Estimation vitesse véhicule IMU smartphone : état de l’art & limites
Objectif
L’objectif de cet article est clair : expliquer l’estimation vitesse véhicule IMU smartphone. Autrement dit, comment estimer la vitesse d’un véhicule uniquement à partir des capteurs inertiels (IMU) d’un smartphone, sans dépendre du GPS. Cette problématique d’estimation vitesse véhicule IMU smartphone est au cœur des recherches actuelles en mobilité numérique. Nous présentons donc l’état de l’art, les limites physiques (dérive, biais capteurs), et le rôle essentiel de RS3 / Telemachus pour tester et valider ces méthodes d’estimation vitesse véhicule IMU smartphone avant déploiement réel.
Contexte
La mesure de vitesse est un élément fondamental des applications de mobilité : navigation, détection d’événements, consommation énergétique ou encore scoring de conduite.
Sur smartphone, cette mesure repose souvent sur les signaux GNSS — mais lorsque ceux-ci sont indisponibles (tunnel, environnement urbain dense), la fusion inertielle devient une alternative.
L’enjeu : déterminer si une IMU seule (accéléromètres + gyroscopes du smartphone) suffit à estimer correctement la vitesse.
Méthodes étudiées
Trois familles d’approches ressortent dans la littérature récente :
- Approches analytiques classiques
- Intégration des accélérations longitudinales après filtrage du biais gravitationnel.
- Nécessite une calibration fine et un repérage stable du véhicule.
-
Sensible au drift cumulatif.
-
Approches basées apprentissage
- Réseaux neuronaux (LSTM, CNN) entraînés sur des segments GNSS + IMU synchronisés.
- Ainsi, ils sont capables de compenser le drift sur des courtes durées, mais nécessitent un jeu de données massif.
-
En revanche, ils sont peu généralisables entre véhicules et smartphones.
-
Méthodes hybrides
- Utilisation de contraintes cinématiques (vitesse > 0, non-holonomie).
- Combinaison apprentissage + modèle physique.
Ces approches cherchent à tirer parti des contraintes physiques (non-holonomie, vitesse positive) pour stabiliser l’estimation.
Formellement, la vitesse longitudinale peut être estimée par :
[
v_t = \int (a_x – g \sin\theta)\,dt
]
où (a_x) est l’accélération longitudinale mesurée, (g) la gravité et (\theta) l’inclinaison estimée.
Approche DVSE (SmartphoneIMUSpeed2025)
L’article DVSE – Deep learning-based Vehicle Speed Estimation (Xiao et al., 2025) propose un cadre d’apprentissage séquentiel supervisé par GNSS pour estimer la vitesse véhicule à partir de l’IMU d’un smartphone.
Le cadre repose sur deux modules principaux :
– Noise Compensation Network (NCN) : un GRU corrige les composantes déterministes et stochastiques du bruit inertiel.
– Motion Transformation Network (MTN) : un réseau convolutionnel temporel aligne le repère du smartphone avec celui du véhicule.
Le modèle est entraîné sur données réelles avec supervision GNSS et atteint une précision de MAE ≈ 2.35 m/s sur 60 secondes d’intégration.
De plus, les auteurs démontrent une robustesse supérieure aux architectures LSTM classiques, notamment grâce à l’augmentation de données (poses aléatoires de smartphone) et à une fonction de perte spécifique compensant les décalages GNSS–IMU.
Données et simulation RS3
Pour comparer ces approches, le simulateur RS3 permet de :
– générer des signaux IMU synthétiques à 10 Hz ;
– introduire des biais réalistes de capteurs ;
– simuler des scénarios urbains avec arrêts, freinages et accélérations.
Les scénarios générés par RS3 permettent une validation systématique des modèles : dérive cumulée, influence des biais capteurs, et sensibilité aux postures de smartphone.
Ainsi, cette approche favorise la reproductibilité scientifique et la calibration inter-modèles dans un cadre ouvert.
Limites observées
| Type de méthode | Dérive après 60 s | Sensibilité capteur | Portabilité |
|---|---|---|---|
| Intégration brute | > 20 % | Très élevée | Faible |
| LSTM (données locales) | ≈ 8 % | Moyenne | Moyenne |
| Hybride contrainte + LSTM | < 5 % | Moyenne | Bonne |
Aucune méthode n’élimine totalement la dérive : la fusion GNSS + IMU reste incontournable pour des durées supérieures à 1 min.
Voir les travaux récents sur l’estimation de vitesse véhicule par IMU seule (DVSE, 2025), qui combinent réseau neuronal séquentiel et contraintes physiques pour corriger la dérive sans GNSS.
Pour plus de détails sur le simulateur, consultez la page RS3, simulateur inertiel 10 Hz.
Perspectives
- Constituer un dataset IMU-only standardisé par type de smartphone avec RS3.
- Normaliser ces données via le format pivot Telemachus.
- Explorer la calibration adaptative des capteurs embarqués (apprentissage en ligne).
Liens avec RS3 et Telemachus
Les travaux DVSE ouvrent des perspectives directes pour RS3 et Telemachus :
– RS3 peut générer des jeux de données synthétiques IMU-only pour tester la robustesse du modèle DVSE.
– Telemachus fournit un format pivot pour normaliser ces données et publier les résultats d’entraînement sous forme ouverte.
– RS3 + Telemachus peuvent produire un dataset public pour benchmarker l’« estimation vitesse véhicule IMU smartphone ».
– Ce dataset pourra ensuite servir dans les papiers P004 (GNSS/INS robuste) et P005 (Qualité des données véhicules connectés).
En conclusion, l’estimation vitesse véhicule IMU smartphone représente un défi technique majeur, mais les avancées récentes et les outils comme RS3 et Telemachus ouvrent la voie à des solutions robustes et reproductibles.
