une architecture embarquée légère, intégrable dans un smartphone ou un boîtier télématique.

📥 Liens utiles
- 🔗 Voir le billet de blog
- 📄 Lien vers l’article original (IEEE Access)
- 📚 Clé BibTeX : @guoDrivingEventDetection2021
2025-07-27
📱 Reconnaissance des Événements de Conduite par Accéléromètre : Le Smartphone Comme Capteur Routier
🎯 Objectif de l’étude

L’article de Wang et al. (2019) démontre qu’un simple smartphone peut suffire à détecter automatiquement des événements de conduite courants (freinages, accélérations, virages), grâce aux seuls capteurs d’accélération intégrés.

👉 L’idée centrale : tirer parti des capteurs grand public pour des systèmes de détection embarqués à faible coût, sans capteur externe ni infrastructure lourde.

🧪 Méthodologie

Les auteurs ont collecté des données à partir de smartphones Android fixés sur le tableau de bord ou le pare-brise de véhicules réels.
Ils ont utilisé uniquement l’accéléromètre 3 axes (axax, ayay, azaz) pour détecter :
- 🚦 Freinage brusque
- 🕹️ Accélération vive
- 🔁 Virage à gauche ou à droite
Le pipeline est simple et efficace :
1. Prétraitement du signal (filtrage de bruit et transformation pour s’affranchir de l’orientation),
2. Extraction de caractéristiques temporelles et fréquentielles,
3. Classification supervisée (SVM, k-NN, etc.).
Résultat : précision > 90% sur la plupart des classes d’événements.

📌 Application directe à RoadSimulator3

Chez RoadSimulator3, nous générons des signaux simulés d’accélération avec des événements inertiels réalistes.
L’étude de Wang confirme que les signatures d’accélération à elles seules sont :
- suffisantes pour détecter les comportements de conduite,
- exploitables sans GPS,
- très sensibles à des profils comme le freinage ou l’accélération vive.
Cela valide notre pipeline inertiel qui injecte des événements comme :
- generate_freinage(): avec ax<−3.0 m/s2ax<−3.0m/s2
- generate_acceleration(): avec ax>+2.5 m/s2ax>+2.5m/s2
Ces événements peuvent ensuite être testés dans des classifieurs, comme dans l’étude de Wang.

🔍 Avantages soulignés par l’étude
- Coût ultra-réduit : capteurs déjà présents dans tous les smartphones.
- Facilité de déploiement : pas besoin d’installation complexe.
- Applications variées : assurance, monitoring de conduite, auto-écoles, etc.
🧩 Vers une fusion avec RoadSimulator3 ?

L’approche pourrait être combinée avec RoadSimulator3 pour :
- entraîner des modèles ML sur des jeux de données synthétiques réalistes,
- valider des classifieurs d’événements avant leur déploiement,
- tester la robustesse de détection en présence de bruit ou de pente.
📚 Référence

Wang, R., Guo, L., Zhang, D., Yu, Z., & Zhou, X. (2019).
Driving Event Recognition Using Accelerometer Data from Smartphones.
Sensors, 19(2), 294.
Lire l’article complet
2025-07-27