🧭 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}
}