RoadSimulator3

Nos produits : RoadSimulator3 et ReadyData

Étiquette : simulation

  • IMUSim : simuler les capteurs inertiels pour mieux comprendre la fusion GNSS/IMU

    IMUSim : simuler les capteurs inertiels pour mieux comprendre la fusion GNSS/IMU

    L’expression IMUSim simulation inertielle GNSS/IMU désigne un environnement de simulation open-source. Il permet de comprendre la fusion capteurs et de valider les algorithmes RS3 et Telemachus. Ainsi, il constitue un outil clé dans ce domaine.

    IMUSim simulation inertielle GNSS IMU
    Schéma simplifié d’une simulation inertielle IMUSim (accéléromètres et gyroscopes virtuels).

    Pour valider un algorithme de fusion GNSS/IMU, il faut d’abord disposer de signaux réalistes.
    En effet, c’est précisément le rôle d’IMUSim, un environnement de simulation open-source. Il permet de générer des mesures d’accéléromètres et de gyroscopes virtuels.
    De plus, c’est une brique essentielle pour comprendre les fondations physiques et statistiques de la fusion inertielle. Elle est utile avant d’aller vers les approches hybrides (MMKF, DVSE) utilisées dans RS3 et Telemachus.

    Voir le projet IMUSim sur GitHub

    1. IMUSim et la simulation inertielle GNSS/IMU

    Développé par Young et al. (2011), IMUSim est un simulateur Python conçu pour la recherche et l’enseignement en traitement de signaux inertiels.
    Il permet de :
    – modéliser la cinématique d’un objet en 3D (trajectoires, vitesses angulaires) ;
    – générer les lectures correspondantes d’un capteur IMU (accéléromètres, gyroscopes, magnétomètres) ;
    – injecter des modèles de bruit réalistes, basés sur la variance d’Allan ou des paramètres physiques connus ;
    – tester des filtres de Kalman ou des algorithmes d’estimation d’attitude (AHRS).

    L’objectif est d’offrir une base cohérente et reproductible pour expérimenter. Ainsi, on peut travailler sans dépendre du matériel physique.

    2. Architecture et fonctionnement

    IMUSim repose sur une approche orientée simulation. Ainsi, il comprend plusieurs modules :
    – un module cinématique gère la dynamique de mouvement (position, vitesse, rotation) ;
    – un module de capteur applique un modèle d’erreur IMU, comprenant biais, dérive, marche aléatoire et cross-axis ;
    – un moteur de génération temporelle produit des signaux échantillonnés à fréquence configurable (jusqu’à plusieurs centaines de Hz).

    Le modèle de bruit IMU repose sur les paramètres caractéristiques (biais, dérive, marche aléatoire angulaire). Ces paramètres sont ajustables via les coefficients Allan.
    Formellement, le bruit peut être modélisé comme :
    (\omega_m = \omega_t + b + \eta),
    où (\omega_m) est la mesure, (b) le biais lentement variable, et (\eta) le bruit blanc gaussien.

    Les sorties sont exportables sous forme de fichiers CSV ou Python. En somme, elles sont prêtes à être intégrées dans d’autres environnements (MATLAB, ROS, RS3).

    3. Liens avec RS3 et Telemachus

    Dans le cadre de RS3 (RoadSimulator3), IMUSim constitue une référence historique. En effet, il a inspiré la logique de simulation inertielle (génération des signaux à 10 Hz, bruit inertiel, topographie).

    Les principes d’IMUSim se retrouvent dans plusieurs aspects :
    – la chaîne RS3 → Telemachus, où les signaux IMU simulés sont convertis au format pivot ;
    – le pipeline de validation Telemachus (RFC-0007, RFC-0009) pour tester les algorithmes de fusion GNSS/IMU ;
    – les études sur les erreurs stochastiques et la reproductibilité (C4 VAE).

    IMUSim reste un outil de référence pour l’enseignement et la recherche. Il illustre la propagation des erreurs inertiales et leur correction par filtrage. De plus, il s’intègre naturellement dans les workflows modernes RS3 et Telemachus.

    Lire aussi : RS3, simulateur inertiel 10 Hz

    4. Pourquoi c’est encore pertinent ?

    Même si de nouveaux frameworks (DVSE, MMKF) utilisent l’apprentissage profond, la simulation inertielle reste indispensable.
    Elle sert à générer des cas extrêmes de mouvement (accélération, virages serrés, vibrations).
    De plus, elle permet de valider des algorithmes en conditions contrôlées.
    Par ailleurs, elle aide à quantifier la dérive et à calibrer les modèles de bruit.

    Les travaux récents de Liu (2023) et Mafi (2025) prolongent cette logique. En effet, ils s’appuient sur les principes de modélisation inertielle d’IMUSim. Toutefois, ils les étendent à des contextes GNSS/IMU hybrides ou appris.

    5. En résumé

    IMUSim reste un pilier conceptuel dans la recherche en fusion inertielle.
    Il est simple, open-source et rigoureusement documenté.
    De plus, il est parfait pour comprendre la propagation des erreurs IMU.
    C’est un lien direct entre physique, mathématiques et simulation numérique.

    IMUSim est plus qu’un simulateur. En effet, c’est la base conceptuelle de la recherche en fusion inertielle. Il lie physique, mathématiques et simulation numérique.
    Son héritage perdure dans RS3 et Telemachus. Ces derniers poursuivent cette mission de validation ouverte et reproductible.

    En conclusion, IMUSim simulation inertielle GNSS/IMU reste un pilier de la recherche moderne sur la fusion inertielle.

    ✳️ Références :
    – Young, P. et al. (2011) — IMUSim: A Simulation Environment for Inertial Sensing Algorithm Design and Evaluation.
    – Liu, H. et al. (2023) — A Comprehensive Review of GNSS/INS Integration.
    – Mafi, S. et al. (2025) — Consensus Multi-Model Kalman Filter for Robust Vehicle State Estimation.

  • Intégrer des Limites pour Améliorer le Réalisme des Simulations Véhicules

    Modélisation physique véhicule autonome : une base réaliste pour la simulation ?

    Modélisation physique véhicule autonome

    La modélisation physique véhicule autonome constitue une approche rigoureuse pour reproduire le comportement dynamique d’un véhicule. Contrairement aux méthodes statistiques ou d’apprentissage automatique, elle s’appuie sur les lois de la mécanique, en tenant compte des forces appliquées, des masses, et des propriétés du sol.

    📌 Étude de Palanisamy et al. (2020)

    Dans “A Physics-Based Vehicle Dynamics Model for Autonomous Driving Simulation”, Palanisamy et al. proposent un modèle complet intégrant les équations de la dynamique du véhicule, les coefficients de frottement, et les conditions routières. Cette approche permet de simuler avec réalisme des situations telles qu’un freinage brutal ou une manœuvre d’évitement en virage.

    🚗 Intégration dans RoadSimulator3

    Une telle modélisation physique est particulièrement utile dans RoadSimulator3, qui vise à générer des trajectoires GPS/IMU réalistes à haute fréquence. Elle permet notamment :

    • d’évaluer les réactions du véhicule dans des scénarios extrêmes,
    • de tester des algorithmes de détection d’événements inertiels (freinage, virage),
    • de remplacer les données terrain lorsque celles-ci sont manquantes ou bruitées.

    Ce type de modèle est aussi compatible avec des extensions comme la simulation gyroscopique, la variation des types de route ou la prise en compte des pentes.

    🔗 Référence et accès

    Consultez l’article complet sur IEEE Xplore :

    https://ieeexplore.ieee.org/document/9283547

    DOI :
    10.1109/ICRA48506.2020.9283547

  • Définitions de Edges et Nodes en cartographie réseau

    edges et nodes en cartographie réseau : définitions essentielles

    Comprendre les edges et nodes en cartographie réseau est fondamental pour tout projet impliquant un graphe géographique. En effet, ces deux notions structurent la majorité des représentations de réseaux routiers, piétons ou ferroviaires. Pourtant, beaucoup de projets en font un usage partiel ou imprécis.

    Pourquoi ces notions sont-elles indispensables ?

    Un node, ou nœud, correspond à un point géographique précis. Il représente un croisement, une intersection ou une extrémité de voie. De plus, chaque node dispose de coordonnées GPS (latitude et longitude), ce qui le rend exploitable dans les moteurs de simulation.

    Quant à l’edge, il s’agit du lien entre deux nodes. Autrement dit, c’est un segment de route ou de trajet. Ce lien intègre souvent des informations essentielles comme la distance, le type de voie ou encore la vitesse maximale. Grâce à cela, on peut construire des trajets cohérents.

    Un exemple concret : RoadSimulator3

    Dans notre projet RoadSimulator3, la modélisation edges-nodes permet de générer des trajets réalistes. Ainsi, nous obtenons des simulations haute fréquence, structurées à partir des données issues d’OpenStreetMap. Cette méthode garantit une fidélité spatiale et logique du réseau.

    Par ailleurs, cette organisation des données simplifie l’injection d’événements inertiels dans les trajets. Elle est donc cruciale pour simuler des scénarios complexes de conduite autonome.

    Pour approfondir le sujet

    Vous pouvez consulter cette page Wikipédia pour une présentation plus théorique des graphes. En complément, notre article sur OSMnx montre comment exploiter ces concepts directement depuis OpenStreetMap avec Python.