2  Chapitre 00

3 Introduction

3.1 Contexte et enjeux

Cette section présente les enjeux de la simulation inertielle des véhicules dans un contexte de transformation des mobilités.

La simulation de trajets véhicules à haute fréquence (10 Hz) constitue un enjeu stratégique dans de nombreux domaines de la mobilité intelligente, des systèmes embarqués et de l’analyse comportementale des conducteurs. À l’ère de la transition numérique et énergétique, la capacité à modéliser et simuler fidèlement le comportement d’un véhicule sur route, en conditions variées, est essentielle pour :

Elle est essentielle pour :

Domaine Application principale
ADAS Amélioration des systèmes d’aide à la conduite
Conduite autonome Validation de technologies de navigation
Maintenance prédictive Analyse des signaux inertiels pour prévenir les défaillances
Sécurité routière Détection des comportements à risque
Cartographie dynamique État des infrastructures via détection d’anomalies

L’industrie automobile, les opérateurs de mobilité, les autorités publiques et les chercheurs sont confrontés à la nécessité de disposer de données riches, réalistes, et à haute fréquence. Ces données permettent d’anticiper, détecter et classifier des événements clés du comportement dynamique du véhicule, tels que :

  • les freinages brusques,
  • les accélérations vives,
  • les franchissements de dos d’âne,
  • les passages sur trottoirs ou obstacles latéraux,
  • la traversée de nids de poule.

La télématique embarquée et l’analyse des signaux GPS couplés aux unités de mesure inertielle (IMU) sont au cœur de ces problématiques. Toutefois, la collecte empirique à grande échelle est coûteuse, fastidieuse et souvent biaisée par des contraintes environnementales ou comportementales.

Dans ce contexte, la simulation réaliste de trajets, incluant la dynamique du véhicule, les signatures inertiels caractéristiques et les contraintes géographiques (pente, altitude, sinuosité), offre une alternative méthodologique puissante. Elle permet de générer des jeux de données synthétiques, calibrés et contrôlés, indispensables pour l’entraînement et la validation de modèles de détection, de classification, et de prédiction.

Ces approches s’inscrivent dans une tendance croissante à recourir à la simulation pour compléter, voire remplacer, les campagnes d’essais terrain. Des études récentes (Dani, Farooq, and Bhatia 2023; Han, Kim, and Lee 2024) soulignent l’importance de valider les systèmes autonomes via des scénarios synthétiques rigoureux, générés par simulation, notamment pour explorer des cas rares ou dangereux.

Par ailleurs, les avancées récentes dans la conception des capteurs MEMS et des architectures d’IMU arrays ouvrent de nouvelles perspectives en termes de précision et de fiabilité des mesures inertielle. Les dispositifs multipoints permettent de réduire les biais individuels des capteurs et d’améliorer la robustesse globale par des stratégies de fusion avancées.

La simulation gyroscopique devient également incontournable pour compléter la modélisation inertielle, en intégrant les composantes angulaires (vitesse et orientation). Le gyroscope complète l’IMU en mesurant les rotations, ce qui est crucial pour détecter les virages serrés, giratoires ou manœuvres rapides. Cela permet de reproduire fidèlement les dynamiques rotatoires du véhicule, en particulier dans les virages, ronds-points ou manœuvres complexes, comme lors d’un changement de voie rapide ou d’un franchissement de rond-point.

L’introduction de simulateurs probabilistes (AirIMU (Qiu and Li 2023)) permet désormais de propager explicitement les incertitudes liées aux signaux IMU.** Ces simulateurs tiennent compte à la fois du bruit stochastique, des biais systématiques, et de la dérive accumulée, fournissant une base plus réaliste pour l’évaluation des algorithmes de navigation et de perception.

Un autre enjeu crucial réside dans la propagation de l’incertitude dans les mesures simulées. L’intégration d’un modèle réaliste de bruit inertiel, tenant compte des variabilités aléatoires et systématiques, est essentielle pour tester la robustesse des algorithmes de détection et de classification en conditions dégradées. (Hemerly, Cardoso, and Lopes 2017)

Les travaux de 2024 sur la validation autonome insistent sur la nécessité d’une simulation multi-niveaux :** intégrant à la fois les phénomènes inertiels, les conditions environnementales, et les comportements dynamiques du véhicule dans un cadre cohérent (voir (Qiu and Li 2023) pour une approche modulaire intégrée). La notion de digital twin, ou jumeau numérique dynamique du véhicule, émerge comme paradigme de référence pour cette simulation intégrée.

Cette interconnexion suppose une synchronisation précise entre les modules de dynamique, perception, localisation et environnement.

Enfin, la simulation ne saurait être complète sans une vision multimodale. Les besoins en mobilité incluent désormais :

  • les vélos,
  • les piétons,
  • les transports collectifs,
  • et les véhicules partagés.

Ces aspects sont abordés en extension dans le chapitre 9.

La fréquence de 10 Hz (un point tous les 100 ms) se révèle être un compromis pertinent entre granularité temporelle et coût computationnel, assurant une capture suffisante des phénomènes dynamiques rapides sans générer un volume de données prohibitif.

Ce travail s’inscrit ainsi dans une volonté de fournir à la communauté scientifique et industrielle une approche rigoureuse, modulaire et évolutive de simulation inertielle, gyroscopique et géographique à haute fréquence, en lien direct avec les besoins actuels en mobilité intelligente, maintenance prédictive, sécurité et analyse comportementale multimodale.

Les sections suivantes détaillent les hypothèses, la chaîne logicielle et les méthodes de simulation mises en œuvre.

3.2 Problématique scientifique

La simulation de trajectoires de véhicules ne peut se réduire à une interpolation de points GPS. Elle doit intégrer de manière cohérente plusieurs dimensions interdépendantes, essentielles à la fidélité du comportement simulé :

  • La cinématique du véhicule, incluant la vitesse, les accélérations et le heading (cap).
  • La dynamique inertielle, représentée par les accélérations dans les trois axes : longitudinal (acc_x), latéral (acc_y) et vertical (acc_z).
  • Les événements de conduite caractéristiques, tels que les freinages brusques, les accélérations vives, les franchissements de dos d’âne, ou encore les passages sur des nids de poule ou trottoirs.

Ces phénomènes doivent être simulés avec une précision temporelle fine. À une fréquence d’échantillonnage de 10 Hz, chaque enregistrement correspond à un intervalle temporel défini par :

\[ \Delta t = 0{,}1,\text{s} \]

Par conséquent, pour une vitesse de 50 km/h (environ 13.89 m/s), la distance parcourue entre deux échantillons successifs est :

\[ d = v \times \Delta t = 13{,}89,\text{m/s} \times 0{,}1,\text{s} = 1{,}389,\text{m} \]

Cette granularité spatiale permet de capturer avec fidélité les variations dynamiques rapides, telles que les impacts liés aux irrégularités de la route ou aux manœuvres du conducteur.

La simulation doit également garantir la cohérence temporelle entre les différentes modalités de données : position GPS, vitesse, accélérations, heading, etc. Cette synchronisation est essentielle pour créer des jeux de données compatibles avec les exigences des modèles de détection, d’analyse comportementale et de maintenance prédictive.

La problématique scientifique centrale consiste à intégrer simultanément les contraintes physiques, mécaniques, comportementales et environnementales pour produire des trajectoires synthétiques crédibles, exploitables scientifiquement et industriellement.

3.2.1 Enrichissements issus de l’état de l’art récent (2023–2024)

Plusieurs travaux récents insistent sur la nécessité de dépasser une vision “statique” de la simulation. Il est aujourd’hui reconnu que :

  • Une trajectoire synthétique crédible doit inclure une modélisation explicite de l’incertitude des mesures (bruit inertiel, dérive de capteurs, etc.) pour refléter les limitations réelles des systèmes embarqués ([AirIMU, Qiu et al., 2023], [Zhao et al., 2023]).

  • Le couplage IMU-GPS dans les simulateurs doit prendre en compte la dérive cumulée, les perturbations d’environnement (tunnels, zones urbaines denses) et les variations aléatoires induites par le terrain ou le comportement conducteur.

  • Les signatures inertiels, c’est-à-dire les empreintes mesurables des événements simulés (freinage, virage, dos d’âne, etc.) doivent respecter des contraintes physiologiques et mécaniques : amplitude, durée, forme, variabilité, fréquence spectrale. L’oubli de ces paramètres peut conduire à des jeux de données inutilisables pour l’apprentissage automatique ou la validation d’algorithmes.

  • La validation scientifique des trajectoires synthétiques doit être rigoureuse, traçable et documentée : on parle de simulation-based validation (SBV), exigeant des métriques objectives de cohérence et de réalisme spatio-temporel.

  • La cohérence inertielle doit également être pensée dans les transitions de contexte (rond-point, arrêt, reprise, virage, zone de travaux), ce que peu de simulateurs implémentent correctement.

Enfin, une simulation avancée se doit d’être généralisable :

  • aux autres modes de transport (vélos, piétons, poids lourds, transports en commun),
  • à d’autres territoires (zones urbaines, rurales, sinueuses),
  • et aux différents usages : validation autonome, analyse comportementale, tests de robustesse, etc.

La région de Normandie a été choisie comme territoire représentatif pour la simulation. Elle cumule des zones rurales, des agglomérations, des routes sinueuses et des ronds-points fréquents.

Ces éléments définissent les contours d’un simulateur nouvelle génération : précis, robuste, et adapté aux exigences croissantes de validation, d’analyse et de généralisation des trajectoires. La section suivante explore les bases de données et méthodologies utilisées pour concevoir un tel simulateur.

Carte des trajets simulés en Normandie

3.3 Objectifs de recherche

Cette section détaille les objectifs poursuivis dans le cadre de cette recherche, à la fois en termes de production de données simulées, de réalisme inertiel et d’applicabilité industrielle ou académique.

L’objectif général de cette recherche est de concevoir un simulateur réaliste et configurable, capable de générer des trajectoires synthétiques de véhicules à haute fréquence (10 Hz), intégrant à la fois les dimensions géographiques, cinématiques et inertielle. Ce simulateur, nommé RoadSimulator3, vise à répondre aux besoins croissants des chercheurs, industriels et autorités publiques en matière de données crédibles pour :

  • la validation de systèmes d’aide à la conduite (ADAS) et de véhicules autonomes,
  • la détection automatique d’événements de conduite critiques,
  • l’analyse comportementale en mobilité réelle ou simulée,
  • la cartographie dynamique des infrastructures routières,
  • la maintenance prédictive et l’évaluation de l’état du véhicule.

3.3.1 Objectifs spécifiques

  1. Générer des trajectoires GPS réalistes via OSRM : suivre le réseau routier existant tout en garantissant la continuité spatiale, la vitesse moyenne attendue et la plausibilité topographique.

  2. Interpoler à haute fréquence (10 Hz) : obtenir une trajectoire à résolution temporelle fine, permettant la détection de phénomènes inertiels rapides.

  3. Simuler les accélérations linéaires et les vitesses angulaires (acc_x, acc_y, acc_z, gyro_x, gyro_y, gyro_z), en tenant compte :

    • des conditions de conduite (virage, arrêt, départ, etc.),
    • de la dynamique du véhicule (masse, comportement inertiel),
    • du bruit des capteurs IMU simulés (modèles réalistes de bruit MEMS).

  4. Injecter des événements de conduite réalistes :

    • freinage brusque,
    • accélération vive,
    • dos d’âne,
    • trottoir ou bordure,
    • nid de poule,
    • ouverture de porte (immobilisation + pic inertiel + gyroscope).

  5. Prendre en compte le type de route et sa sinuosité, en adaptant dynamiquement la vitesse cible (ex. : ralentissement dans les virages serrés ou zones urbaines).

  6. Modéliser la propagation de l’incertitude : simuler le bruit inertiel sur l’ensemble des mesures, en s’appuyant sur une configuration YAML paramétrable (cf. [AirIMU], [NeuralSensorFusion, 2024]).

  7. Assurer la détection des événements simulés via des signatures inertiels reproductibles, dans une logique generate-and-check : chaque événement simulé doit pouvoir être détecté automatiquement.

  8. Fournir des visualisations cartographiques et des métriques de validation :

    • export CSV/JSON standardisé,
    • carte interactive HTML,
    • image statique vectorielle (infographie de type “carte métro”),
    • graphiques inertiels (accélérations, vitesse, fréquence des événements).

  9. Permettre la simulation multi-tournées (multimodalité à venir) :

    • livraisons successives sur des trajets étendus (>400 km),
    • simulation future de piétons, vélos ou transports collectifs,
    • gestion de la transition entre contextes de mobilité.

3.3.2 Enjeux méthodologiques associés

  • Modularité du code : architecture claire avec modules injecteurs, détecteurs, OSRM, OSMnx, configuration YAML.

  • Reproductibilité scientifique : pipeline scriptable, validation automatique, visualisations exportables.

  • Réalisme des signatures inertiels : respect des plages physiques réalistes, durées typiques, bruit plausible.

  • Interopérabilité : données simulées compatibles avec les systèmes d’analyse industriels et académiques.

3.4 Originalité scientifique

Le projet présenté dans cette thèse s’inscrit dans un champ de recherche émergent à l’intersection de la simulation numérique, de la télématique embarquée, de la fusion de données capteurs et de l’analyse comportementale des véhicules. Cette recherche se démarque par plusieurs contributions originales, tant sur le plan méthodologique que sur ses applications potentielles.

  1. Simulation conjointe GPS–IMU réaliste à haute fréquence (10 Hz), combinant la dynamique du véhicule, les contraintes géographiques (OSM, pente, sinuosité) et les événements de conduite typiques, avec un pas spatial moyen inférieur à 1.5 mètre. Cette fréquence permet la reproduction fidèle de phénomènes inertiels rapides (freinage, nid de poule, dos d’âne, etc.).

  2. Modélisation explicite des signatures inertiels tridimensionnelles (acc_x, acc_y, acc_z) et gyroscopiques (gyro_x, gyro_y, gyro_z), en lien avec des événements contextuels injectés (trottoir, ronds-points, stop, etc.), selon une bibliothèque validée de profils inertiels issus de la littérature.

  3. Pipeline simulate → inject → detect innovant permettant d’évaluer à la fois la qualité de génération des événements inertiels et la performance des algorithmes de détection associés, en miroir des travaux comme Simulation-based Validation for Autonomous Driving Systems (Qiu and Li 2023).

  4. Injection contrôlée de bruit inertiel réaliste reproduisant les dérives et incertitudes observées sur les capteurs MEMS embarqués, configurable par YAML, inspirée des méthodes de AirIMU (Qiu and Li 2023) et Neural Sensor Fusion via Kalman Attention (Zhang and Wang 2024).

  5. Intégration de modèles de vitesse adaptative selon le type de route et la sinuosité, mimant les ajustements de vitesse réels d’un conducteur, et influençant dynamiquement la fréquence et l’intensité des événements simulés.

  6. Validation multi-niveaux des trajectoires simulées, intégrant :

    • des visualisations géographiques (cartes interactives),
    • des représentations inertiels (graphes acc_x vs acc_y),
    • et une détection automatique d’incohérences spatiales ou de signatures inertiellement attendues mais absentes.

  7. Production de jeux de données synthétiques structurés, calibrés et exportables, alignés sur les standards utilisés pour l’entraînement de réseaux neuronaux, l’analyse comportementale ou la simulation embarquée (data-centric simulation pipelines).

  8. Compatibilité avec les besoins industriels, via des exports en formats CSV, JSON, PNG, HTML interactif, et un focus sur la généricité du simulateur (routeur OSRM configurable, API OSMnx, adaptabilité géographique, etc.).

  9. Ouverture vers la simulation multimodale (vélos, piétons, véhicules partagés) en lien avec les dynamiques de transition modale observées dans les travaux récents (IEEE T-ITS 2024 (Yurtsever et al. 2020)), et extensibilité vers l’injection d’anomalies (pannes, erreurs capteurs) pour valider les algorithmes en conditions dégradées.

3.5 Structure du document

Cette thèse est structurée en neuf chapitres construits de manière progressive, depuis les fondements théoriques aux contributions originales, jusqu’aux perspectives.

  • Chapitre 1 – Contexte et état de l’art : présente les enjeux de la simulation inertielle et GPS à haute fréquence, les limites des approches classiques, et les nouvelles pistes issues des travaux récents (simulation-based validation, uncertainty modeling, digital twins) (Qiu and Li 2023; Hemerly, Cardoso, and Lopes 2017).

  • Chapitre 2 – Modélisation géographique et contraintes spatiales : introduit les méthodes de récupération, traitement et structuration des données routières issues d’OpenStreetMap, ainsi que l’intégration des contraintes topographiques (pente, sinuosité) via OSRM, OSMnx et SRTM.

  • Chapitre 3 – Modélisation dynamique du véhicule et signatures inertielles : détaille les modèles utilisés pour reproduire la cinématique et les événements inertiels du véhicule à 10 Hz, en intégrant les apports des articles sur la validation inertielle et les gyroscopes (Trung, Hoang, and Nguyen 2022; Kim, Lee, and Park 2021).

  • Chapitre 4 – Génération des trajectoires simulées : décrit l’architecture logicielle développée pour produire des trajectoires synthétiques GPS/IMU avec injection réaliste d’événements. Ce chapitre précise également les choix d’interpolation spatiale, de fréquence, et les paramètres de simulation.

  • Chapitre 5 – Injection et détection des événements caractéristiques : présente les fonctions spécifiques développées pour simuler des événements types (freinage, accélération, dos d’âne…) et les détecter automatiquement à partir des signatures injectées, en lien avec les modèles issus de la littérature (Guo, Sun, and Li 2021; Zhang and Wang 2024).

  • Chapitre 6 – Validation des trajectoires synthétiques : expose les méthodes de vérification scientifique de la qualité des trajectoires simulées, via comparaison des signatures inertiels, courbes acc_x/acc_y, heatmaps, ou encore détection croisée simulation → détection.

  • Chapitre 7 – Production de données structurées et visualisation : décrit les outils d’exportation, les visualisations HTML, les graphes interactifs, et les formats produits pour l’intégration industrielle ou l’analyse en machine learning.

  • Chapitre 8 – Évaluation, limites et validation croisée : présente les évaluations quantitatives de la cohérence spatiale, inertielle et temporelle, les limites connues du simulateur, ainsi qu’une validation croisée avec des approches neuronales récentes.

  • Chapitre 9 – Perspectives et extensions : propose des pistes concrètes d’évolution : simulation multimodale (vélos, piétons), injection d’anomalies, simulation dans des environnements complexes, intégration au sein de jumeaux numériques, ou couplage avec des algorithmes de prédiction embarqués.