RoadSimulator3

Nos produits : RoadSimulator3 et ReadyData

Étiquette : capteurs embarqués

  • 🧠 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}
}

  • 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