6  Chapitre 04

7 Chapitre 4 — Simulation dynamique et injection d’événements inertiels

7.1 Introduction

Fort des fondements géographiques et inertiels posés dans les chapitres précédents, ce chapitre s’attache à décrire la simulation dynamique complète du véhicule, en articulant lois physiques, comportements routiers et signaux inertiels à haute fréquence (10 Hz). L’objectif est de reproduire les micro-variations caractéristiques des trajets réels, en tenant compte des lois mécaniques, du comportement conducteur et du contexte routier.

La modélisation dynamique s’appuie sur les trois axes fondamentaux du mouvement :

  • Longitudinal : accélérations, freinages, adaptation à la pente ;

  • Latéral : virages, ronds-points, trajectoires courbes ;

  • Vertical : franchissements d’obstacles, nids de poule, dos d’âne.

Ces dimensions sont complétées par la simulation gyroscopique (rotation autour des axes), afin de générer un signal inertiel complet sur les 6 degrés de liberté.

En parallèle, ce chapitre introduit les méthodes d’injection réaliste d’événements inertiels, fondées sur :

  • des profils expérimentaux ou théoriques pour chaque type d’événement (freinage, choc trottoir, etc.),

  • une distribution aléatoire mais plausible dans l’espace-temps,

  • une compatibilité avec les contextes routiers extraits d’OSM.

Chaque événement injecté doit pouvoir être détecté en aval par des algorithmes de détection inertielle, validant ainsi la robustesse de la simulation.

Enfin, des mécanismes de gestion du bruit capteur (biais, incertitude MEMS) sont intégrés pour simuler le comportement des capteurs dans des conditions variées, allant de l’IMU low-cost au capteur de grade automobile.

Ce chapitre jette ainsi les bases de la génération de trajectoires dynamiquement crédibles, inertiellement cohérentes, et comportementalement annotées, étape clé vers la validation d’algorithmes embarqués, la simulation de systèmes ADAS, ou la recherche en télématique comportementale. Ces trajectoires simulées offrent ainsi un socle robuste pour des expérimentations opérationnelles, allant de la calibration d’algorithmes ADAS à la génération de jeux de données réalistes pour l’analyse comportementale.

7.2 Modèle de vitesse et accélérations

La simulation inertielle réaliste d’un véhicule repose sur la génération d’un profil de vitesse cohérent, respectant les conditions routières, le comportement du conducteur simulé, et les événements ponctuels (freinage, stop, virage, etc.). Ce profil est ensuite dérivé pour générer les accélérations longitudinales, à la base du signal IMU.

Cette étape s’appuie sur les bases posées au chapitre précédent, notamment la structuration des données GPS/IMU à haute fréquence (10 Hz) et l’impact du terrain sur la dynamique longitudinale.

7.2.1 Objectif du modèle

L’objectif est de générer une courbe de vitesse instantanée \(v(t)\) à fréquence régulière (10 Hz), avec :

  • Des transitions réalistes entre les phases (accélération, croisière, décélération),

  • Une vitesse cible adaptative selon :

    • le type de route (road_type issu d’OSM),

    • la sinuosité locale,

    • les événements ou obstacles (ex : stop, virage, dos d’âne),

  • Des contraintes physiques de variation (accélération max/min),

  • Un bruit réaliste pour simuler les fluctuations naturelles de conduite.

7.2.2 Détermination de la vitesse cible

Chaque segment de trajectoire se voit assigner une vitesse cible \(v_{\text{cible}}\), déterminée par une règle heuristique ou un modèle probabiliste, en fonction :

  • Du tag highway=* OSM (ex : residential → 30 km/h, primary → 80 km/h),

  • Du rayon de courbure local \(R\) : si \(R < 50\) m, la vitesse est réduite.
    Cette réduction est proportionnelle à l’inverse de la racine du rayon : \(v \propto \frac{1}{\sqrt{R}}\) dans les modèles classiques de trajectoire,

  • D’éventuelles contraintes locales (stop, livraison, ralentisseur),

  • D’un modèle comportemental (conducteur prudent, rapide, agressif…).

La vitesse cible varie donc spatialement selon le contexte routier.

7.2.3 Interpolation dynamique de la vitesse

Pour obtenir une vitesse continue \(v(t)\) :

  • Une interpolation par segments est effectuée entre deux vitesses cibles,

  • Les transitions sont lissées pour respecter une accélération maximale (\(|a_x| < 3.0\) m/s²),

  • Une oscillation sinusoïdale légère est ajoutée pour simuler les micro-ajustements du conducteur : \[ v(t) = v_{\text{cible}} + A \cdot \sin(\omega t + \phi) \] où :

  • \(A\) est l’amplitude (ex : 0.5 km/h),

  • \(\omega\) la fréquence d’oscillation (ex : 0.2 Hz),

  • \(\phi\) la phase initiale aléatoire.

7.2.4 Génération de l’accélération longitudinale \(a_x(t)\)

Une fois \(v(t)\) interpolée, l’accélération longitudinale est dérivée par : \[ a_x(t) = \frac{v(t+\Delta t) - v(t)}{\Delta t} \] avec \(\Delta t = 0.1\) s.

Cette approximation par différences finies est suffisante à 10 Hz, mais pourrait être améliorée par des dérivées centrées ou des modèles spline en cas de fréquence plus élevée.

Un filtrage inertiel est ensuite appliqué pour simuler un capteur MEMS :

  • Ajout de bruit blanc gaussien (\(\sigma \sim 0.05\) m/s²),

  • Simulation de drift ou de biais aléatoires.

7.2.5 Phases typiques générées

Phase Description Exemple
Accélération initiale Montée rapide vers 30-50 km/h Sortie de stationnement
Croisière Vitesse stable, légère ondulation Route droite
Décélération progressive Réduction de vitesse douce Approche d’un virage
Freinage brusque Pic négatif d’accélération Obstacle ou stop

7.2.6 Visualisation typique (exemple)

(Courbe de vitesse simulée avec accélération dérivée, fréquence 10 Hz)

Voir Figure 4.1 pour un exemple issu d’un scénario de livraison simulé.

7.2.7 Intégration dans RoadSimulator3

Dans RoadSimulator3, cette logique est implémentée dans le module simulator/dynamics/longitudinal.py. Elle pilote ensuite :

  • La génération d’acc_x,

  • La synchronisation avec les événements inertiels (freinage, accélération…),

  • La validation via les détecteurs inertiels (detect_freinage()…),

  • L’ajustement dynamique selon la pente (voir section 4.2).

7.2.8 Conclusion

La génération réaliste de la vitesse \(v(t)\) est la première étape vers une simulation inertielle cohérente. En modulant cette vitesse selon le contexte routier et les événements, le simulateur permet de reproduire des profils d’accélération crédibles, exploitables en détection, en fusion multi-capteurs ou en scoring comportemental.

7.3 Modèle de variation gyroscopique

La modélisation gyroscopique complète la simulation inertielle en représentant les vitesses angulaires subies par le véhicule autour de ses trois axes : roulis (\(x\)), tangage (\(y\)) et lacet (\(z\)). Dans un contexte de conduite terrestre, le gyroscope autour de l’axe vertical (\(gyro_z\)) est le plus sollicité, notamment lors des virages, ronds-points, demi-tours et obstacles verticaux.

7.3.1 Objectif du modèle

Simuler un signal gyroscopique :

  • Coherent avec la géométrie de la trajectoire (virages, intersections),

  • Réaliste en amplitude et durée (ex. \(\pm 10\) °/s pour des virages modérés),

  • Enrichi de bruit inertiel typique des capteurs MEMS,

  • Synchronisé avec les événements inertiels et les accélérations latérales.

7.3.2 Méthode de calcul : dérivée du heading

Le heading \(h(t)\), ou cap, est fourni par OSRM ou interpolé à partir des coordonnées GPS. La variation de direction entre deux points consécutifs permet d’estimer la vitesse angulaire : \[ gyro_z(t) = \frac{h(t+\Delta t) - h(t)}{\Delta t} \] - \(h(t)\) en degrés ou radians, - \(\Delta t = 0.1\) s (fréquence 10 Hz), - Le résultat est exprimé en °/s ou rad/s.

Cette méthode suppose une trajectoire relativement régulière, et les discontinuités doivent être filtrées pour garantir la fiabilité du signal.

Un lissage par filtre médian ou gaussien est appliqué pour atténuer les discontinuités dues au bruit GPS.

7.3.3 Ajout de bruit gyroscopique

Pour simuler un capteur réel :

  • Bruit blanc gaussien : \(\mathcal{N}(0, \sigma^2)\), avec \(\sigma \in [0.1, 0.5]\) °/s,

  • Dérive basse fréquence (bruit coloré) : variation lente à long terme,

  • Biais initial aléatoire : offset constant pour chaque segment.

Ces paramètres peuvent être configurés selon le type de capteur (smartphone, automotive-grade…).

7.3.4 Événements spécifiques à moduler

Certains événements inertiels doivent induire une réponse gyroscopique :

Événement simulé Effet gyroscopique attendu
Virage serré Pic \(gyro_z\) positif ou négatif
Rond-point Variation continue du \(gyro_z\) sur plusieurs secondes
Dos d’âne Possible pic \(gyro_x\) (roulis)
Trottoir / nid de poule Micro-impulsions sur \(gyro_x\), \(gyro_y\)
Demi-tour Variation de heading > 160°, \(gyro_z\) élevé
Changement de voie Pic bref sur \(gyro_y\)

7.3.5 Visualisation typique

La figure suivante illustre la signature inertielle d’un virage simulé, où l’on observe une variation caractéristique sur l’axe de lacet (\(gyro_z\)), typique d’un changement de direction.

Signature inertielle d’un virage simulé (gyro_z)

7.3.6 Intégration dans RoadSimulator3

Le module simulator/dynamics/gyroscopic.py génère les trois colonnes gyro_x, gyro_y, gyro_z à 10 Hz à partir :

  • de la trajectoire interpolée,

  • des changements de cap détectés,

  • des événements injectés (dos_d’âne, trottoir, virage…),

  • du bruit inertiel configuré.

Ce signal complète l’accélération pour simuler une dynamique à 6 degrés de liberté, indispensable à la détection inertielle avancée et à la fusion IMU.

7.3.7 Conclusion

Le modèle gyroscopique simule avec réalisme les rotations du véhicule autour de ses axes. Il enrichit la simulation inertielle en capturant la cinématique angulaire et en rendant visibles les changements de direction ou impacts verticaux, dans une logique cohérente avec le modèle d’accélération longitudinale et latérale. Ces données sont particulièrement utiles dans les algorithmes de détection de virages et de reconstruction de trajectoire.

7.4 Modèle de génération d’événements inertiels

La génération réaliste d’événements inertiels constitue un pilier central du simulateur RoadSimulator3. Ces événements — freinages, accélérations, dos d’âne, nids de poule, franchissements de trottoir — doivent apparaître de manière sporadique mais plausible, avec une signature inertielle fidèle et une cohérence spatio-temporelle.

7.4.1 Objectifs

  • Reproduire des signatures IMU réalistes (acc_x, acc_y, acc_z, gyro_x/y/z),

  • Garantir une variabilité naturelle (amplitude, durée, bruit),

  • Respecter les conditions routières (type de route, pente, vitesse),

  • Injecter les événements à des positions stratégiques (urbain, intersections, ralentisseurs),

  • Assurer la détection automatique possible en aval.

7.4.2 Types d’événements simulés

Événement Axe principal Caractéristiques
Accélération vive acc_x > +2.5 m/s² pendant ≥ 0.5 s
Freinage brusque acc_x < –3.0 m/s² pendant ≥ 0.5 s
Dos d’âne acc_z + gyro_x +4 → –4 m/s² + impulsion gyro_x en 0.5–1.0 s
Nid de poule acc_z –5 → +5 m/s², impulsif < 0.3 s
Choc trottoir acc_z + acc_y pic vertical + latéral
Ouverture de porte gyro_y/z impulsion gyroscopique latérale
Stop moteur acc_x = 0, speed = 0 durée ≥ 120 s
Wait moteur tournant acc_x ≈ 0, speed ≈ 0 30 s ≤ durée < 120 s

7.4.3 Injection des événements : principes

Chaque événement est injecté selon les principes suivants :

  • Placement contrôlé : espacement minimal entre événements, cohérence avec route.

  • Paramétrage configurable : via fichier config.yaml (durée, amplitude, nombre max, bruit).

  • Vérification de non-chevauchement : événements non simultanés.

  • Respect des conditions préalables (ex. : vitesse suffisante pour freinage).

  • Intégration des contraintes de pente, vitesse, sinuosité via les enrichissements OSM/SRTM

7.4.4 Méthode de génération

  1. Choix des index candidats : en excluant les zones d’accélération initiale ou d’arrêt.

  2. Injection de la signature inertielle :

    • Création d’un motif sur acc_x, acc_y, acc_z, et gyro_*,

    • Ajout de bruit inertiel stochastique,

    • Ajout d’un profil gyroscopique (gyro_x, gyro_y, gyro_z) adapté à l’événement,

    • Perturbation de la vitesse ou position si nécessaire.

  3. Marquage dans le DataFrame : ajout de la valeur event = “freinage”, etc.

7.4.5 Exemple : génération d’un dos d’âne

apply_dos_dane(df, index=3212, amplitude=5.2, duration_s=0.8)

  • Pic acc_z : +5.2 m/s²

  • Suivi d’un creux acc_z : –4.9 m/s²

  • Gyro_x : impulsion brève

  • Acc_x corrigé de la pente locale si applicable

  • Position : dans une zone résidentielle

La figure suivante (Figure 4.3) illustre une signature inertielle typique d’un dos d’âne simulé. On y observe : - un pic vertical de l’accélération (acc_z > +5 m/s²), - un creux rapide consécutif (< –4 m/s²), - une impulsion gyroscopique brève sur l’axe X (visible en Figure 4.4).

Figure 4.3 – Signature inertielle d’un dos d’âne simulé (acc_z)

Figure 4.4 – Impulsion gyroscopique sur l’axe X pendant le franchissement du dos d’âne

7.4.6 Synchronisation temporelle

  • Échantillonnage à 10 Hz → chaque signature inertielle dure 5 à 10 points.

  • L’index d’injection est aligné sur la trajectoire GPS.

7.4.7 Validation automatique

Chaque événement généré est :

  • détectable automatiquement via les fonctions de détection,
  • associé à un timestamp précis,
  • intégrable dans une chaîne d’évaluation (qualité des injections, confusion, etc.).

7.4.8 Visualisation typique

timestamp,acc_x,acc_y,acc_z,event
2025-07-25 12:03:11.300,+0.13,+0.01,+9.81,
2025-07-25 12:03:11.400,+0.23,+0.03,+14.3,dos_dane
2025-07-25 12:03:11.500,-0.07,-0.01,+5.8,

7.4.9 Conclusion

Le modèle de génération d’événements inertiels de RoadSimulator3 permet de créer un environnement réaliste, riche en micro-événements caractéristiques. Il assure une parfaite maîtrise du timing, des amplitudes, et du réalisme inertiel, tout en garantissant une compatibilité avec les modules de détection.

7.5 Détection automatique des événements simulés

La détection des événements inertiels constitue un enjeu central dans la validation du simulateur RoadSimulator3. Il ne suffit pas de générer des signatures inertiellement réalistes : encore faut-il qu’elles soient reconnaissables automatiquement par des algorithmes de détection robustes, dans des conditions réalistes de bruit, de fréquence, et de diversité comportementale.

7.5.1 Objectif de la détection

La détection vise à :

  • Retrouver les événements injectés (freinage, dos d’âne, etc.) à partir du signal IMU simulé,

  • Évaluer la précision, le rappel, et la robustesse des méthodes de détection,

  • Vérifier la non-détection de faux positifs dans les zones neutres (croisière, arrêt),

  • Tester des algorithmes simples (seuils, fenêtres glissantes) et avancés (SVM, réseaux neuronaux) dans un cadre contrôlé.

Cette validation constitue une preuve indirecte de réalisme du signal inertiel généré.

7.5.2 Méthodologie

Chaque type d’événement possède une signature inertielle propre (acc_x, acc_y, acc_z, gyro_x/y/z) décrite dans la littérature Chen, Cho, and Shin (2017), Broumandan et al. (2020).

La détection repose sur :

  1. Détection par fenêtre glissante :

    • Analyse d’un segment inertiel de durée fixe (ex : 1s),

    • Calcul de caractéristiques (min, max, dérivées, énergie),

    • Comparaison à des seuils définis ou appris.

  2. Détection par corrélation de forme :

    • Comparaison directe du motif local avec une signature-type,

    • Utilisation de techniques comme la distance dynamique (DTW), corrélation normalisée.

  3. Détection supervisée :

    • Apprentissage sur des données simulées,

    • Classification binaire ou multi-classe par Random Forest, CNN, LSTM, etc. (Du and Xie 2020).

7.5.3 Exemple : détection d’un freinage

7.5.4 Exemple : détection d’un dos d’âne

La figure suivante illustre une signature typique d’un dos d’âne, caractérisée par un pic positif suivi d’un pic négatif sur l’axe vertical (\(acc_z\)), accompagné d’une légère oscillation sur \(gyro_x\) due au basculement du châssis.

Signature inertielle d’un dos d’âne simulé (acc_z et gyro_x)

Critères typiques utilisés : - acc_z > +4 m/s² suivi de acc_z < –4 m/s² dans un intervalle de 0.5 à 1s, - présence d’un changement d’orientation sur gyro_x, - vitesse relativement stable.

La figure suivante illustre la signature gyroscopique typique d’un virage inertiel simulé. On observe une dérive significative sur l’axe de lacet (\(gyro_z\)), sans accélération longitudinale marquée, ce qui permet de distinguer la manœuvre d’un freinage ou d’un dos d’âne.

Signature gyroscopique d’un virage simulé (gyro_z)

Cette signature est caractéristique d’un virage simulé, et permet de le distinguer d’un freinage ou d’un dos d’âne.

Critères typiques utilisés :

  • acc_x < –3.0 m/s² pendant ≥ 0.5 s,
  • variation de vitesse ≥ 10 km/h,
  • gyro_z stable (pas de virage).

Ces critères permettent d’éviter la confusion avec une descente ou une courbe prononcée.

7.5.5 Fonctionnalités intégrées dans RoadSimulator3

Le module simulator/events/detection.py intègre pour chaque événement :

  • une fonction detect_xxx() (ex : detect_freinage()),
  • un système de validation croisée entre événements injectés (event) et événements détectés,
  • des métriques de performance (precision, recall, F1-score) à chaque exécution,
  • des visualisations dynamiques (matplotlib) des détections vs ground truth.

7.5.6 Robustesse face au bruit

Les tests intègrent différents niveaux de bruit inertiel simulé (MEMS low-cost vs automotive-grade), afin d’évaluer la résilience des détections. Les résultats montrent :

  • Une précision moyenne > 90% pour les événements marqués (freinage, dos d’âne),
  • Une baisse de performance pour les événements subtils (trottoir, ouverture de porte) sans enrichissement gyroscopique (Wahlstrom et al. 2016).

7.5.7 Perspectives avancées

L’environnement de détection simulé permet :

  • d’évaluer la performance des modèles d’apprentissage supervisé avant tout usage en réel,

  • de tester des méthodes de fusion capteurs : accéléromètre + gyroscope + GPS + road type,

  • de générer des jeux de données annotés pour la recherche sur les événements de conduite.

7.5.8 Conclusion

La détection automatique constitue un maillon essentiel de la boucle simulation → validation. Elle garantit que les événements simulés dans RoadSimulator3 sont non seulement réalistes sur le plan inertiel, mais également reconnaissables par des algorithmes standards, condition indispensable pour toute application en ADAS, analyse comportementale ou télématique embarquée.

7.6 Visualisation des signatures IMU & évaluation

L’inspection visuelle des signaux inertiels générés est un complément indispensable aux métriques quantitatives. Elle permet de valider empiriquement la cohérence, la lisibilité, la différenciation des événements simulés, et de mieux comprendre les erreurs ou confusions possibles dans les algorithmes de détection.

7.6.1 Objectif

  • Afficher les profils inertiels simulés autour des événements (acc_x, acc_y, acc_z, gyro_x/y/z),

  • Comparer les signaux injectés et détectés pour chaque type d’événement,

  • Identifier les motifs caractéristiques ou ambiguïtés,

  • Servir de support pour l’annotation ou l’étiquetage supervisé.

7.6.2 Visualisation par événement

Pour chaque type (freinage, dos d’âne, etc.), RoadSimulator3 propose une visualisation :

  • Multi-axes IMU (acc_x, acc_y, acc_z + gyro_x/y/z),
  • Fenêtre temporelle centrée sur l’événement (ex : ±2 s),
  • Marqueurs visuels pour :
    • L’indice exact d’injection (event = xxx),
    • Les détections automatiques (pointillés, couleurs),

La superposition permet d’observer la cohérence entre le moment injecté, le signal inertiel, et le résultat de la détection, facilitant l’ajustement des seuils.

  • Possibilité d’afficher la vitesse et le heading pour le contexte.

La figure suivante montre des exemples inertiels typiques des événements d’arrêt : STOP (moteur coupé ≥ 2 min) et WAIT (arrêt moteur allumé 30 s – 2 min). Ces profils présentent des vitesses nulles, une activité gyroscopique résiduelle, et une stabilisation des accélérations.

Figure 4.5 – Signatures inertielle des arrêts STOP et WAIT

7.6.3 Exemple : signature inertielle d’un dos d’âne

  • acc_z : pic positif puis creux (symétrie impulsionnelle),
  • gyro_x : micro-impulsion (effet roulis vertical),
  • acc_x / acc_y : stables.

Figure 4.6 – Signature inertielle typique d’un dos d’âne

Ce type de motif est clairement différentiable d’un freinage (acc_x négatif long) ou d’un virage (acc_y avec gyro_z) (voir aussi (Chen, Cho, and Shin 2017)).

7.6.4 Outils intégrés

Le module tools/visualize_events.py permet :

  • de générer automatiquement un « graphique par type d’événement » injecté dans une simulation,

  • d’exporter des figures haute définition pour publication,

  • d’annoter les erreurs de détection ou chevauchements problématiques,

  • de superposer les signaux simulés avec les seuils de détection.

7.6.5 Évaluation croisée : simulation vs détection

Chaque figure peut inclure une évaluation visuelle de …notamment dans les cas critiques où les signatures se chevauchent ou présentent une ambiguïté entre deux événements proches (ex : virage-freinage) :

Élément Légende Commentaire
Injection Ligne verticale rouge Moment exact de génération
Détection Ligne verticale verte Moment de détection automatique
Signal inertiel Courbes continues Réalisme visuel et bruit simulé
Seuils Bandes ou lignes grises Zones de déclenchement logique

Cette lecture croisée permet de détecter :

  • les faux positifs (détection sans injection),
  • les faux négatifs (injection non détectée),
  • les chevauchements confus (événements consécutifs mal séparés).

7.6.6 Intégration dans RoadSimulator3

Chaque exécution de simulation peut produire une série d’images ou un rapport PDF, synthétisant :

  • Le nombre et la répartition des événements,

  • Le taux de détection par type,

  • Un graphique typique par signature inertielle,

  • Des commentaires ou observations via markdown ou balises HTML.

Ces rapports sont utilisés pour :

  • la validation interne du moteur de simulation,

  • la formation des modèles supervisés,

  • la communication scientifique (publications, thèse).

7.6.7 Perspectives

La visualisation avancée des données IMU permet également :

  • La construction d’un « atlas inertiel » des événements de conduite,

  • La génération d’exemples synthétiques réalistes pour entraîner des modèles « deep learning » (e.g., Kim et al., 2021 (Kim, Lee, and Park 2021)),

  • La détection visuelle de « patterns anormaux ou artificiels ».

7.6.8 Conclusion

L’analyse visuelle des signaux simulés est une composante essentielle de la « boucle qualité de simulation inertielle ». Elle offre un retour immédiat sur le réalisme, la détectabilité, et la différenciation des événements. Associée aux métriques de détection et au paramétrage inertiel, elle permet d’atteindre une simulation robuste, crédible et validée par inspection humaine, détection automatique, et comparaison avec les signatures de référence.

7.7 Conclusion du Chapitre 4 – Modélisation dynamique et simulation inertielle

Ce chapitre a posé les fondations de la modélisation dynamique complète intégrée dans RoadSimulator3. À partir d’une trajectoire GPS interpolée à haute fréquence (10 Hz), l’ensemble des composantes dynamiques du mouvement du véhicule ont été simulées avec un réalisme physique et inertiel élevé.

Les points majeurs sont les suivants :

  • La vitesse \(v(t)\) est générée de manière réaliste, en fonction du type de route, de la sinuosité, des événements, et selon un modèle continu avec oscillation légère (cf. Palanisamy, White, and Rizzoni (2020)).

  • L’accélération longitudinale \(a_x\) est dérivée de la vitesse, avec injection de bruit inertiel conforme aux capteurs MEMS bas de gamme selon Hemerly, Cardoso, and Lopes (2017).

  • L’accélération latérale \(a_y\) est simulée à partir de la courbure de la trajectoire (\(a_y = \frac{v^2}{R}\)), comme décrit par Guo, Sun, and Li (2021) pour les virages et ronds-points.

  • L’accélération verticale \(a_z\) est modulée par la topographie (pente, altitude) et les événements verticaux (dos d’âne, trottoir), conformément à la méthodologie proposée par He, Zhang, and Lee (2019) et Qiu et al. (2024).

  • Les vitesses angulaires gyroscopiques (\(\omega_x\), \(\omega_y\), \(\omega_z\)) sont simulées à partir des dérivées du heading, avec ajout de drift et biais pour refléter les effets inertiels angulaires réels, en accord avec Kim, Lee, and Park (2021).

  • Les événements inertiels (freinage, accélération, dos d’âne…) sont injectés selon une logique rigoureuse : durée réaliste, bruit plausible, conditions routières préalables, signature inertielle différenciée. Ces événements suivent les spécifications définies par les standards de la littérature récente en simulation IMU et détection embarquée, tels que Dong, Ren, and Zhou (2022) et Trung, Hoang, and Nguyen (2022).

  • Le pipeline intègre également une visualisation systématique des profils IMU simulés, facilitant la validation humaine et l’annotation supervisée des événements.

L’ensemble forme une chaîne de simulation dynamique cohérente, capable de produire des données synthétiques hautement réalistes, avec un contrôle précis sur les variations inertielle, gyroscopique et événementielle.

Cette modélisation permet :

  • La génération de jeux de données utilisables pour l’entraînement ou le test de modèles de détection inertielle (apprentissage supervisé ou auto-supervisé),

  • La validation expérimentale des algorithmes de fusion GPS/IMU dans des contextes contrôlés,

  • L’étude de la robustesse des systèmes embarqués à différents types d’anomalies ou comportements de conduite.

7.7.1 Ouverture

Ces fondations inertiellement réalistes ouvrent désormais la voie à une détection fine et automatique des événements simulés. Le prochain chapitre approfondira ces méthodes, du simple seuillage aux approches supervisées robustes, en évaluant leur efficacité sur les données générées.

Le Chapitre 5 développera en détail les méthodes de détection des événements inertiels, avec un accent sur :

  • les algorithmes robustes à seuil,

  • les approches statistiques glissantes,

  • la validation croisée entre injections connues et détections effectuées,

  • et les métriques associées (rappel, précision, confusion…).