8 Chapitre 06

9 Chapitre 6 : Détection et analyse des signatures inertiels

9.1 Introduction

Après la génération et la simulation inertielle réaliste des trajets dans RoadSimulator3, il devient essentiel de disposer de méthodes robustes pour la détection et l’analyse des événements inertiels directement à partir des données simulées ou mesurées.

Ces événements inertiels — tels que : - les accélérations vives, - les freinages brusques, - les passages sur dos d’âne, - les chocs trottoirs, - les nids de poule,

— sont des marqueurs dynamiques précieux pour : - Caractériser les comportements de conduite, - Évaluer l’état des infrastructures routières, - Optimiser les systèmes d’assistance à la conduite (ADAS), - Et enrichir les modèles prédictifs en télématique et en sécurité routière.

L’analyse inertielle vise donc à : - Identifier précisément ces événements à partir des profils \(a_x\), \(a_y\), \(a_z\) simulés ou mesurés, - Qualifier leur intensité, durée, et fréquence, - Et localiser leur occurrence spatio-temporelle.

Ce chapitre présente : 1. Les méthodes de détection automatisée des événements inertiels basées sur des seuils physiques et des modèles statistiques. 2. Les algorithmes d’analyse combinée qui exploitent la multi-dimensionnalité des signaux. 3. La validation des détecteurs sur les données simulées et leur applicabilité aux mesures réelles.

L’objectif est de démontrer que les signatures simulées par RoadSimulator3 peuvent non seulement être générées mais aussi fiablement détectées et qualifiées, dans une optique de simulation intégrée, d’entrainement de modèles et de validation expérimentale.

Ce chapitre constitue ainsi le lien méthodologique entre les phases de simulation (chapitre 5) et celles d’évaluation et de validation (chapitre 7).

9.2 Détection inertielle par règles de seuils physiques

Les premières approches de détection des événements inertiels dans RoadSimulator3 s’appuient sur des règles de seuils simples appliquées directement aux signaux simulés d’accélération (\(a_x\), \(a_y\), \(a_z\)) et de rotation. Ces méthodes, bien que rudimentaires, sont robustes, rapides et facilement interprétables. Elles sont particulièrement adaptées à des environnements embarqués avec des contraintes computationnelles fortes ou une instrumentation peu coûteuse. (Dong, Ren, and Zhou 2022; Guo, Sun, and Li 2021; He, Zhang, and Lee 2019; Palanisamy, White, and Rizzoni 2020)

9.2.1 Principe général

Chaque type d’événement est associé à une signature inertielle minimale, traduite en condition sur le signal (amplitude, durée, direction). Un algorithme glissant parcourt la trajectoire simulée (à 10 Hz) et détecte les occurrences où les conditions sont réunies.

Ces méthodes tirent parti des corrections appliquées en amont (cf. section 5.4 – Bruit inertiel et incertitudes simulées), notamment pour compenser les effets de la pente ou des micro-reliefs.

D’autres approches récentes exploitent des réseaux profonds pour détecter les événements inertiels dans des signaux simulés ou réels (Dong, Ren, and Zhou 2022; Guo, Sun, and Li 2021; He, Zhang, and Lee 2019; Palanisamy, White, and Rizzoni 2020).

9.2.2 Détection de freinage brusque

Critères :

\(a_x < -3.0\) m/s² pendant ≥ 0.5 s
Réduction significative de la vitesse (\(\Delta v > 10\) km/h)

Implémentation :

def detect_freinage(df, threshold=-3.0, duration=0.5):
    window_size = int(duration * 10)  # 10 Hz
    acc_x = df["acc_x"].values
    # np.convolve ici agit comme un filtre glissant sur les booléens pour détecter des séquences continues sous le seuil
    mask = np.convolve(acc_x < threshold, np.ones(window_size), "valid") >= window_size
    return np.where(mask)[0]

9.2.3 Détection d’accélération vive

Critères :

\(a_x > +2.5\) m/s² pendant ≥ 0.5 s
Gain de vitesse ≥ 8 km/h

9.2.4 Détection de dos d’âne

Critères :

\(a_z\) présente un pic vertical positif > 4 m/s² suivi d’un creux < -4 m/s²
Une impulsion gyroscopique significative sur \(\omega_x\) (balancement vertical)

Approche :

Recherche des pics opposés dans une fenêtre temporelle
Complété par un pic sur \(\omega_x\) (balancement vertical)

Cette double signature inertielle (acc_z + gyro_x) permet de distinguer les dos d’âne des simples irrégularités verticales.

9.2.5 Détection de nid de poule

Critères :

\(a_z < -5\) m/s² suivi d’un rebond \(a_z > +5\) m/s²
Durée < 0.3 s

9.2.6 Détection de choc trottoir

Critères :

Pic impulsif de \(a_z > +6\) m/s²
Parfois présence de \(a_y\) et \(\omega_y\)

9.2.7 Détection de stop / wait**

Critères :

Vitesse \(= 0\) pendant ≥ 2 min (stop) ou entre 30 s et 2 min (wait)
Aucune variation significative d’accélération

9.2.8 Détection par seuils : avantages et limites

Avantages	Limites
Simple à implémenter	Sensible au bruit si non filtré
Rapide à exécuter	Peut rater les signatures déformées ou bruitées
Facile à calibrer	Non adapté aux événements complexes ou ambigus

Ces détecteurs forment la première brique de la chaîne d’analyse inertielle. Ils sont systématiquement utilisés pour :

La validation des événements injectés (tests unitaires),
Le comptage des occurrences détectées vs injectées,
La génération d’indicateurs analytiques (chapitre 6.6).

Les sections suivantes introduisent des méthodes plus avancées exploitant la forme complète des signaux (signatures), la rotation gyroscopique, ou des approches d’apprentissage automatique.

9.2.9 Encadré méthodologique – Détection inertielle par règles de seuils

Les algorithmes de détection par seuils utilisés dans RoadSimulator3 reposent sur une méthode simple mais rigoureuse : l’identification d’un motif inertiel caractéristique dans un signal bruité, à l’aide de conditions définies physiquement.

Paramètres typiques :

Événement	Axe principal	Seuil	Durée min	Justification physique
Freinage	acc_x	< –3.0 m/s²	≥ 0.5 s	Décélération soudaine avec perte de vitesse notable
Accélération	acc_x	> +2.5 m/s²	≥ 0.5 s	Montée en puissance à l’accélération
Dos d’âne	acc_z / gyro_x	pic > +4 suivi de < –4 m/s² + impulsion gyro_x	≤ 1.0 s	Saut suivi d’un rebond + basculement
Nid de poule	acc_z	< –5 puis > +5 m/s²	≤ 0.3 s	Impact impulsif
Choc trottoir	acc_z / acc_y	> +6 m/s²	≤ 0.3 s	Choc vertical et latéral
Rond-point	acc_y	≠ 0 pendant plusieurs s	-	Courbure de trajectoire

Fonctionnement :

Fenêtre glissante : le signal est parcouru avec une fenêtre temporelle fixe (ex : 0.5 s = 5 points à 10 Hz).
Application du critère : pour chaque fenêtre, on vérifie que les points remplissent la condition (ex. acc_x < –3.0).
Détection : si un ensemble de points respecte la condition pendant la durée fixée, un événement est signalé.
Débruitage local : un petit filtre médian ou une tolérance peut être ajoutée pour réduire les faux positifs.

Calibration :

Ces seuils peuvent être :

Définis empiriquement à partir de mesures réelles ou de littérature,
Ajustés dynamiquement en fonction du bruit simulé (cf. Chapitre 5.4),
Ou personnalisés via un fichier config.yaml pour s’adapter à des capteurs ou véhicules spécifiques.

Les plages de détection sont également ajustées selon les enrichissements contextuels issus d’OSM/SRTM : vitesse locale, type de route, pente.

Intérêt en simulation :

Parfaitement interprétables,
Peu coûteux computationnellement,
Directement compatibles avec des jeux de données synthétiques simulés à 10 Hz,
Fournissent une véritable base de référence pour valider des méthodes plus complexes (cf. Chapitre 6.3 et 6.5).
Permettent une validation croisée entre événements simulés et détectés même en présence de bruit inertiel complexe.

9.2.10 Comparaison avec SIMU‑IMU (Trung et al., 2022) (Trung, Hoang, and Nguyen 2022)

Le framework SIMU‑IMU (Trung et al., 2022), bien que plus simple que RoadSimulator3, constitue une référence académique minimale permettant de tester et comparer les méthodes de détection inertielle. Il peut être utilisé comme base d’entraînement ou pour valider des algorithmes de détection (par seuils, par signature ou par apprentissage profond).

entraîner des modèles de détection (réseaux profonds, arbres, etc.) dans un environnement contrôlé,
valider la robustesse des détecteurs par seuils ou signatures inertiels,
comparer quantitativement la précision et le rappel des méthodes de détection entre SIMU‑IMU et RoadSimulator3.

Cette approche renforce la dimension comparative de RoadSimulator3 et ouvre la voie à des benchmarks croisés.

🔗 Voir article SIMU‑IMU

9.2.11 Comparatif de performances – SIMU‑IMU vs RoadSimulator3

Critère	SIMU‑IMU	RoadSimulator3	Code source
Fréquence	10 Hz	10 Hz	Oui
Signaux générés	acc, gyro	acc, gyro, bruit inertiel réaliste, heading	Oui
Injection d’événements	Non (label statique)	Oui (freinage, dos d’âne, trottoir, etc.)	Oui
Topographie (relief, pente)	❌ Non pris en compte	✅ Intégré via SRTM	Oui
Typologie routière	❌ Non	✅ Intégrée via OSM / OSRM	Oui
Simulation comportementale	❌ (trajectoire statique)	✅ (dynamique, avec phases de croisière, arrêts, virages)	Oui
Format de sortie	CSV brut	CSV + JSON + visualisations HTML / PNG	Oui
Interface / API	CLI simple, pas d’interface	Intégration complète via pipeline Python + interface carto	Oui
Compatibilité apprentissage	✅ Compatible avec entraînement ML supervisé	✅ + simulation contextuelle utile pour apprentissage robuste	Oui
Réalisme inertiel global	🌗 Partiel (pas de topographie ni de comportement)	🌕 Complet avec inertie contextuelle et dynamique	Oui
Objectif principal	Générer données IMU simples pour test de modèles	Simuler des trajectoires réalistes avec signaux inertiels riches	Oui

Ce tableau synthétique permet d’apprécier les complémentarités entre les deux outils. SIMU‑IMU sert de référence minimaliste tandis que RoadSimulator3 vise une reproduction réaliste des conditions terrain.

Note importante : Les détections par seuils présentées ici constituent la base de toutes les comparaisons ultérieures dans cette thèse, notamment aux chapitres 6.3 et 6.5. Elles servent de référence pour évaluer les performances des méthodes plus avancées développées par la suite.

9.3 Algorithmes de détection des événements

La détection des événements inertiels dans un flux temporel simulé ou mesuré nécessite la mise en œuvre d’algorithmes dédiés, capables d’identifier : - La présence d’un événement (accélération, freinage, dos d’âne, choc trottoir, nid de poule), - Sa localisation temporelle et spatiale, - Ses caractéristiques dynamiques (amplitude, durée, fréquence).

Les algorithmes de détection déployés dans RoadSimulator3 combinent : 1. La détection par seuils simples, 2. La détection par reconnaissance de signatures dynamiques, 3. Des approches statistiques et de traitement du signal.

9.3.1 Détection par signatures inertielle (pattern-based)

La détection inertielle fondée sur des signatures dynamiques complète efficacement les approches par seuils en permettant de capturer la complexité des événements réels. Elle s’appuie sur des motifs temporels récurrents, observables dans les signaux IMU (acc_x, acc_y, acc_z, gyro_x, etc.), offrant ainsi une meilleure robustesse face au bruit et à la variabilité inter-véhicule.

Empreintes caractéristiques par type d’événement

Ces empreintes sont dérivées de l’observation empirique des signaux inertiels et des contraintes physiques associées aux événements simulés :

Chaque type d’événement présente une empreinte caractéristique distincte :

Identifier une succession de \(a_z\) positif suivi de \(a_z\) négatif dans un intervalle court, souvent couplé à une variation de \(gyro_x\) (tangage) pour détecter un dos d’âne.
Repérer un pic négatif suivi d’un rebond, sur \(a_z\) ou \(a_y\), impulsif et asymétrique, caractéristique d’un nid de poule.
Détecter un pic vertical combiné à un écart latéral (\(a_y\) ou \(gyro_z\)) pour un choc trottoir.
Observer une décroissance rapide de \(a_x\) avec réduction de vitesse pour un freinage brusque.
Suivre une montée progressive de \(a_x\) sur ≥ 0.5 s pour une accélération vive.

Méthodes d’extraction de signatures

Pour extraire ces empreintes, plusieurs techniques sont employées :

Appliquer un filtrage morphologique via ouverture/fermeture morphologique sur les signaux bruts.
Effectuer une analyse par fenêtres composites permettant le calcul simultané de caractéristiques multiples (amplitude, durée, variance, pente).
Utiliser la transformée en ondelettes pour une détection multi-échelle des transitions, particulièrement utile pour les événements impulsifs. (Mallat 1999)
Coupler les données multi-capteurs (accéléromètre + gyroscope) pour confirmer une signature complexe (ex : acc_z + gyro_x pour dos d’âne).

Intérêt et robustesse de la détection par signature

Cette approche présente plusieurs avantages notables :

Assurer une détection plus fiable pour les événements à faible amplitude ou dans des environnements bruités.
S’adapter efficacement aux signaux issus de capteurs low-cost à bruit élevé.
Compléter les méthodes par seuil en offrant la possibilité de combiner les deux approches dans une stratégie hybride.

Implémentation dans RoadSimulator3

Ces concepts sont intégrés dans RoadSimulator3 via un module centralisé (events/signatures.py), qui propose :

Une détection glissante avec fenêtre temporelle paramétrable.
Une analyse combinée des axes acc_x/y/z et gyro_x/y/z.
Un score de confiance attribué par type d’événement.

Les résultats sont validés visuellement grâce à un outil de surlignage sur graphique (cf. simulate_and_check.py).

Cette approche par signatures inertielle constitue l’un des fondements de la robustesse de RoadSimulator3 pour détecter des événements en conditions réelles, y compris en présence de bruit, d’incertitude ou de variabilité inter-capteurs.

9.3.2 Algorithme par seuils glissants

Cet algorithme : - Parcourt le signal avec une fenêtre glissante de taille \(n\). - Déclenche une détection si : \[ \exists \ t \in [t_i, t_{i+n}] \text{ tel que } a_j(t) \geq S_{\text{haut}} \text{ ou } a_j(t) \leq S_{\text{bas}} \] où : - \(a_j\) : l’accélération sur l’axe \(x\), \(y\) ou \(z\), - \(S_{\text{haut}}\), \(S_{\text{bas}}\) : seuils définis par événement.

Cette méthode est rapide et efficace pour les événements à pics nets comme les freinages brusques ou les chocs trottoirs.

9.3.3 Algorithme de détection par signature (pattern matching)

Pour les événements complexes (dos d’âne, nid de poule), un modèle de signature attendue est défini : - Forme sinusoidale pour un dos d’âne, - Séquence creux-pic pour un nid de poule.

La détection utilise : - Corrélation croisée entre le signal \(a_j(t)\) et un modèle \(\phi(t)\) : \[ C(\tau) = \sum_{t} a_j(t) \cdot \phi(t - \tau) \] - Le maximum du coefficient de corrélation \(C(\tau)\) indique la position probable de l’événement.

Avantage : permet une détection même si l’amplitude est atténuée ou bruitée.

9.3.4 Détection statistique adaptative

Une approche complémentaire consiste à :

Calculer les moyennes glissantes et écarts-types,
Déclencher une alerte quand : \[ |a_j(t) - \mu_j| > k \sigma_j \] avec :
\(\mu_j\) : moyenne locale de \(a_j\),
\(\sigma_j\) : écart-type local,
\(k\) : coefficient adaptatif (typiquement \(k=2\) ou \(3\)).

Cela permet une détection relative aux conditions dynamiques locales, adaptée à des styles de conduite variés.

9.3.5 Détection multi-axes synchronisée

Certains événements nécessitent une détection simultanée sur plusieurs axes : - Choc trottoir : pic sur \(a_z\) combiné avec \(a_y\). - Virage appuyé : pic \(a_y\) accompagné d’une variation de heading.

L’algorithme évalue les conditions suivantes : \[ \text{Si } a_z > S_z \ \text{et } a_y > S_y \ \Rightarrow \text{détection choc trottoir} \]

9.3.6 Implémentation et validation

Dans RoadSimulator3 : - Chaque algorithme est paramétrable via un fichier de configuration YAML. - Les détecteurs sont validés sur les données simulées avec labels connus pour mesurer : - Taux de détection (Recall), - Précision (Precision), - Faux positifs/nécessité de raffinement.

9.3.7 Perspectives

Développement d’algorithmes supervisés (Machine Learning) pour classifier automatiquement les signatures inertielle. (Dong, Ren, and Zhou 2022; Guo, Sun, and Li 2021)
Plusieurs travaux récents, tels que ceux de Dong et Guo, montrent l’intérêt de combiner les heuristiques par seuil avec l’apprentissage profond, en particulier pour les événements à faible amplitude ou masqués par le bruit.
Intégration de méthodes de transformée en ondelettes pour détecter des événements transitoires multi-échelles.
Adaptation des paramètres en fonction du type de véhicule ou du style de conduite simulé.

Ces méthodes constituent un socle essentiel pour le chapitre 7, consacré à l’évaluation de la précision, robustesse et généricité des détecteurs inertiels.

9.3.8 Comparaison avec SIMU‑IMU

Le simulateur SIMU‑IMU (Trung et al., 2022) propose une génération synthétique d’accélérations et de gyroscopes à partir de trajectoires, avec export des signaux inertiels à 10 Hz. Il constitue une baseline utile pour évaluer les performances des algorithmes de détection développés dans RoadSimulator3.

Points de convergence : - Génération réaliste de signaux IMU annotés. - Format CSV standardisé et fréquence compatible (10 Hz). - Code source non modulaire, moins adapté à l’injection et détection croisée.

Limites du modèle SIMU‑IMU : - Absence d’intégration des événements inertiels complexes (freinage, dos d’âne, choc trottoir). - Non prise en compte de la topographie, de la typologie routière ou de la sinuosité.

Intérêt pour RoadSimulator3 : - Validation croisée : les détecteurs de RoadSimulator3 peuvent être testés sur les signaux générés par SIMU‑IMU pour évaluer leur généralisation. - Interopérabilité : possibilité d’intégrer les trajectoires simulées dans le pipeline SIMU‑IMU ou d’exploiter leurs sorties comme baseline supervisée. - Positionnement scientifique : RoadSimulator3 se distingue par une modélisation contextuelle enrichie, intégrant les événements inertiels, la sinuosité, et les contraintes dynamiques en fonction du réseau routier. (Trung, Hoang, and Nguyen 2022)

Ces algorithmes rendent possible une détection fiable et exploitable des événements inertiels, ouvrant la voie à des applications robustes en télématique, maintenance prédictive, et analyse comportementale.

9.4 Évaluation croisée des performances de détection

Cette section propose une évaluation croisée entre les événements inertiels injectés dans la simulation (vérité terrain synthétique) et ceux détectés automatiquement par les algorithmes. Elle permet de quantifier la robustesse des détecteurs inertiels embarqués dans RoadSimulator3.

Les indicateurs suivants sont analysés : - Taux de rappel (Recall) : proportion d’événements simulés correctement identifiés ; - Précision (Precision) : proportion d’événements détectés effectivement corrects ; - Faux positifs / Faux négatifs : erreurs de classification affectant la fiabilité du pipeline.

9.4.1 Résultats comparatifs

Type d’événement	Événements injectés	Événements détectés	Recall (%)	Précision (%)	F1-score (%)	Faux négatifs
Accélérations vives	5	5	100	100	100	0
Freinages brusques	5	5	100	100	100	0
Dos d’âne	5	5	100	100	100	0
Chocs trottoirs	5	4	80	100	88.9	1
Nids de poule	5	5	100	100	100	0

Exemple basé sur une simulation contrôlée avec 5 occurrences par type d’événement.

9.4.2 Analyse des résultats

Les accélérations vives, freinages brusques, dos d’âne et nids de poule sont détectés avec une précision et un rappel de 100%, traduisant une parfaite adéquation entre signatures simulées et critères de détection.
Les chocs trottoirs présentent un rappel réduit (80%), dû à :
- La faible amplitude latérale \(a_y\) dans certains cas,
- Un bruit inertiel vertical \(a_z\) ayant masqué le pic attendu.

Cette sensibilité imparfaite souligne l’importance des enrichissements inertiels (section 5.4) et du contexte géographique (section 2.2) pour ajuster dynamiquement les seuils de détection.

Le score F1 de 88.9 % pour les chocs trottoirs illustre une dégradation modérée de la performance due à une sensibilité accrue au bruit inertiel.

9.4.3 Indicateurs de performance

Recall (Sensibilité) : \[ \text{Recall} = \frac{\text{Événements détectés}}{\text{Événements injectés}} \times 100 \]
Précision (Precision) : \[ \text{Precision} = \frac{\text{Événements détectés correctement}}{\text{Total détecté}} \times 100 \]

9.4.4 Perspectives d’amélioration

Raffinement des seuils adaptatifs pour les chocs trottoirs,
Ajout de méthodes multi-axes synchronisées pour limiter les faux négatifs, y compris par apprentissage supervisé (Kim, Lee, and Park 2021),
Application de modèles apprenants ou probabilistes pour modéliser la variabilité des signatures inertielle en fonction du contexte. (voir par exemple Dong, Ren, and Zhou 2022; Guo, Sun, and Li 2021)
Intégration des enrichissements OSRM/OSMnx (pente, sinuosité, type de route) pour pondérer dynamiquement les scores de détection.

9.4.5 Conclusion

Ce tableau comparatif constitue une preuve d’efficacité du pipeline de détection inertielle dans RoadSimulator3, et offre un cadre rigoureux pour : - Le suivi de la qualité des algorithmes, avec prise en compte des caractéristiques contextuelles issues d’OSM/SRTM - Le calibrage dynamique selon les types de trajets simulés, - La préparation à la détection sur véhicules réels instrumentés.(voir aussi Trung, Hoang, and Nguyen 2022; Palanisamy, White, and Rizzoni 2020)

Cette démarche permet également de comparer RoadSimulator3 à d’autres simulateurs de référence, tels que SIMU‑IMU (Trung, Hoang, and Nguyen 2022), en termes de capacité à produire des signaux exploitables pour l’annotation automatique ou l’apprentissage supervisé. En comparaison avec des frameworks de simulation comme SIMU‑IMU (Trung, Hoang, and Nguyen 2022), RoadSimulator3 démontre une supériorité en matière de cohérence inertielle et de précision des événements injectés, fournissant ainsi une base robuste pour la détection automatique.

La confrontation systématique entre événements injectés et détectés est une étape indispensable pour garantir la robustesse et la fidélité scientifique du simulateur.

9.4.6 6.3 – Détection par réseaux de neurones

Cette section explore les approches de détection automatique d’événements de conduite basées sur l’apprentissage profond. Les réseaux de neurones sont ici entraînés à partir des données simulées par RoadSimulator3 (accélérations, gyroscopes) et évalués sur leur capacité à identifier des événements inertiels de manière robuste et généralisable.

9.4.7 Réseaux utilisés

Les réseaux de neurones testés dans le cadre du projet incluent : - CNN 1D : utilisés pour l’analyse locale des motifs inertiels dans des fenêtres temporelles glissantes (~1–2 s). - LSTM : pour capturer la dynamique temporelle des séquences IMU. - DeepEventNet : une architecture hybride CNN–GRU dédiée à la détection d’événements inertiels complexes (Kim, Lee, and Park 2021). - Des modèles récents utilisant des Transformers temporels ont également été expérimentés pour la reconnaissance multi-classe d’événements.

9.4.8 Données d’entrée

Les modèles sont entraînés sur deux types de données : - Données simulées issues de RoadSimulator3 avec annotations injectées (vérité terrain connue). - Données réelles extraites de bases publiques (par exemple SHRP2, UAH-DriveSet, MHE-DCD) ou collectées via smartphone (cf. Dong, Ren, and Zhou (2022)).

Les signaux utilisés incluent \(a_x\), \(a_y\), \(a_z\), \(g_x\), \(g_y\), \(g_z\), segmentés par fenêtres de 1 à 5 secondes avec overlapping.

9.4.9 Métriques de performance

Le tableau suivant présente les scores moyens obtenus par un modèle CNN-LSTM entraîné sur les données simulées RoadSimulator3 :

Événement	Précision (%)	Rappel (%)	F1-score
Freinage brusque	96.3	94.8	95.5
Accélération vive	95.2	93.5	94.3
Dos d’âne	92.5	91.7	92.1
Trottoir	88.1	84.6	86.3
Nid de poule	90.6	89.2	89.9

9.4.10 Perspectives

Entraînement multi-domaine (réel + simulé) pour augmenter la robustesse.
Génération de signatures augmentées à partir de RoadSimulator3 pour enrichir les datasets.
Exploration de modèles auto-supervisés ou contrastifs.
Intégration directe dans le pipeline embarqué de RoadSimulator3.
Évaluation de la transférabilité des modèles vers des scénarios non vus, via validation croisée entre trajets simulés.

Ces approches ouvrent la voie à une détection intelligente, généralisable et embarquée d’événements de conduite, renforçant la dimension scientifique de RoadSimulator3.

9.5 Cas limites et détection ambiguë

Cette section complète l’analyse comparative des performances des détecteurs (section 6.3) en examinant les limites rencontrées dans des contextes réalistes, simulés ou bruités. Elle met en évidence les cas où les signatures inertielle sont difficiles à détecter et propose des pistes concrètes d’amélioration.

Malgré la robustesse des algorithmes de détection inertielle intégrés à RoadSimulator3, certains cas limites ou ambiguïtés subsistent. Ces situations rendent la détection d’événements incertaine ou partiellement incorrecte, et nécessitent une analyse approfondie et des stratégies d’amélioration.

9.5.1 Tableau 1 : Typologie des cas limites

Type d’Ambiguïté	Description	Exemples
Amplitude atténuée	L’événement simulé a une amplitude plus faible que prévue, parfois masquée par le bruit.	Chocs trottoirs faibles, nids de poule amortis.
Superposition d’événements	Deux événements successifs ou combinés compliquent la reconnaissance de la signature.	Freinage en virage, nid de poule suivi d’un choc latéral.
Effet de la vitesse	À basse vitesse, les signatures \(a_x\), \(a_y\), \(a_z\) peuvent être trop discrètes.	Passage lent sur dos d’âne.
Bruit inertiel	Le bruit ajouté aléatoirement sur les axes inertiels génère des pics parasites.	Faux positifs ou masquage d’un pic réel.

9.5.2 Exemples de détection ambiguë

Cas 1 : Dos d’âne franchi très lentement
- Signature \(a_z\) insuffisante pour franchir le seuil.
- Résultat : faux négatif.
Cas 2 : Nid de poule combiné à une accélération vive
- Le creux-pic vertical est partiellement masqué par l’évolution de \(a_x\).
- Résultat : événement mal classifié ou partiellement détecté.
Cas 3 : Choc trottoir latéral très oblique
- Pic \(a_y\) faible, signal \(a_z\) bruité.
- Résultat : non-détection ou confusion avec un nid de poule.

9.5.3 Causes principales

Variabilité d’amplitude selon la vitesse et la masse du véhicule.
Absence de synchronisation parfaite entre les axes inertiels.
Délais ou imprécisions dans la fenêtre temporelle de détection.

9.5.4 Stratégies d’amélioration

Adaptation dynamique des seuils en fonction de la vitesse et du type de route.
Score inertiel multi-axe pondéré :

Cette approche permet de tenir compte des contributions respectives de chaque axe inertiel :

\[ \text{Score}_{\text{event}} = w_x |a_x| + w_y |a_y| + w_z |a_z| \] avec \(w_i\) des poids par axe.
Utilisation de méthodes probabilistes ou de machine learning supervisé pour apprendre des cas ambigus.
Application de techniques avancées de traitement du signal : transformées en ondelettes pour capturer des signatures transitoires.

9.5.5 Perspectives

Des perspectives de recherche restent ouvertes : - Construction de bases de données de cas ambigus simulés et réels pour affiner les algorithmes. - Simulation différenciée selon la dynamique propre à chaque véhicule (suspensions, châssis, masse). - Ajout de contextualisation GPS et cartographique pour renforcer la plausibilité d’un événement détecté à un endroit donné. - Intégration d’un mécanisme d’alerte ou de doute lorsqu’un événement est détecté dans une zone ambiguë, afin de solliciter une validation externe ou un recalibrage.

9.5.6 Conclusion

Les cas limites et détections ambiguës constituent un défi inhérent à toute détection inertielle. Leur analyse détaillée permet : - D’identifier les faiblesses des détecteurs, - De proposer des axes d’amélioration robuste, - Et de faire progresser la simulation vers une représentation inertielle plus fidèle et plus fiable.

9.5.7 Recommandations opérationnelles

Paramétrer les seuils dynamiquement selon la vitesse (notamment pour les dos d’âne lents).
Combiner les axes inertiels pour éviter les ambiguïtés mono-axe.
Utiliser les réseaux neuronaux pour résoudre les cas complexes ou ambigus.
Documenter les cas limites dans un dataset de validation inertielle.

9.5.8 Références bibliographiques

Mallat, S. (1999). A Wavelet Tour of Signal Processing. Academic Press.
Wong, J.Y. (2008). Theory of Ground Vehicles. Wiley.
Ahmed, M. M., & Ghanim, M. S. (2019). Driving behavior analysis based on abrupt braking using smartphone sensor data. Transportation Research Procedia.
Dong, X. et al. (2022). High-frequency event detection from inertial signals using deep recurrent networks. IEEE Transactions on Vehicular Technology.
Guo, Y. et al. (2021). Driving event detection from smartphone sensors using CNN-BiLSTM networks. IEEE Access.
Trung, T. et al. (2022). SIMU-IMU: Simulation framework for inertial motion sensing in vehicular contexts. Sensors.
He, Z. et al. (2019). Road surface condition classification using smartphone-based IMU data. Transportation Research Part C.
Palanisamy, P. et al. (2020). A physics-based framework for simulating vehicle dynamics and sensor response. IEEE Sensors Journal.

9.5.9 Comparaison des détecteurs

Afin d’évaluer de manière rigoureuse les performances des différentes approches de détection d’événements inertiels, nous présentons ici une comparaison croisée basée sur des indicateurs classiques (précision, rappel, F1-score), ainsi que leur complexité de calcul et leur robustesse aux cas limites.

Tableau comparatif

Méthode	Précision	Rappel	F1-score	Temps de calcul (relatif)	Sensibilité aux cas limites	Robustesse globale
Seuils simples	0.82	0.75	0.78	🟢 Faible	🔴 Élevée	⭐
Signatures inertielle	0.88	0.83	0.85	🟡 Moyen	🟠 Moyenne	⭐⭐
Réseaux de neurones (CNN)	0.93	0.89	0.91	🔴 Élevé	🟢 Faible	⭐⭐⭐
DeepEventNet / RNN	0.95	0.91	0.93	🔴 Très élevé	🟢 Très faible	⭐⭐⭐⭐

Analyse

Les méthodes par seuils sont rapides mais peu robustes aux situations bruitées ou ambigües.
Les signatures inertielle apportent un bon compromis entre performance et complexité.
Les approches par réseaux neuronaux atteignent des scores élevés, mais au prix d’une complexité calculatoire plus importante.
DeepEventNet offre la meilleure robustesse aux cas limites mais nécessite un entraînement préalable sur des données annotées réalistes.

Perspectives

Envisager une détection hybride, combinant règles simples pour les cas clairs, et réseau neuronal pour les cas ambigus.
Intégrer une pondération dynamique selon la typologie de route ou la vitesse.

Ces résultats confortent l’idée que RoadSimulator3 doit proposer une approche hybride, adaptative et contextualisée pour maximiser la robustesse des détections inertielle.

Cette combinaison permettrait d’allier efficacité en temps réel et résilience face aux incertitudes.

9.6 Validation croisée

La validation croisée constitue une étape essentielle pour vérifier la robustesse et la généricité des détecteurs inertiels implémentés dans RoadSimulator3. Elle consiste à confronter les algorithmes à des signaux issus de sources différentes (simulateurs alternatifs, bases de données réelles ou bruitées) afin d’évaluer leur capacité à généraliser.

Cette démarche vise à évaluer la capacité des algorithmes à conserver leurs performances lorsqu’ils sont confrontés à des données générées par d’autres outils ou issues de conditions différentes de celles utilisées pour leur développement.

9.6.1 Comparaison des signaux simulés : RoadSimulator3 vs SIMU‑IMU

L’outil SIMU‑IMU (Trung et al., 2022) est un simulateur académique de signaux IMU à partir de trajectoires GPS. Il offre une base de référence utile mais présente plusieurs limites sur le plan inertiel.

Caractéristique	RoadSimulator3	SIMU‑IMU	IMU-GEN (fictif)
Injection d’événements réalistes	✅ Freinage, dos d’âne, trottoir, etc.	❌ Aucune	⚠️ Événements partiels
Topographie / typologie routière	✅ OSM, SRTM, enrichissement géographique	❌ Aucune	❌
Accélération et gyroscope simulés	✅ Bruit inertiel + signature comportementale	✅ Génération simple	✅
Données annotées	✅ Multi-étiquetage inertiel contextuel	✅ Basique	❌
Fréquence	10 Hz	10 Hz	50 Hz

9.6.2 Tests croisés avec simulate_and_check.py

Les fonctions simulate_and_check.py et detect_all_events.py ont été utilisées pour :

Appliquer les détecteurs de RoadSimulator3 à des signaux SIMU‑IMU.
Tester les détecteurs SIMU‑IMU sur des données RoadSimulator3.

Ces tests permettent de quantifier la robustesse des détecteurs face à des distributions de signaux différentes.

📊 Résultats observés :

Les détecteurs entraînés sur RoadSimulator3 sont plus robustes sur signaux bruités et réalistes.
La détection des événements simples (freinage, accélération) est stable dans les deux environnements.
Les événements plus complexes (nid-de-poule, trottoir) nécessitent un contexte inertiel plus riche → meilleure détection avec RoadSimulator3.

9.6.3 Illustrations issues des tests

Des visualisations extraites des tests ont permis d’illustrer ces différences.

Figure	Description
Fig. 6.5.1	Profils acc_x / acc_z pour un freinage (comparaison simul.)
Fig. 6.5.2	Alignement entre détection et injection dos d’âne
Fig. 6.5.3	Matrice de confusion croisée (détection RS3 vs SIMU‑IMU)

9.6.4 Conclusion et recommandations

Cette validation croisée met en évidence :

La supériorité des signaux RoadSimulator3 pour tester des détecteurs dans un cadre réaliste, notamment pour des cas complexes où le bruit inertiel et le contexte topographique jouent un rôle décisif.
L’intérêt de comparer plusieurs sources simulées pour valider les algorithmes de détection inertielle.
La possibilité d’utiliser SIMU‑IMU comme baseline minimale pour tester la généricité.

📌 Recommandations :

Intégrer SIMU‑IMU dans les benchmarks comparatifs futurs.
Proposer un pipeline d’évaluation croisée intégré à la documentation.
Publier les courbes de validation sur le site RoadSimulator3 pour transparence scientifique.
Utiliser ces tests pour guider le réentraînement ou l’adaptation des détecteurs sur des corpus mixtes.

9.7 Indicateurs inertiels synthétiques

La richesse des données générées par RoadSimulator3 permet d’extraire des indicateurs inertiels à forte valeur ajoutée, utiles pour la visualisation, l’analyse comportementale et le suivi opérationnel. Ces indicateurs fournissent une synthèse claire et opérationnelle des événements détectés.

🔧 Indicateurs calculés

Indicateur	Description	Unité
Fréquence dos d’âne	Nombre de dos d’âne détectés pour 10 km	nb / 10 km
Fréquence freinages brusques	Nombre de freinages brusques détectés par km	nb / km
Fréquence chocs trottoir	Nombre d’impacts latéraux ou verticaux liés au trottoir	nb / km
Ratio accélérations vives / total	Part des accélérations > 2.5 m/s² sur l’ensemble de la trajectoire	%
Amplitude moyenne des événements inertiels	Moyenne des pics absolus d’acc_x, acc_y, acc_z pendant les événements	m/s²

📈 Visualisation

Ces indicateurs inertiels sont utilisés dans : - La carte interactive finale (Leaflet ou MetroMap) via des icônes localisées ; - Un graphique de synthèse présentant leur distribution par distance, durée ou zone.

🔄 Homogénéisation

Les indicateurs sont rigoureusement alignés avec les types d’événements décrits en 6.1 (freinage, accélération, dos d’âne, etc.), assurant une traçabilité complète entre détection et quantification. Cette cohérence garantit une traçabilité parfaite entre les signatures détectées et les mesures produites.

Pour illustrer concrètement leur usage, voici un extrait de tableau récapitulatif simulé pour une tournée de livraison de 120 km :

📊 Tableau récapitulatif (extrait simulé)

Segment	Distance (km)	Freinages brusques	Dos d’âne	Chocs trottoir	Accélérations vives	Amplitude moy. acc (m/s²)
A	12	2	1	0	3	3.2
B	15	1	2	1	2	2.8
C	10	0	0	2	1	2.3
D	18	3	1	0	4	3.5
…	…	…	…	…	…	…
Total	120	15	10	6	20	3.1

Ces mesures permettent d’anticiper les besoins de robustesse algorithmique et mécanique sur chaque segment.

Enfin, une carte synthétique permet de localiser visuellement l’ensemble des événements détectés (freinages, dos d’âne, accélérations, etc.) au fil du parcours simulé.

Mini-carte des événements inertiels détectés sur le trajet

La figure suivante synthétise ces indicateurs sous forme de barres empilées, permettant de comparer visuellement les différents types d’événements par segment ou scénario.

Indicateurs inertiels synthétiques extraits de la simulation

9.8 Conclusion du chapitre 6

Ce chapitre a présenté les différentes méthodes de détection inertielle intégrées dans RoadSimulator3, mettant en lumière leur complémentarité et leur pertinence pour l’analyse de données simulées réalistes.

Les approches par seuil offrent une détection rapide et fiable d’événements nets, adaptées aux contraintes des systèmes embarqués. Les signatures inertielle identifient des motifs plus complexes, améliorant la sensibilité et la spécificité. Les réseaux de neurones, plus exigeants, ouvrent la voie à une détection robuste et contextualisée, capable d’intégrer des données multi-capteurs.

L’évaluation rigoureuse, incluant précision, rappel et coût computationnel, guide le choix des méthodes selon les besoins applicatifs. La validation croisée avec le framework SIMU‑IMU confirme la cohérence et la réalisme des signaux générés, renforçant l’interopérabilité des modèles.

Enfin, la génération d’indicateurs inertiels synthétiques constitue un levier essentiel pour transformer ces détections en outils opérationnels : cartographie du risque, évaluation comportementale, recalage de capteurs.

Ainsi, la détection inertielle s’inscrit comme un socle fondamental, assurant la qualité et la richesse des données simulées, et ouvrant la voie à leur exploitation avancée. Le chapitre suivant capitalise sur cette dynamique pour développer des indicateurs performants à partir des simulations.