Cette page rassemble les principales références scientifiques utilisées dans mes travaux autour de RoadSimulator3 et du standard Telemachus : fusion GNSS/IMU, simulation inertielle, données de mobilité, courbure routière et risque conducteur. Chaque référence est accompagnée d’un court résumé et, lorsque c’est pertinent, de liens vers les billets de blog RoadSimulator3.fr et les publications LinkedIn associées.
Légende : RS3 indique un billet publié sur RoadSimulator3.fr, in un post LinkedIn. Les liens « Texte / PDF » renvoient vers l’article scientifique (lien externe ou ressource locale selon les cas).
Publications traitant des systèmes ADAS, de la conduite automatisée et des architectures logicielles associées.
Rapport stratégique DGITM sur la sélection et la génération de scénarios critiques (SOTIF, ODD, combinatoire) pour la validation sécurité des véhicules autonomes. Sert d’appui à l’argumentaire RS3 comme injecteur de scénarios reproductibles et à l’intégration BridgeGenScenarioGeneration2023.
Panorama des simulateurs open-source pour la conduite autonome (CARLA, Autoware, Apollo...). Sert de base à l'argumentaire de positionnement RS3 dans billet Plateformes open-source pour la conduite autonome : où se positionne RoadSimulator3 ? : RS3 = simulateur inertiel 10 Hz sans GPU, orienté risque conducteur et énergie, pas juste perception 3D. Utile pour volume VAE Compétence C6 – Diffuser la recherche : du blog au préprint (diffusion recherche).
Texte / PDF Simulateur inertiel 10 Hz pour véhicules connectés (RS3)
Pipeline complet de génération de cartes lane-level à partir d’un LiDAR mobile : extraction dynamique des marquages (multi-region Otsu), clustering en deux étapes, reconnaissance des types de lignes (MBR + eigenvectors), séparation des segments de lane et modélisation en courbes cubiques via estimation bayésienne. Résultats précis (<10 cm). Sert de base pour l’extension RoadGeometry (artefact Telemachus RoadGeometry Extension (RFC-0015), papier Integration of Road Curvature Estimation Models into Open Mobility Standards), la caractérisation géométrique et curvature (papier Road Curvature Estimation and its Role in Risk-Aware Simulation/papier Curvature-Aware Simulation Pipelines for Mobility and Safety Research), et potentiellement un module RS3-HDMap.
La route a une signature : vers le 'génome routier' avec RS3
Annexes techniques du rapport RMT06 sur la méthodologie d’essais véhicules et les résultats de référence pour la validation des modèles de simulation. Sert de base pour la calibration et la comparaison des pipelines RS3 avec les essais terrain et la validation industrielle.
Références sur la géométrie routière, la courbure des virages et les liens entre infrastructure et comportement.
Étude Lin & Shi (2017) : estimation de la pente locale à partir du profil vertical et de la courbure — applique la relation géométrique entre dérivée de l'altitude et rayon de courbure. Sert papier Virtual Sensing of Energy Consumption from GNSS/IMU Signals (énergie/pente), papier Road Curvature Estimation and its Role in Risk-Aware Simulation/papier Curvature-Aware Simulation Pipelines for Mobility and Safety Research (pipeline curvature), et l’extension RoadGeometry (artefact Telemachus RoadGeometry Extension (RFC-0015)).
Texte / PDF OSM vs IGN : mesurer la courbure routière pour estimer le risque Telemachus : un format pivot ouvert pour la donnée véhicule Telemachus v0.2 : gouvernance, normalisation et extension RoadGeometry
Texte / PDF OSM vs IGN : mesurer la courbure routière pour estimer le risque Telemachus : un format pivot ouvert pour la donnée véhicule Telemachus v0.2 : gouvernance, normalisation et extension RoadGeometry
Texte / PDF OSM vs IGN : mesurer la courbure routière pour estimer le risque Telemachus : un format pivot ouvert pour la donnée véhicule Telemachus v0.2 : gouvernance, normalisation et extension RoadGeometry
Texte / PDF OSM vs IGN : mesurer la courbure routière pour estimer le risque Telemachus : un format pivot ouvert pour la donnée véhicule Telemachus v0.2 : gouvernance, normalisation et extension RoadGeometry
Travaux sur la détection d’événements, le risque conducteur et l’analyse des signaux inertiels.
Propose inTformer, un Transformer à attention temporelle pour prédire la probabilité de crash à une intersection à partir de données de véhicules connectés (INRIX / CATT Lab). Encode des séquences de features agrégées (vitesses, délais, angles de trajectoire, nombre de véhicules) sur les zones d’approche et d’intersection pour produire un score de crash likelihood. Surpasse LSTM/GRU et modèles classiques, et identifie via SHAP les variables les plus contributives (vitesse max, angles de déflexion, retard, congestion). Sert volume VAE Maîtriser la géométrie routière comme proxy de sécurité, énergie et risque conducteur (géométrie et risque conducteur) et billet Détection d’événements de conduite par IMU : vers une intelligence embarquée fiable comme exemple d’architecture séquentielle moderne reliant données CV à un indicateur local de risque d’accident.
Références clés pour la fusion GNSS/INS, les filtres bayésiens et la navigation robuste dans des environnements dégradés.
Article pivot introduisant le filtre MMKF à consensus pour la fusion GNSS/IMU robuste. Sert de base théorique à papier GNSS/INS robuste en milieu urbain : contraintes véhicule, inertiel et SLAM et billet Détection d’événements de conduite par IMU : vers une intelligence embarquée fiable. Démonstrateur de la compétence volume VAE Compétence C3 – Maîtriser les méthodes de fusion multi-capteurs (fusion multi-capteurs) et point de départ des discussions publiques Fusion hybride et robustesse : le filtre de Kalman multi-modèles à consensus (Mafi, 2025) et De la simulation à la recherche doctorale : RS3 comme démonstrateur scientifique sur la robustesse inertielle.
Texte / PDF Fusion GNSS/IMU robuste : le filtre à consensus MMKF Consensus MMKF vs. Kalman classique en GNSS dégradé IMUSim : simuler les capteurs inertiels pour mieux comprendre la fusion GNSS/IMU Filtrage invariant et fusion vision-inertielle : leçons pour les environnements GNSS-denied Pourquoi la fusion GNSS–IMU reste un défi en milieu urbain Fusion hybride et robustesse : le filtre de Kalman multi-modèles à consensus (Mafi, 2025) De la simulation à la recherche doctorale : RS3 comme démonstrateur scientifique De la donnée simulée à la donnée validée : comment RS3 et Telemachus préparent la science ouverte de la mobilité
Framework de localisation terrestre robuste combinant GNSS-based odometry (EKF), IMU pré-intégrée, LIDAR-odometry et un nouvel algorithme Dynamic-ICP permettant re-localisation rapide et réduction de dérive. Utilisation d’une carte 3D offline comme contrainte globale, et pose adjustment via IKF contraint par GNSS velocity. Sert papier GNSS/INS robuste en milieu urbain : contraintes véhicule, inertiel et SLAM (GNSS/INS robuste en urbain), volume VAE Compétence C3 – Maîtriser les méthodes de fusion multi-capteurs (fusion multi-capteurs), et volume VAE Compétence C2 – Produire des contributions scientifiques reproductibles (reproductibilité scientifique via RS3→Telemachus).
Calibration extrinsèque robuste pour plateformes multi-LiDAR avec GINS, résolution du problème d’observabilité verticale via Virtual LiDAR et joint optimization des poses GINS. Intéressant pour les extensions RS3-Fleet et pour papier GNSS/INS robuste en milieu urbain : contraintes véhicule, inertiel et SLAM (robustesse GNSS/INS avec contraintes additionnelles).
Chaîne complète low-cost pour estimer attitude et position d’un UAV à partir d’un IMU 9-axes (MPU6050 + HMC5883L) et d’un GPS u-blox M8N, avec filtres passe-bas/passe-haut, filtre de Butterworth, filtre complémentaire et interpolation linéaire. Sert d’exemple concret de pipeline IMU+GPS léger (Unity) pour comparer aux architectures Kalman/MMKF de papier Hybrid Kalman Filtering for Robust GNSS/IMU Fusion in Open Mobility Data/papier GNSS/INS robuste en milieu urbain : contraintes véhicule, inertiel et SLAM et illustrer les compromis filtre complémentaire vs Kalman dans la compétence volume VAE Compétence C3 – Maîtriser les méthodes de fusion multi-capteurs.
Paradigme de navigation “angle-robustness” pour UAV en environnement GNSS-denied : au lieu de prédire une position puis un angle, le réseau prédit directement l’angle de direction à partir d’une séquence d’images historiques et de l’image de l’objectif, via un module AFEM (features + déplacements ΔP), un Transformer (Cross-knowledge Attention) et une tête de prédiction (sin θ, cos θ) avec Robust Activation Module. Nouveau dataset UAV AR368 (routes continues multi-conditions) et outil de test SFTI basé Google Earth (vents, météo, luminosité). Résultats : SR@25=100%/67.5% et SR@50=100%/78.8% en conditions idéales/perturbées, nettement au-dessus des approches classification/matching. Sert papier GNSS/INS robuste en milieu urbain : contraintes véhicule, inertiel et SLAM/papier Vision-based Localization in GNSS-denied Environments: BEVRender and Visual-Inertial Fusion pour la comparaison des pipelines GNSS/INS/vision en GNSS-denied, et volume VAE Compétence C3 – Maîtriser les méthodes de fusion multi-capteurs comme exemple d’architecture séquentielle où l’on commande un angle plutôt qu’une position.
Texte / PDF Filtrage invariant et fusion vision-inertielle : leçons pour les environnements GNSS-denied
Thèse (UGA 2024) sur la localisation coopérative et la trajectographie locale contrainte par la carte pour véhicules intelligents. Apporte des méthodes map-aware et coopératives utiles pour la robustesse GNSS/INS en urbain (papier GNSS/INS robuste en milieu urbain : contraintes véhicule, inertiel et SLAM) et l’alignement avec RoadGeometry (artefact Telemachus RoadGeometry Extension (RFC-0015)).
Introduit le framework de catégorisation environnementale le plus fin du domaine (7 classes) pour la navigation véhicule, un nouveau descripteur GNSS (C/N0-weighted azimuth distribution factor r) permettant de distinguer viaduct-down vs shallow indoor, et un modèle GRU léger atteignant 99.4 % de précision. Pertinent pour la robustesse GNSS/INS (papier GNSS/INS robuste en milieu urbain : contraintes véhicule, inertiel et SLAM, volume VAE Compétence C3 – Maîtriser les méthodes de fusion multi-capteurs), la qualité de trajectoire (papier Connected Vehicles : acquisition compressive et qualité des trajectoires), et une future extension Telemachus (artefact Telemachus RoadGeometry Extension (RFC-0015)) pour normaliser environment_context.
Implémentation didactique d’une fusion GNSS+IMU via UKF, validée sur KITTI à 1 Hz. Forte réduction de RMSE (x,y,z) grâce au filtrage non linéaire et à la stabilisation inertielle. Sert de baseline reproductible pour illustrer EKF vs UKF dans papier Hybrid Kalman Filtering for Robust GNSS/IMU Fusion in Open Mobility Data, et les principes fusion multi-capteurs de la compétence volume VAE Compétence C3 – Maîtriser les méthodes de fusion multi-capteurs. Utile pour comparer avec RS3→Telemachus et les pipelines de référence KITTI.
Entrée pour la méthode de filtrage invariant GNSS/IMU, utilisée dans papier Vision-based Localization in GNSS-denied Environments: BEVRender and Visual-Inertial Fusion et Filtrage invariant et fusion vision-inertielle : leçons pour les environnements GNSS-denied. Voir alias InvariantFiltering2024 pour la déduplication. Fiche de lecture fiche de lecture Invariant Filtering for GNSS/IMU (InvariantFiltering2024).
Texte / PDF Filtrage invariant et fusion vision-inertielle : leçons pour les environnements GNSS-denied
Revue Boguspayev et al. (2023) — couverture large GNSS/INS (loose/tight/deep), modèles d’erreurs inertiels, alignement initial, et tendances ML/vision. Sert d’appui théorique à papier Hybrid Kalman Filtering for Robust GNSS/IMU Fusion in Open Mobility Data/papier GNSS/INS robuste en milieu urbain : contraintes véhicule, inertiel et SLAM et renforce la compétence volume VAE Compétence C3 – Maîtriser les méthodes de fusion multi-capteurs (fusion multi-capteurs).
Revue GNSS/INS de référence couvrant les approches EKF, UKF, PF, et fusions hybrides. Sert de socle scientifique aux papiers papier GNSS/INS robuste en milieu urbain : contraintes véhicule, inertiel et SLAM et papier Hybrid Kalman Filtering for Robust GNSS/IMU Fusion in Open Mobility Data, ainsi qu’aux billets de vulgarisation Pourquoi la fusion GNSS–IMU reste un défi en milieu urbain, Fusion GNSS/IMU robuste : le filtre à consensus MMKF et billet Détection d’événements de conduite par IMU : vers une intelligence embarquée fiable. Reprise dans la compétence volume VAE Compétence C3 – Maîtriser les méthodes de fusion multi-capteurs pour la maîtrise de la fusion multi-capteurs.
Texte / PDF Pourquoi la fusion GNSS–IMU reste un défi en milieu urbain Fusion GNSS/IMU robuste : le filtre à consensus MMKF IMUSim : simuler les capteurs inertiels pour mieux comprendre la fusion GNSS/IMU Comment simuler les pertes GNSS pour valider vos algorithmes de navigation ? De la donnée simulée à la donnée ouverte : itinéraire d’un standard mobilité Quand la physique rencontre les données : vers une fusion inertielle augmentée (RS3 × Telemachus) De la donnée simulée à la donnée validée : comment RS3 et Telemachus préparent la science ouverte de la mobilité
Système de localisation pour véhicules de service miniers combinant SLAM LiDAR-inertiel et fusion GNSS étroitement couplée, tolérante aux pertes de signal. Utilise une architecture de type error-state Kalman filter pour intégrer les mesures IMU, LiDAR et GNSS, et permet de maintenir une trajectoire précise dans des environnements souterrains ou semi-couverts où le GNSS est intermittent. Sert papier GNSS/INS robuste en milieu urbain : contraintes véhicule, inertiel et SLAM (GNSS/INS robuste avec capteurs additionnels), volume VAE Compétence C3 – Maîtriser les méthodes de fusion multi-capteurs (fusion multi-capteurs) et volume VAE Compétence C2 – Produire des contributions scientifiques reproductibles (reproductibilité via scénarios RS3→Telemachus inspirés de la mine).
Article ASTESJ présentant une architecture de localisation intégrée GNSS/IMU/odomètre validée terrain. Sert d’étude de cas et de base comparative pour papier Hybrid Kalman Filtering for Robust GNSS/IMU Fusion in Open Mobility Data (schémas Kalman hybrides) et papier GNSS/INS robuste en milieu urbain : contraintes véhicule, inertiel et SLAM (robustesse en urbain).
Comparatif modèle vs data-driven pour l’angle de dérive β ; sert à valider les modèles physiques RS3/Telemachus par rapport aux approches apprenantes et alimente la compétence volume VAE Compétence C3 – Maîtriser les méthodes de fusion multi-capteurs (fusion multi-capteurs) et le papier papier GNSS/INS robuste en milieu urbain : contraintes véhicule, inertiel et SLAM sur la robustesse GNSS/INS en milieu urbain.
Présentation du GPSIMU Toolbox open-source pour l’intégration lâche GNSS/IMU (MATLAB/Octave). Sert de référence pédagogique et de base comparative pour la validation des pipelines RS3 et la reproductibilité scientifique (volume VAE Compétence C2 – Produire des contributions scientifiques reproductibles).
Article Zhang 2020 (AFISR) : schéma de Fault Detection & Isolation (FDI) et reconfiguration adaptative pour l’intégration GPS/IMU. Sert de base à papier Dynamic Reprojection of Vehicle Trajectories: from Theoretical Modelling to Open Simulation (RS3) (comparaison FI vs FA et motivation d’un schéma adaptatif), éclaire la partie FDI/robustesse en milieu GNSS dégradé dans papier GNSS/INS robuste en milieu urbain : contraintes véhicule, inertiel et SLAM, et fournit un cadre pour papier Vision-based Localization in GNSS-denied Environments: BEVRender and Visual-Inertial Fusion (localisation vision-inertielle en environnement GNSS-denied avec gestion explicite des modes de défaillance).
Revue de référence sur les sources d’erreur aléatoires des IMU MEMS, leurs modèles statistiques (bruit blanc, biais, random walk) et leur impact sur la fusion GNSS/IMU. Sert de socle pour la modélisation du bruit inertiel dans RS3 et la robustesse des pipelines de fusion.
Méthode de calibration IMU sans banc externe : détection automatique des poses statiques, optimisation LM des scale factors / biais / non-orthogonalités, calibration gyros via integration quaternion (RK4 normalisé) et estimation biais via Allan variance. Référence clé pour les pipelines inertiels RS3 (accels calibrés), la compétence volume VAE Compétence C3 – Maîtriser les méthodes de fusion multi-capteurs, et l’artefact AR022 (redressement inertiel).
Article Wagner & Wieneke (2001) qui pose le cadre historique des schémas d'intégration GNSS/INS (loose, tight, ultra-tight) et discute leurs compromis robustesse/complexité. Sert de base conceptuelle à papier Hybrid Kalman Filtering for Robust GNSS/IMU Fusion in Open Mobility Data et à la compétence volume VAE Compétence C3 – Maîtriser les méthodes de fusion multi-capteurs pour expliciter les architectures de fusion et les bascules GPS↔INS.
Articles qui structurent la réflexion sur les données de mobilité, la télématique et les usages industriels.
Article Heuts et al. (2025) : montre comment la courbure routière et le profil énergie/rayon de virage peuvent être exploités pour l’éco-conduite et la réduction de consommation. Sert de base à papier Virtual Sensing of Energy Consumption from GNSS/IMU Signals (virtual sensing énergie), à billet Virtual sensing GNSS/IMU : estimer la consommation sans accès CAN/billet Pente et altitude 10 Hz : vers une métrique énergie et sécurité exploitable en production (billets énergie/pente) et vient renforcer la compétence volume VAE Maîtriser la géométrie routière comme proxy de sécurité, énergie et risque conducteur (géométrie routière comme proxy énergie/risque).
Étude Xiao 2025 sur l’estimation de vitesse véhicule via IMU seule, séquence inertielle et modèles apprenants. Sert papier Connected Vehicles : acquisition compressive et qualité des trajectoires (qualité trajectoires), Vitesse véhicule avec IMU seule (smartphone) : état de l’art & limites (vitesse IMU smartphone) et la compétence volume VAE Compétence C3 – Maîtriser les méthodes de fusion multi-capteurs (fusion multi-capteurs).
Texte / PDF Vitesse véhicule avec IMU seule (smartphone) : état de l’art & limites Pourquoi la fusion GNSS–IMU reste un défi en milieu urbain
Fiche canonique pour Huang 2023 (reconstruction de trajectoires de transport en commun à partir de données sparse type smartcard). Sert de base scientifique aux papiers papier Dynamic Reprojection of Vehicle Trajectories: from Theoretical Modelling to Open Simulation (RS3)/papier GNSS/INS robuste en milieu urbain : contraintes véhicule, inertiel et SLAM (reprojection dynamique RS3) ainsi qu’au billet Comment simuler les pertes GNSS pour valider vos algorithmes de navigation ? et à la compétence volume VAE Compétence C4 – Concevoir et valider des pipelines de simulation inertielle (pipeline simulation inertielle).
Texte / PDF Comment simuler les pertes GNSS pour valider vos algorithmes de navigation ?
Texte / PDF Virtual sensing GNSS/IMU : estimer la consommation sans capteurs moteur ?
Extension directe de CompressiveCVData2018 : démontre la récupération précise (RMSE < 0.05 avec 20% des données) des signaux CV 10 Hz via Compressive Sensing. Valide l’intérêt d’un mode compressif pour RS3/Telemachus et renforce le papier papier Connected Vehicles : acquisition compressive et qualité des trajectoires (Connected Vehicles – acquisition compressive). Montre aussi l’impact positif sur l’estimation du temps de trajet (SUMO), même avec des OBU low-cost.
Paper fondateur sur l’acquisition compressive des données CV via Compressive Sensing : réduction ×5 des données, reconstruction précise des trajectoires, vitesse et signaux trafic. Sert de base au papier papier Connected Vehicles : acquisition compressive et qualité des trajectoires (Connected Vehicles – acquisition compressive) et complète CompressiveCVRecovery2018. Pertinent pour RS3 (mode compressif) et la normalisation Telemachus (compression, qualité).
Article fondateur sur le map-matching HMM pour la reconstruction de trajectoires GPS bruitées et échantillonnées à basse fréquence. Sert de référence pour l’alignement RS3/Telemachus avec les méthodes de cartographie et la validation de la qualité trajectoire.
Travaux autour de la simulation de véhicules, des bancs d’essai virtuels et des environnements de conduite autonome.
I2V-GS propose une transformation infrastructure→véhicule via Gaussian Splatting et diffusion, utile pour les pipelines simulation visuelle / augmentation de données et scénarios AV. Sert papier Dynamic Reprojection of Vehicle Trajectories: from Theoretical Modelling to Open Simulation (RS3) (simulation), billet Plateformes open-source pour la conduite autonome : où se positionne RoadSimulator3 ? (positionnement RS3), et volume VAE Compétence C6 – Diffuser la recherche : du blog au préprint (diffusion).
NAVSIM propose une plateforme de simulation non-réactive, alimentée par des données réelles, pour benchmarker les algorithmes de conduite autonome. Les scènes sont reconstruites à partir de données terrain (trafic, trajectoires, capteurs) et rejouées de manière reproductible, avec un ensemble de métriques standardisées. Sert de contrepoint à RS3 : NAVSIM se positionne comme banc d'essai data-driven pour la conduite autonome, là où RS3 fournit un simulateur inertiel 10 Hz orienté mobilité réelle et validation de pipelines GNSS/IMU. Renforce Simulateur inertiel 10 Hz pour véhicules connectés (RS3) (positionnement RS3) et billet Plateformes open-source pour la conduite autonome : où se positionne RoadSimulator3 ? (panorama plateformes open-source).
Texte / PDF Simulateur inertiel 10 Hz pour véhicules connectés (RS3)
Cours structurant (cinématique véhicule, dérive latérale, forces pneus, modèle bicycle) utilisé comme socle physique dans papier GNSS/INS robuste en milieu urbain : contraintes véhicule, inertiel et SLAM (β, contraintes véhicule), papier Virtual Sensing of Energy Consumption from GNSS/IMU Signals (rendement énergétique pente/courbure) et volume VAE Maîtriser la géométrie routière comme proxy de sécurité, énergie et risque conducteur (lecture risque conducteur via courbure/forces latérales).
IMUSim définit la base de la simulation inertielle (accéléromètres, gyroscopes, bruit Allan) utilisée ensuite dans RS3. Sert à démontrer la compétence C4 (pipeline simulation inertielle) et C3/C1 côté VAE — via les billets IMUSim : simuler les capteurs inertiels pour mieux comprendre la fusion GNSS/IMU/IMUSim : introduction rapide et outils de base déjà publiés et la validation RS3 → Telemachus.
IMUSim : simuler les capteurs inertiels pour mieux comprendre la fusion GNSS/IMU IMUSim : introduction rapide et outils de base Revue d’article – IMUSim (IPSN 2011) : les fondations de la simulation inertielle