3  Chapitre 01

4 Chapitre 1 : État de l’Art

4.1 Introduction

La modélisation des trajectoires de véhicules et l’analyse des dynamiques associées constituent un domaine de recherche fondamental pour les applications de mobilité intelligente, de télématique, de systèmes avancés d’aide à la conduite (ADAS) et de véhicules autonomes. La qualité des simulations repose sur la fidélité de la reconstitution des comportements réels, incluant à la fois les aspects géographiques, cinématiques et inertiels.

4.2 Systèmes de navigation et télématique véhicules

Les systèmes de navigation et la télématique embarquée sont des piliers essentiels dans l’évolution des véhicules modernes, qu’ils soient destinés au grand public, à la logistique ou aux projets de mobilité autonome. Ces systèmes combinent la géolocalisation, les communications sans fil, les capteurs embarqués et les bases de données cartographiques pour fournir des services avancés de suivi, d’optimisation des trajets, et d’analyse comportementale.

4.2.1 Systèmes de navigation GPS

Les systèmes de navigation embarqués s’appuient principalement sur les technologies GNSS (Global Navigation Satellite System) telles que :

  • GPS (États-Unis),
  • GLONASS (Russie),
  • Galileo (Union Européenne),
  • Beidou (Chine).

Ces systèmes permettent de déterminer la position du véhicule avec une précision typique de l’ordre de 3 à 10 mètres, et encore plus faible lorsqu’ils sont combinés à des technologies comme la RTK (Real Time Kinematic) ou des capteurs inertiels pour des applications nécessitant une précision sub-métrique.

Des travaux récents ont enrichi les approches de fusion GPS-IMU pour améliorer la précision et la robustesse des estimations de position :

  • Alaba et al. (2024) ont proposé une méthode avancée de fusion GPS-IMU pour l’estimation fiable de la position des véhicules autonomes, notamment dans les environnements dégradés.
  • Nagui et al. (2021) ont introduit un schéma d’intégration GPS-IMU faiblement couplé basé sur deux filtres de Kalman en cascade, offrant une meilleure estimation dynamique en présence de perturbations GNSS.

Grâce à l’intégration avec des bases de données cartographiques telles que OpenStreetMap (OSM) ou Here Maps, les systèmes de navigation offrent des fonctionnalités comme :

  • Le guidage temps réel avec recalcul dynamique en cas d’écart.
  • La prise en compte du trafic en temps réel pour éviter les bouchons.
  • L’optimisation multi-critères des trajets : distance, temps, consommation.
  • La gestion des points d’intérêt (POI) pour les applications touristiques ou logistiques.

Dans un contexte de simulation tel que le projet RoadSimulator3, reproduire avec fidélité les trajectoires GPS est essentiel pour :

  • Tester des algorithmes de navigation autonomes.
  • Simuler des incidents ou déviations de parcours.
  • Valider des solutions de recalcul ou de correction de trajectoire.

4.2.2 Télématique véhicules

La télématique véhicule combine les technologies de communication embarquées avec les systèmes de capteurs pour transmettre et analyser les données du véhicule en temps réel. Ces données peuvent inclure :

  • Données de position et trajectoire (lat, lon, vitesse, heading).
  • Données IMU : accélérations linéaires (acc_x, acc_y, acc_z), vitesses angulaires (gyro_x, gyro_y, gyro_z).
  • Paramètres moteurs : régime, couple, consommation de carburant.
  • Statuts et événements détectés : freinage, accélération brusque, chocs, arrêts prolongés, ouvertures de portes.

Ces informations sont transmises via des réseaux de communication embarqués tels que les réseaux cellulaires (3G, 4G, 5G), les liaisons satellitaires ou les technologies V2X (Vehicle-to-Everything) vers des serveurs ou plateformes cloud qui :

  • Surveillent la santé mécanique et prédictive du véhicule.
  • Identifient des comportements de conduite à risque.
  • Optimisent les tournées logistiques.
  • Alimentent des systèmes de scoring conducteur (assurances connectées).

4.2.3 Importance pour la simulation

La simulation des systèmes de navigation et télématique permet de :

  • Tester des algorithmes dans des conditions variées et contrôlées, sans exposition aux risques réels.
  • Reproduire des contextes extrêmes ou rares difficiles à capter dans la réalité (freinages brusques, nid de poule, sinuosité élevée).
  • Générer des données synthétiques massives pour l’entraînement des modèles d’intelligence artificielle, en particulier en conduite autonome et maintenance prédictive.

Le simulateur RoadSimulator3 s’inscrit dans cette démarche en :

  • Produisant des trajectoires GPS réalistes et continues, interpolées à 10 Hz.
  • Injectant des événements inertiels réalistes, avec des signatures précises en accélérométrie et gyroscopie.
  • Adaptant la vitesse simulée en fonction du type de route, de la sinuosité et des contraintes réglementaires.
  • Garantissant la cohérence spatio-temporelle globale des données via des étapes de nettoyage et de validation.

4.2.4 Applications et enjeux

La capacité à simuler des trajectoires véhicules enrichies en données inertielle réalistes ouvre un large éventail d’applications scientifiques, industrielles et sociétales. Dans un contexte où la donnée devient un levier de performance, de sécurité et d’innovation, la génération synthétique de signaux GPS/IMU cohérents à haute fréquence (10 Hz) répond à des besoins critiques dans de nombreux domaines.

Développement et validation des systèmes ADAS et de conduite autonome

Les systèmes d’aide à la conduite (Advanced Driver Assistance Systems) et les véhicules autonomes nécessitent des environnements d’apprentissage riches, diversifiés et sûrs :

  • Test en conditions extrêmes ou rares : freinages brusques, franchissements d’obstacles, manœuvres d’évitement.

  • Validation d’algorithmes de perception, localisation et décision, notamment ceux basés sur la fusion GPS-IMU.

  • Simulation des défaillances capteurs (GNSS indisponible, IMU bruitée) pour tester la robustesse des modules embarqués.

Les travaux récents (Qiu and Li 2023; Zhang and Wang 2024) soulignent l’importance de simuler l’incertitude dans l’odométrie inertielle pour garantir une autonomie robuste.

Télématique embarquée et maintenance prédictive

Les flottes de véhicules connectés génèrent une quantité massive de données télématiques, utilisées pour :

  • La surveillance de l’état mécanique par analyse des signatures inertielle anormales.

  • La prévention des défaillances par apprentissage sur des profils typiques (ralentissements brusques, chocs, vibrations).

  • La maintenance prédictive personnalisée par type de véhicule et de route.

L’approche par simulation réaliste permet de générer des corpus complets pour entraîner ces systèmes, sans recourir à des tests coûteux ou dangereux.

Modélisation comportementale et scoring conducteur

L’analyse fine des micro-événements inertiels permet d’inférer des comportements de conduite :

  • Conduite agressive : accélérations et freinages répétés.
  • Fatigue ou distraction : oscillations latérales fréquentes.
  • Adéquation au contexte : adaptation de la conduite à la route et à la topographie.

Ces indicateurs sont essentiels pour :

  • La tarification d’assurance connectée,
  • Le coaching éco-conduite,
  • L’évaluation des risques en temps réel.

Cartographie dynamique et suivi d’infrastructure

La simulation permet de tester les algorithmes de détection d’anomalies routières tels que dos d’âne, nids de poule, ou zones de chaussée détériorée. Cela permet de :

  • Créer des cartes dynamiques de l’état des routes.
  • Prioriser les interventions de maintenance urbaine.
  • Aider les collectivités à améliorer la sécurité et le confort routier.

Recherche scientifique et enseignement

Un simulateur tel que RoadSimulator3 constitue un outil pédagogique et scientifique :

  • Reproductibilité expérimentale dans des contextes contrôlés.
  • Comparaison de méthodes de détection ou de fusion capteurs.
  • Exploration de scénarios rares dans des environnements de recherche (e.g., ronds-points, conduite extrême).

Smart cities et mobilité multimodale

Les villes intelligentes s’appuient sur la connaissance fine des flux de mobilité. La simulation inertielle peut contribuer à :

  • L’optimisation des trajets intermodaux (véhicule + piéton + transport collectif).
  • La planification urbaine basée sur la détection de points noirs (freinages brusques répétés, inconfort).
  • L’amélioration de l’accessibilité pour les publics vulnérables (personnes âgées, PMR).

4.2.5 Synthèse

Le simulateur RoadSimulator3 répond à un besoin transversal de données synthétiques crédibles, contrôlées et annotées, indispensables dans une large gamme d’applications allant de la recherche académique à l’implémentation industrielle. Il constitue un socle robuste pour les recherches en ADAS, conduite autonome, télématique embarquée, maintenance prédictive, urbanisme intelligent et formation scientifique.

4.3 Calibration et modélisation des erreurs des capteurs IMU

La précision des données inertielle simulées dépend d’une modélisation rigoureuse des imperfections des capteurs. Deux aspects fondamentaux sont nécessaires pour générer des jeux de données fiables : la calibration fine des capteurs et la modélisation stochastique réaliste des bruits inertiels. Ces données peuvent ensuite être exploitées pour la simulation, la détection ou la fusion GPS-IMU.

4.3.1 Calibration précise des capteurs IMU

Les capteurs MEMS intégrés dans les IMU présentent des biais statiques, des erreurs d’échelle et des non-linéarités intrinsèques. La calibration vise à corriger ces erreurs systématiques pour améliorer la fidélité des mesures.

Parmi les méthodes reconnues :

  • Tedaldi et al. (2014) ont proposé une méthode robuste, rapide et facilement applicable(Tedaldi, Pretto, and Menegatti 2014), reposant sur un modèle paramétrique optimisé à partir de mesures statiques et dynamiques simples. Cette approche est adaptée même aux dispositifs low-cost.

  • Cette méthode permet d’estimer précisément :

    • le biais \(b\) (offset),
    • le gain d’échelle \(k\),
    • ainsi que les défauts d’orthogonalité entre axes.

Dans RoadSimulator3, cette méthode peut être intégrée comme une étape de calibration virtuelle, simulant des paramètres capteurs réalistes avant l’ajout du bruit.

4.3.2 Modélisation stochastique des erreurs dynamiques

Une calibration statique ne suffit pas : il est indispensable de modéliser les erreurs dynamiques liées à l’environnement et aux propriétés aléatoires des capteurs.

Hemerly (2017) – Modèle réaliste pour capteurs MEMS(Hemerly, Cardoso, and Lopes 2017)

Ce modèle repose sur plusieurs composantes clés :

  • Bruit blanc gaussien : \(\mathcal{N}(0, \sigma^2)\)
  • Biais évolutif : modélisé par un processus de Wiener (marche aléatoire)
  • Bruit coloré : nécessaire pour reproduire certains comportements complexes des capteurs

Ce modèle permet de reproduire les dérives observées sur des capteurs inertiels réels, notamment dans des scénarios de perte GNSS ou de conduite prolongée.

4.3.3 Modèles avancés issus de l’état de l’art

Des recherches récentes proposent d’aller au-delà des modèles classiques de bruit stochastique :

Qiu et al. (2023) (Qiu and Li 2023)

AirIMU

  • Introduction d’un réseau de neurones probabiliste capable d’apprendre une distribution conditionnelle de l’erreur inertielle à partir de données bruitées.
  • Simulation d’une incertitude contextuelle dépendante (vitesse, environnement, type de manœuvre).
  • Cette approche est particulièrement adaptée à la simulation contextuelle dans RoadSimulator3, permettant d’adapter dynamiquement le bruit IMU aux conditions simulées pour une meilleure réalisme.

Zhang et al. (2024) (Zhang and Wang 2024)

  • Intégration d’un bruit corrélé spatialement et temporellement, aligné sur des séquences GPS réelles.

  • Simulation plus fidèle de phénomènes complexes tels que :

    • vibrations prolongées,
    • changements de direction successifs,
    • passages sur infrastructures déformées.

Ces travaux démontrent la possibilité de modéliser le bruit par apprentissage, dépassant les approches purement paramétriques.

4.3.4 Intégration modulaire dans RoadSimulator3

Dans l’architecture modulaire de RoadSimulator3 :

  • Un module de calibration virtuelle (par exemple la méthode de Tedaldi) peut être inséré en amont de la simulation pour générer des coefficients capteurs réalistes.

  • Le bruit inertiel injecté dans acc_x, acc_y, acc_z, gyro_x/y/z :

    • peut être finement paramétré selon le type d’IMU simulée (low-cost, automotive-grade…),
    • peut suivre des profils réalistes basés sur les modèles classiques (Hemerly) ou les approches d’apprentissage récentes.

Cette intégration modulaire garantit la production de trajectoires inertielle cohérentes et scientifiquement validées, prêtes à être utilisées pour la validation et la comparaison de modèles de détection, de fusion ou d’apprentissage.

4.3.5 Perspectives d’évolution

L’introduction de modèles avancés de bruit IMU ouvre plusieurs perspectives clés :

  • Tester la robustesse des algorithmes de fusion GPS-IMU dans des conditions d’incertitude accrue.
  • Comparer les performances de différentes configurations capteurs (qualité, calibration, bruit).
  • Simuler des défaillances capteurs réalistes pour améliorer les systèmes de diagnostic et de résilience.

Par ailleurs, ces avancées préparent le terrain pour l’intégration de méthodes d’apprentissage profond et d’explicabilité, ouvrant de nouvelles voies pour la simulation et l’analyse des données inertielle.

Ce réalisme accru constitue un levier essentiel pour les futures générations de simulateurs intelligents, capables de soutenir efficacement les tests virtuels de véhicules connectés, autonomes ou multimodaux.

4.4 Détection et classification inertielle

La détection d’événements inertiels vise à identifier, à partir des signaux IMU, les phases caractéristiques du comportement dynamique d’un véhicule. Ces phases sont déterminantes pour l’analyse comportementale, la maintenance prédictive et la validation des systèmes ADAS. ### Objectifs de la détection inertielle

L’objectif est d’identifier automatiquement :

  • les freinages brusques,
  • les accélérations vives,
  • les virages prononcés,
  • les dos d’âne, trottoirs, nids de poule,
  • les arrêts prolongés ou comportements atypiques.

Chaque événement est associé à une signature inertielle spécifique, observable dans les séries temporelles de :

  • Accélération longitudinale (\(a_x\)),
  • Accélération latérale (\(a_y\)),
  • Accélération verticale (\(a_z\)),
  • Vitesses angulaires (\(\omega_x\), \(\omega_y\), \(\omega_z\)).

4.4.1 Méthodes classiques

Approches par seuils

Les premières méthodes reposent sur des seuils fixes appliqués aux signaux bruts. Exemples :

  • Freinage si \(a_x < -3,m/s^2\)
  • Dos d’âne si \(a_z > 4,m/s^2\) puis \(a_z < -4,m/s^2\) sous 1 seconde

Ces règles simples offrent une détection rapide, mais présentent des limites : - Elles sont sensibles au bruit des capteurs. - Elles manquent de robustesse face aux variations contextuelles (pente, type de route, vitesse).

Méthodes par fenêtres glissantes

  • Calcul d’indicateurs statistiques (moyenne, écart-type, kurtosis) sur des fenêtres temporelles glissantes (0.5 à 2 secondes).
  • Utilisation de fonctions heuristiques pour identifier des variations rapides.

4.4.2 Apprentissage automatique et deep learning

Avec l’essor des données massives et des capacités de calcul embarqué, l’apprentissage automatique s’impose comme une alternative prometteuse aux approches heuristiques.

Méthodes supervisées

Des travaux récents utilisent des classifieurs entraînés sur des jeux de données annotés :

  • SVM, Random Forest, XGBoost
  • Réseaux de neurones profonds (CNN, LSTM)

Ex. détection d’anomalies routières avec des réseaux hybrides (IMU + GPS) sur smartphone (Udah and Cheng 2023).

Apprentissage par transfert et auto-encodage

  • Détection d’événements sans supervision : autoencodeurs, isolation forest, VAE.
  • Apprentissage sur des profils inertiels typiques puis détection des écarts.

4.4.3 Fusion multi-capteurs

Des systèmes de détection inertielle intègrent d’autres sources pour améliorer la robustesse :

  • GPS (position, vitesse, heading) : contextualise l’événement.
  • Cartographie OSM : pour corréler les anomalies à des zones connues (dos d’âne, virage).
  • Radar / caméra / lidar : pour valider le type d’anomalie détectée. > Ex. fusion IMU + radar pour détecter finement les changements de direction et de vitesse (Harbers and Jochem 2021).

4.4.4 Intégration dans RoadSimulator3

Le simulateur génère :

  • des événements inertiels réalistes,
  • annotés dans la colonne event,
  • avec signatures précises sur acc_x/y/z et gyro_x/y/z,
  • à 10 Hz.

Grâce à la maîtrise des paramètres simulés, RoadSimulator3 offre une grande diversité de scénarios inertiels, incluant des variations de conduite, de vitesse et de conditions routières.

Cela permet :

  • d’entraîner et tester des détecteurs sur des données riches et contrôlées,
  • de valider des seuils dynamiques, adaptés à la vitesse, au contexte routier, au type de capteur.

4.4.5 Perspectives d’amélioration

  • Détection hybride : mix entre seuils + modèles statistiques + réseaux.
  • Personnalisation : adaptation des seuils au type de véhicule ou à la conduite individuelle.
  • Apprentissage en ligne : ajustement progressif des modèles selon le comportement observé.
  • Détection multimodale : ajout de signatures spécifiques pour piétons, vélos, transports collectifs.

4.4.6 Conclusion

La détection inertielle est une brique fonctionnelle centrale de tout système d’analyse embarquée ou de simulation avancée. Elle permet de :

  • caractériser le comportement du conducteur,
  • anticiper des défauts ou pannes
  • contextualiser la trajectoire dans un modèle spatio-dynamique enrichi.

Le projet RoadSimulator3 fournit un terrain d’expérimentation unique pour concevoir, tester et affiner des détecteurs inertiels dans un cadre expérimental reproductible, maîtrisé et extensible à d’autres contextes de mobilité.

4.5 Détection inertielle des événements de conduite caractéristiques

La détection inertielle d’événements caractéristiques consiste à extraire à partir des signaux IMU les interactions marquantes entre le véhicule et son environnement (chaussée, infrastructure, manœuvres). Ces événements jouent un rôle clé dans la modélisation comportementale, la validation ADAS, la maintenance prédictive, ou encore la qualification des routes.

4.5.1 Objectif

Identifier automatiquement les événements suivants à partir des signaux :

  • Freinage brusque,
  • Accélération vive,
  • Virage prononcé,
  • Dos d’âne,
  • Choc trottoir,
  • Nid de poule,
  • Arrêt moteur (“stop”),
  • Attente moteur tournant (“wait”),

Chacun possède une signature inertielle spécifique sur les axes \(a_x\), \(a_y\), \(a_z\), et parfois gyro.

4.5.2 Définitions formelles des événements

Événement Condition principale Durée typique Signaux dominants
Accélération \(a_x > 2.5\ \text{m/s}^2\) ≥ 0.5 s acc_x
Freinage \(a_x < -3.0\ \text{m/s}^2\) ≥ 0.5 s acc_x
Virage \(|a_y| > 1.5\ \text{m/s}^2\) ou \(|\omega_z| > 15^\circ/s\) ≥ 1.0 s acc_y, gyro_z
Dos d’âne \(a_z > 4\) puis \(a_z < -4\) dans 1 s ~0.5–1.0 s acc_z
Trottoir \(a_z \in [6,8]\), souvent avec pic \(a_y\) < 0.5 s acc_z, acc_y
Nid de poule \(a_z < -5\) puis \(a_z > +5\) en < 0.3 s ~0.2–0.3 s acc_z
Stop Vitesse ≈ 0 pendant > 2 min, sans bruit moteur > 120 s vitesse, silence gyro
Wait Vitesse ≈ 0 pendant 30–120 s, avec bruit moteur 30–120 s vitesse, acc_x ≈ 0, gyro_x

4.5.3 Méthodes de détection

Détection par signature inertielle

Exemple : Dos d’âne

  1. Détection d’un pic vertical : \(a_z > +4, \text{m/s}^2\)

  2. Recherche d’un creux vertical dans les 10 points suivants (1 s à 10 Hz) : \(a_z < -4, \text{m/s}^2\)

  3. Si le délai est respecté : événement détecté.

Fenêtres glissantes et logique temporelle

  • Fenêtres de 10 à 30 points (1–3 s)
  • Calcul de max, min, span, skewness, énergie du signal
  • Application de règles combinées (ex. : si variation brutale d’accélération dans un contexte de faible vitesse, alors freinage probable)

Filtrage + détection impulsive

  • Pour les événements courts (nid de poule, trottoir) :
    • Filtre passe-haut sur acc_z
    • Seuil impulsif détecté avec une durée inférieure à 0.3 s

Fusion IMU + contexte

  • Vérification du type de route via OSM : Dos d’âne en zone urbaine, pas sur autoroute.

  • Croisement avec vitesse : Un freinage détecté à faible vitesse pourrait également correspondre à une descente ou un ralentissement naturel.

4.5.4 Intégration dans RoadSimulator3

  • Génération des événements avec injection précise dans le simulateur.
  • Détection automatisée dans le pipeline de validation (via detect_all_events()).
  • Annotation directe dans la colonne event du CSV simulé.
  • Visualisation sur carte et graphe inertiel (icônes, couleur, légende).

4.5.5 Défis et ambiguïtés

  • Chevauchement : un événement peut en masquer un autre (freinage + dos d’âne, ou une décélération dans un virage serré).
  • Contexte manquant : difficile de distinguer un freinage d’une montée si seule l’accélération est analysée.
  • Signature partielle : événements réels peuvent être tronqués ou bruités.

4.5.6 Perspectives

  • Détection hybride seuils + apprentissage
  • Détection probabiliste : probabilités croisées d’événement vs bruit
  • Graphes d’événements : pour reconstituer des scénarios de conduite
  • Mémoire temporelle : LSTM, GRU pour suivre les transitions

4.5.7 Conclusion

La détection inertielle d’événements caractéristiques est un enjeu structurant pour tout projet de télématique ou de simulation avancée. Elle permet :

  • D’annoter automatiquement les trajets,
  • De détecter des comportements à risque ou des défauts de voirie,
  • De calibrer et valider des simulateurs inertiels réalistes.

Dans RoadSimulator3, cette détection est à la fois un outil de validation et un levier pour enrichir les cas d’usage.

4.6 Limites des approches classiques et apport de RoadSimulator3

Les approches classiques de simulation de trajectoires, d’analyse inertielle ou de détection d’événements souffrent de plusieurs limitations majeures dès lors qu’il s’agit de reproduire fidèlement la dynamique d’un véhicule sur route, dans des contextes variés, et à haute fréquence.

4.6.1 Limites des approches existantes

  1. Fréquence d’échantillonnage insuffisante

    • Typiquement 1 Hz (voire 0.2 Hz pour les traces OBD ou GPS télécoms).
    • Impossible de détecter des événements brefs (freinage, dos d’âne, nid de poule).

  2. Données GPS-only

    • Sans accéléromètre ni gyroscope, la dynamique du véhicule est absente.
    • Pas d’accès à l’information inertielle fondamentale (acc_x, acc_y, acc_z, gyro).

  3. Absence de modélisation physique ou contextuelle

    • Absence de prise en compte d’éléments contextuels fondamentaux :
      • la pente issue de l’altimétrie (effet sur l’accélération),
      • la sinuosité de la trajectoire (virages, ronds-points),
      • la typologie de route (urbain, autoroute, rural),
      • la vitesse cible attendue selon l’environnement routier.

  4. Modèles inertiels simplifiés voire inexistants

    • Très rares sont les simulateurs qui génèrent des signaux inertiels réalistes.
    • Le bruit, les profils temporels, la cohérence gyro-accélero sont ignorés.

  5. Pas de gestion du bruit inertiel ni des erreurs MEMS

    • Or le bruit inertiel n’est pas blanc, il est coloré, corrélé, stochastique.
    • Aucun simulateur standard ne modélise les erreurs de type Gauss-Wiener (biais + dérive).

  6. Aucune injection d’événements spécifiques

    • Les événements typiques (freinage, dos d’âne, choc trottoir…) sont absents ou caricaturaux.
    • Aucune structure d’injection ni annotation cohérente.

  7. Simulateurs existants limités

    • Certains simulateurs comme SIMU‑IMU (Trung et al., 2022) permettent de générer des signaux inertiels synthétiques à partir de trajectoires.
    • Toutefois, ces frameworks restent génériques : pas de relief, pas de typologie routière, pas de logique d’événement contextualisée.
    • Ils n’intègrent ni freinages, ni ralentisseurs, ni bruit réaliste associé à la topographie ou au comportement du conducteur.

  8. Pas de validation croisée

    • Ni détection rétrospective, ni confrontation à des règles de cohérence inertielle.

Exemple de simulateur existant : SIMU‑IMU (Trung et al., 2022)

SIMU‑IMU est un simulateur académique de signaux IMU synthétiques à 10 Hz, générés à partir de trajectoires GPS ou simulées. Il permet de produire des signaux d’accéléromètre et de gyroscope annotés, utiles pour l’apprentissage supervisé. Toutefois, il présente plusieurs limitations :

  • Aucune intégration de relief, de typologie routière ou de comportement dynamique ;
  • Pas d’événements inertiels réalistes (freinage, ralentisseurs, virages, etc.) ;
  • Aucune modélisation de bruit MEMS avancée (biais, dérive, bruit coloré) ;
  • Pas de validation croisée ni de structure de détection automatique.
  • Utile comme référence académique, mais insuffisant pour les cas réalistes embarqués.

➡️ RoadSimulator3 dépasse ces limites en proposant : - Une inertie contextualisée enrichie (topographie, type de route, vitesse cible) ; - Une injection d’événements réalistes et paramétrables ; - Une validation automatique par détection croisée ; - Une interopérabilité possible avec les signaux générés par SIMU‑IMU.

Ainsi, SIMU‑IMU constitue une baseline utile, mais RoadSimulator3 fournit une simulation plus complète, adaptée à des cas d’usage avancés.

4.6.2 Apports de RoadSimulator3

Le simulateur RoadSimulator3 apporte une réponse structurée à chacune de ces lacunes :

Dimension Approches classiques RoadSimulator3
Fréquence 0.2 à 1 Hz 10 Hz (100 ms)
Inertie (acc_x/y/z, gyro) Non Oui (avec bruit et signature réaliste)
Événements inertiels Non / simplifiés Oui (freinage, dos d’âne, trottoir, etc.)
Contexte route (pente, courbe) Non Oui (via OSM + SRTM + OSRM)
Bruit MEMS Non modélisé Oui (bruit coloré + erreurs stochastiques)
Détection automatique Absente Oui (algorithmes intégrés de détection)
Formats exportables CSV simple CSV structuré, JSON enrichi, carte HTML interactive
Simulation gyroscopique Rare Oui (gyro_x, gyro_y, gyro_z injectés)
Interopérabilité avec simulateurs externes Non Oui (ex. comparaison avec SIMU‑IMU possible)
Comparaison avec frameworks existants Générique sans contexte Oui (interopérable et comparé à SIMU‑IMU)
Validation Manuelle ou absente Automatique (comparaison injection vs détection)
Multimodalité Non Envisagée (vélo, piéton, TC, etc.)

4.6.3 Impact scientifique et applicatif

Grâce à cette approche :

  • La simulation devient exploitable pour l’apprentissage automatique (datasets inertiels annotés).

  • Les trajectoires générées sont cohérentes, réalistes, exploitables par des modèles de scoring ou de maintenance prédictive.

  • Le système est configurable et extensible : chaque événement peut être paramétré, les règles de détection ajustées.

  • Par comparaison avec SIMU‑IMU, RoadSimulator3 apporte une simulation contextualisée, enrichie par les données géographiques et une logique comportementale d’injection d’événements réalistes.

Ces avancées positionnent RoadSimulator3 comme une plateforme robuste pour la recherche appliquée en télématique et simulation embarquée.

4.6.4 Perspectives d’amélioration

  • Prise en charge du multimodal complet (bus, tram, piéton).
  • Modélisation gyroscopique fine pour les virages complexes, ronds-points et évitements.
  • Génération automatisée de scénarios de conduite synthétiques.

4.7 Présentation de la chaîne logicielle RoadSimulator3

Le simulateur RoadSimulator3 repose sur une chaîne logicielle modulaire et évolutive, conçue pour générer, enrichir, valider et visualiser des trajectoires véhicules simulées à haute fréquence (10 Hz) avec inertie réaliste et événements de conduite injectés.(Trung, Hoang, and Nguyen 2022)

Cette architecture vise une double finalité :

  • Offrir une plateforme scientifique reproductible pour la recherche en dynamique véhicules, télématique et apprentissage.
  • Fournir un outil pratique et configurable pour l’industrie (tests virtuels, jeux de données synthétiques, analyse embarquée).

4.7.1 Architecture modulaire

La chaîne logicielle est divisée en modules autonomes orchestrés par une CLI (interface en ligne de commande) :

Étape Module principal Fonction
1. Génération de l’itinéraire core/osrm_utils.py Requête OSRM locale pour créer un trajet routier réel
2. Interpolation spatiale core/interpolation.py Densification de la trace à pas fixe (~0.83 m)
3. Simulation GPS/IMU simulator/simulator.py Génération des points à 10 Hz avec vitesse, inertie, gyro
4. Injection d’événements simulator/events/generation.py Ajout des profils inertiels (freinage, dos d’âne, etc.)
5. Enrichissements contextuels core/osmnx/, core/terrain_utils.py Ajout du type de route, pente, altitude
6. Détection & validation simulator/events/detectors.py Détection automatique pour évaluer la fidélité(Guo, Sun, and Li 2021)
7. Export et visualisation tools/generate_outputs.py Carte interactive, graphiques, CSV/JSON annotés

4.7.2 Pipeline d’exécution complet (simulate_and_check.py)

Le schéma suivant illustre l’enchaînement modulaire complet tel qu’orchestré par le script principal simulate_and_check.py.

Schéma général de la chaîne logicielle RoadSimulator3
  • 🛰️ simulate_route_via_osrm() → génération de la trajectoire avec interpolation
  • ⚙️ apply_all_events() → injection inertielle (acc, gyro)
  • 🗺️ enrich_contextual_data() → ajout des données OSM/SRTM
  • 🧪 detect_all_events() → détection croisée inertielle
  • 📦 export_all_outputs() → CSV, JSON, carte HTML, PNG

4.7.3 Principales caractéristiques techniques

  • Simulation inertielle réaliste :

  • Synchronisation temporelle rigoureuse :

    • Fréquence fixe (10 Hz).
    • Timestamps ISO synchronisés entre GPS, inertie, événements.

  • Enrichissement géographique automatique :

    • Typologie routière via OSMnx (highway=*).
    • Altitude via SRTM ou API IGN.
    • Détection de ronds-points, virages, pentes.

  • Validation croisée :

    • Comparaison automatique entre événements injectés et détectés.
    • Mesures de rappel / précision par type d’événement.

4.7.4 Visualisation finale

Chaque simulation produit automatiquement un dossier out_/ contenant :

  • Une carte HTML interactive avec :

    • Le tracé du trajet.
    • Les événements représentés par des icônes.
    • Les arrêts et livraisons annotés.

  • Deux graphes temporels :

    • Vitesse.
    • Arrêts (stop/wait).

  • Un CSV et JSON standardisés, conformes à un schéma fixe :

timestamp, lat, lon, speed, acc_x, acc_y, acc_z, gyro_x, gyro_y, gyro_z, event, road_type

4.7.5 Technologies utilisées

  • Langage principal : Python 3.10+

  • Dépendances clés :

    • pandas, numpy, scipy, folium, matplotlib
    • osmnx, requests, yaml, pyproj

  • Conteneurisation : support Docker pour les API locales OSRM/OSMNx/SRTM

  • Format de config : config.yaml centralisé

  • Export : CSV, JSON, HTML, PNG

4.7.6 Conception orientée recherche

  • Tous les modules sont testables individuellement (tests unitaires).
  • Documentation fournie pour chaque fonction clé.
  • Possibilité de reconstituer une simulation à partir d’un CSV existant (reconstruction via OSRM).

4.7.7 Perspectives

Des évolutions prévues incluent :

  • La génération de profils gyroscopiques autour des virages/ronds-points.
  • Le support natif du multimodal (trajets piétons, vélo, transport collectif).
  • L’intégration d’un moteur de simulation 3D ou cinématique pour la phase de validation physique.

4.8 État de l’art et positionnement

4.9 Synthèse critique et positionnement scientifique

L’analyse approfondie de l’état de l’art en simulation de trajectoires, modélisation inertielle, et détection d’événements dynamiques met en évidence plusieurs limites structurelles dans les approches existantes, qu’elles soient issues du monde académique ou industriel.

4.9.1 Limites des approches classiques

  1. Faible fréquence d’échantillonnage

    La plupart des simulateurs ne dépassent pas une fréquence de 1 Hz, ce qui rend impossible la capture de micro-événements dynamiques, notamment :

    • freinages brusques,

    • accélérations vives,

    • franchissements de dos d’âne ou chocs ponctuels.

      Or, une fréquence de 10 Hz (100 ms) est le seuil nécessaire pour modéliser des phénomènes inertiels transitoires.

  2. Absence de modélisation inertielle réaliste

    Les approches se limitent souvent à la génération de trajectoires GPS lisses, sans composante inertielle. Lorsqu’elles existent, les signaux acc_x, acc_y, acc_z sont :

    • soit simulés avec des modèles trop simples,
    • soit incohérents avec les lois physiques et la dynamique du véhicule.

  3. Défaut de contextualisation géographique

    Peu d’outils intègrent la topographie (pente, altitude), le type de route (urbain, rural, autoroute) ou la sinuosité pour adapter la dynamique du véhicule à son environnement réel. Cela entraîne une perte de réalisme dans la vitesse, la trajectoire ou les profils d’accélération.

  4. Événements de conduite absents ou mal modélisés

    Les événements critiques comme le passage sur un dos d’âne ou un trottoir ne sont ni injectés, ni détectables dans les données produites. Cela empêche toute validation des algorithmes de détection ou de scoring comportemental.

  5. Détection inertielle ambiguë

    L’interprétation des signaux IMU isolés conduit souvent à des faux positifs, comme la confusion entre un freinage et une descente. Par exemple, une décélération de –2.5 m/s² sur une pente de –7% peut mimer un freinage sans en être un. Les approches n’intègrent pas toujours :

    • la vitesse,
    • la pente,
    • ou des contraintes topographiques, pour lever ces ambiguïtés.

4.9.2 Positionnement scientifique de RoadSimulator3

RoadSimulator3 se positionne comme une réponse cohérente et systémique à ces manques. Il intègre :

  • Une simulation spatio-temporelle haute fréquence (10 Hz) couplée à une modélisation inertielle fine.
  • L’injection contrôlée d’événements caractéristiques avec signatures IMU réalistes (bruit compris).
  • Une détection automatique de ces événements, permettant de valider la simulation et de créer des jeux de données annotés.
  • L’enrichissement contextuel par données OSM (type de route, courbure), données altimétriques (pente) et intégration possible d’incertitudes capteurs.
  • Ces briques sont interconnectées dans une pipeline logicielle modulaire documentée en section 1.6.

Ce positionnement hybride (simulation + annotation + validation) offre une valeur ajoutée unique pour les domaines suivants :

  • ADAS et conduite autonome (validation sur scénarios critiques),
  • Maintenance prédictive (analyse inertielle fine),
  • Sécurité routière (détection de comportements à risque),
  • Apprentissage automatique (jeux de données riches et réalistes),
  • Télématique embarquée (intégration capteurs + réseau).

4.9.3 Contributions scientifiques attendues

La présente recherche propose les contributions suivantes :

  1. Un simulateur modulaire et complet, capable de produire des trajectoires GPS/IMU enrichies, avec bruit inertiel réaliste et fréquence stable.

  2. Un modèle formel des événements inertiels, avec génération réaliste, détection par signatures inertielle, et validation croisée, dans une optique de reproductibilité scientifique.

  3. Une validation croisée des événements simulés, combinant détection algorithmique et injection contrôlée.

  4. Des visualisations et exports standardisés, permettant l’exploitation industrielle ou académique des jeux de données.

4.9.4 Intégration dans les recherches actuelles

Ce travail s’inscrit dans la continuité de plusieurs axes de recherche :

  • La fusion de capteurs pour navigation en conditions GNSS dégradées,
  • La détection inertielle d’événements routiers (chocs, freinages, virages),
  • La génération de données synthétiques annotées pour apprentissage supervisé,
  • La simulation hybride des dynamiques véhicules,
  • La modélisation télématique haute fréquence, pour l’analyse comportementale à l’échelle individuelle et de flotte.

Il se distingue par son niveau d’intégration, sa granularité temporelle, et la qualité inertielle des données produites, tout en restant reproductible et open source.