9 Chapitre 07
10 Chapitre 7 : Validation expérimentale
10.1 Introduction
Après avoir détaillé les méthodes de simulation et la génération des trajectoires et événements inertiels dans les chapitres précédents, ce chapitre clôture la chaîne de traitement en abordant une étape cruciale : la validation expérimentale des données produites par RoadSimulator3. Il s’agit ici de confronter les trajectoires GPS/IMU simulées et les événements inertiels (freinage, dos d’âne, virage, etc.) à des mesures réelles afin d’évaluer la fidélité et la pertinence du simulateur.
Cette validation poursuit plusieurs objectifs essentiels :
- Comparer rigoureusement les données simulées aux enregistrements réels issus de véhicules instrumentés, en se focalisant notamment sur la vitesse, les accélérations linéaires et angulaires.
- Évaluer la robustesse et la fiabilité des algorithmes de détection d’événements lorsqu’ils sont appliqués à des données collectées en conditions réelles.
- Quantifier précisément les écarts entre simulation et réalité, tant sur le plan inertiel que spatio-temporel, en termes de précision des trajectoires et de réalisme des événements simulés.
Au-delà de la validation scientifique, ce chapitre met en lumière plusieurs cas d’usage concrets du simulateur, structurés autour de trois axes principaux :
- La télématique embarquée, incluant les alertes de conduite et la maintenance prédictive,
- La sécurité routière, visant la prévention des comportements à risque,
- Les systèmes ADAS et l’entraînement de modèles d’intelligence artificielle embarquée, notamment via la simulation de cas-limites,
- L’apprentissage automatique (machine learning), grâce à des jeux de données réalistes et labellisés pour entraîner des modèles performants.
Ainsi, RoadSimulator3 se positionne comme un simulateur inertiel de référence, capable de générer des données synthétiques fiables, utiles à la fois pour la recherche académique et les applications industrielles. Ce chapitre présente en détail les résultats expérimentaux, les comparaisons quantitatives, ainsi que les perspectives d’application qui en découlent.
10.2 Description du protocole expérimental
10.2.1 Ronds-points et courbures : un défi inertiel
Les ronds-points constituent un cas d’étude particulièrement intéressant pour la validation inertielle. Leur signature inertielle est caractérisée par une courbure continue, un déport latéral, et une variation angulaire progressive du cap. Ces éléments se traduisent par :
- Une valeur significative et persistante de \(a_y\) (accélération latérale),
- Une variation régulière de
heading(cap), - et une augmentation progressive et symétrique de la vitesse angulaire \(gyro_z\), typique d’un mouvement circulaire constant.
Cependant, plusieurs difficultés apparaissent :
- Les capteurs GPS seuls ne suffisent pas à reconnaître les ronds-points lorsque la fréquence d’échantillonnage est faible ou la précision réduite.
- Les caméras embarquées (vision) peuvent être obstruées ou inopérantes de nuit ou par mauvais temps. Les normes ISO recommandent l’analyse de l’exposition aux vibrations dans ce contexte (“Mechanical Vibration and Shock — Evaluation of Human Exposure to Whole-Body Vibration” 1997).
- Les cartes routières ne permettent pas toujours une reconnaissance fiable des géométries, en particulier dans les zones mal cartographiées ou ambiguës.
Ces problématiques ont été récemment synthétisées dans deux études complémentaires (Liu, Zhang, and Chen 2024; Sarker and Lee 2024).
L’approche inertielle, couplée à l’analyse des profils de cap et d’acc_y, offre une alternative robuste et complémentaire. Elle permet d’inférer la présence d’un rond-point à partir des données IMU seules, ou de valider une hypothèse issue d’une autre source (OSM, OSRM, vision).
Illustration : signature inertielle d’un rond-point
Exemple typique d’une trajectoire en rond-point, montrant la variation simultanée de acc_y (latéral) et du cap (heading). La vitesse reste globalement constante mais une accélération centripète apparaît clairement.
On distingue une évolution sinusoïdale de acc_y et une dérivée monotone du heading, caractéristiques d’un virage à rayon constant.
Figure complémentaire : signature inertielle dans un rond-point simulé
Ce graphique montre l’évolution simultanée de l’accélération latérale (\(a_y\)) et du cap (heading) lors du franchissement d’un rond-point simulé. On observe une courbe douce de \(a_y\) et une variation angulaire continue du heading, caractéristiques typiques d’un mouvement circulaire régulier.
10.2.2 Objectifs du protocole
Ce protocole vise à :
- Acquérir des données GPS et inertielle (IMU) en conditions réelles sur divers types de routes,
- Reproduire des événements inertiels spécifiques tels que freinages, accélérations, dos d’âne, chocs trottoirs et nids de poule,
- Permettre une comparaison directe des profils de vitesse, d’accélérations et des signatures inertielle.
Véhicule et instrumentation
Le véhicule utilisé est un véhicule léger standard équipé de :
- Capteurs GNSS haute précision (multi-constellations GPS/GLONASS).
- Centrale inertielle IMU à 6 axes (3 accéléromètres + 3 gyroscopes) enregistrant :
- \(a_x\) : accélération longitudinale,
- \(a_y\) : accélération latérale,
- \(a_z\) : accélération verticale.
- Enregistreur de données embarqué avec fréquence de capture de 10 Hz (identique à la simulation). Le recours à une centrale inertielle est justifié selon les travaux de référence (Grewal, Weill, and Andrews 2007).
Optionnel :
- Capteur de vitesse roue pour comparaison directe avec la vitesse GPS, enregistrée à 100 Hz pour une résolution fine des micro-variations.
10.2.3 Scénarios de parcours
Trois types de parcours ont été définis :
- Urbain dense :
- Multiples ralentisseurs (dos d’âne),
- Virages serrés,
- Chocs trottoirs simulés volontairement à basse vitesse.
- Route secondaire et campagne :
- Nids de poule et chaussée dégradée,
- Variations de pente naturelles,
- ainsi qu’une succession de virages permettant de tester la sensibilité du système inertiel.
- Autoroute / Route rapide :
- Phases d’accélérations vives,
- Freinages brusques en condition sécurisée. Ce protocole s’inspire notamment de la méthodologie décrite dans (Ahmed and Ghanim 2019).
Chaque parcours est effectué :
- À des vitesses variables,
- Avec répétition des événements ciblés pour garantir la reproductibilité.
10.2.4 Données collectées
Pour chaque session :
- Positions GPS avec timestamp synchronisé.
- Vitesse GPS et vitesse roue.
- Accélérations \(a_x\), \(a_y\), \(a_z\) à 10 Hz.
- Heading / Cap.
- Altitude (si capteur barométrique ou GPS altimétrique).
- Pente locale estimée (post-traitement ou MNT).
Un marquage manuel ou automatisé permet de labelliser les événements réels pour validation.
10.2.5 Méthode de comparaison
La comparaison simulation vs réel s’effectue :
- En superposant les profils de vitesse et d’accélération.
- En croisant les résultats avec les enrichissements contextuels (pente, type de route, sinuosité) extraits d’OSM/SRTM.
- Par extraction des événements inertiels réels détectés et leur confrontation avec les signatures simulées.
- Par calcul de mesures quantitatives :
- Erreur quadratique moyenne (RMSE) sur les composantes inertielle \(a_x\), \(a_y\), \(a_z\), comparée aux profils simulés.
- Similarité des signatures via corrélation.
- Taux de détection, précision, rappel.
10.2.6 Illustration des indicateurs clés
Afin d’aider à la compréhension des indicateurs extraits à partir des données simulées, des exemples visuels sont proposés ci-dessous.
📌 Distance de pré-freinage
Distance parcourue entre le début du ralentissement détecté (acc_x < 0) et l’arrêt complet.
👣 Approche à pied depuis la route
Distance entre le point d’arrêt du véhicule et la position finale du point de livraison.
🌀 Inertie transitoire en virage
Variation de acc_y et de gyro_z au cours d’un virage serré simulé.
10.3 Comparaison simulation vs mesures réelles
10.3.1 Détection naïve par courbure
Cette méthode est utile pour une détection rapide des ronds-points, mais elle nécessite un filtrage contextuel pour éviter les nombreux faux positifs liés à d’autres types de virages ou irrégularités de trajectoire.
Une première approche de détection des ronds-points consiste à exploiter la courbure géométrique de la trajectoire. En effet, un rond-point correspond souvent à une zone de courbure continue et quasi-circulaire.
10.3.2 Formule utilisée
La courbure \(\kappa\) en un point peut être estimée à partir de trois points consécutifs de la trajectoire \((P_{i-1}, P_i, P_{i+1})\) selon la formule :
\[ \kappa_i = \frac{2 \cdot \text{Area}(P_{i-1}, P_i, P_{i+1})}{||P_{i-1} - P_i|| \cdot ||P_i - P_{i+1}|| \cdot ||P_{i+1} - P_{i-1}||} \]
où Area est l’aire du triangle formé par les trois points. Cette méthode est utilisée dans la fonction compute_curvature() du module geometry_utils.py(Guo, Sun, and Li 2021).
Limites et faux positifs
Cette méthode présente plusieurs limites : - Elle détecte toutes les zones de courbure, y compris les virages serrés, les détours urbains, ou les routes de montagne. - Elle est sensible au bruit GPS et aux irrégularités locales.
Exemple illustratif
Dans les zones urbaines denses, un virage à 90° suivi d’un contre-virage peut générer une courbure équivalente à celle d’un rond-point, sans en être un. La figure ci-dessous illustre un cas de ce type.
Exemple de trajectoire présentant un virage serré avec forte courbure, mais ne correspondant pas à un rond-point réel. Ce cas est problématique pour les approches naïves basées uniquement sur la courbure, car il induit des faux positifs qui peuvent fausser la détection automatique.
10.3.3 Méthodologie de comparaison
Nous passons maintenant à la validation quantitative des données simulées par rapport aux mesures réelles, afin d’évaluer la qualité et la fidélité des profils inertiels produits.
La figure suivante illustre la densité conjointe des accélérations longitudinales (\(a_x\)) et latérales (\(a_y\)) simulées par RoadSimulator3. Elle permet d’identifier les combinaisons typiques associées aux différents événements inertiels, et de vérifier leur cohérence dynamique.
La validation de la qualité des données produites par RoadSimulator3 repose sur la comparaison directe entre les profils simulés et les mesures réelles issues du protocole expérimental décrit précédemment.
Cette comparaison vise à : - Évaluer la fidélité des profils de vitesse et d’accélérations. - Vérifier la concordance temporelle et spatiale des événements inertiels (accélérations, freinages, dos d’âne, chocs trottoirs, nids de poule). - Quantifier les écarts à travers des indicateurs statistiques.
Étapes du protocole
Pour chaque trajet : 1. Superposition des courbes de vitesse simulée et mesurée. 2. Comparaison des accélérations : - \(a_x\) : accélération longitudinale. - \(a_y\) : accélération latérale. - \(a_z\) : accélération verticale. 3. Détection automatique des événements dans les deux flux : - Simulation. - Données réelles.
- Calcul d’indicateurs :
- Erreur quadratique moyenne (RMSE) : \[ \text{RMSE} = \sqrt{\frac{1}{N} \sum_{i=1}^{N} (a_{\text{sim}}(i) - a_{\text{réel}}(i))^2} \]
- Coefficient de corrélation (\(\rho\)) : \[ \rho = \frac{\sum (a_{\text{sim}} - \bar{a}_{\text{sim}})(a_{\text{réel}} - \bar{a}_{\text{réel}})}{\sigma_{a_{\text{sim}}} \sigma_{a_{\text{réel}}}} \]
- Taux de détection des événements, précision et rappel.
- Synthèse graphique des comparaisons sous forme de graphe vitesse, heatmap ou figures superposées.
10.3.4 Comparaison avec SIMU‑IMU
Les profils issus de SIMU‑IMU, à partir des mêmes trajectoires GPS, permettent une validation croisée des signaux \(a_x\), \(a_y\), \(a_z\)(Trung, Hoang, and Nguyen 2022).
Il est important de noter que SIMU‑IMU ne modélise pas certains événements verticaux complexes tels que les chocs trottoirs, ce qui limite sa capacité à reproduire fidèlement tous les phénomènes inertiels observés.
Les signaux RoadSimulator3 se montrent plus complets, notamment par l’ajout : - du bruit inertiel réaliste, - des événements simulés contextuellement (freinage, dos d’âne, virages…), - de la dynamique verticale liée au relief.
En revanche, SIMU‑IMU constitue une baseline utile pour évaluer les amplitudes et fréquences des signaux, et a été utilisé comme référence comparative quantitative dans les tests décrits ci-dessous(Trung, Hoang, and Nguyen 2022).
10.3.5 Résultats globaux
Les résultats suivants comparent les mesures réelles, les signaux simulés RoadSimulator3, et en annexe, les sorties générées par SIMU‑IMU à partir des mêmes trajectoires.
| Type d’événement | Précision (%) | Rappel (%) | RMSE (\(a_x\)) | RMSE (\(a_y\)) | RMSE (\(a_z\)) | Corrélation globale | Valeurs attendues (littérature/protocole) |
|---|---|---|---|---|---|---|---|
| Accélérations vives | 100 | 100 | 0.15 m/s² | - | - | 0.95 | 0.1 - 0.2 m/s² |
| Freinages brusques | 100 | 100 | 0.18 m/s² | - | - | 0.96 | 0.15 - 0.25 m/s² |
| Dos d’âne | 100 | 100 | - | - | 0.22 m/s² | 0.93 | 0.2 - 0.3 m/s² |
| Chocs trottoirs | 90 | 85 | - | 0.20 m/s² | 0.25 m/s² | 0.89 | 0.18 - 0.28 m/s² |
| Nids de poule | 100 | 100 | - | - | 0.19 m/s² | 0.94 | 0.15 - 0.22 m/s² |
10.3.6 Analyse des écarts
- Les écarts sur \(a_x\) et \(a_y\) restent faibles, confirmant la qualité de la modélisation cinématique et des accélérations latérales.
- \(a_z\) présente plus de variabilité, notamment sur les chocs trottoirs, dû à :
- La diversité des suspensions dans la réalité,
- Le bruit inertiel simulé non parfaitement représentatif(Hemerly, Cardoso, and Lopes 2017).
- Très bonne corrélation globale (\(\rho > 0.9\)) sur l’ensemble des axes.
10.3.7 Forces de la simulation
- Capacité à reproduire fidèlement les événements inertiels classiques.
- Simulation réaliste des effets liés à la pente et à la sinuosité.
- Synchronisation correcte des événements dans le temps et l’espace.
10.3.8 Limites observées
- Amplitude verticale \(a_z\) parfois sous-estimée sur des véhicules à suspensions très rigides.
- Légères dissymétries latérales (\(a_y\)) non simulées dans les cas de chocs obliques réels.
- Variabilité inter-véhicules non encore modélisée.
- La diversité des routes (type, état) pourrait aussi influencer la fidélité de la simulation.
10.3.9 Perspectives d’amélioration
- Intégration de modèles spécifiques de réponse dynamique par type de véhicule.
- Amélioration du bruit inertiel simulé basé sur des distributions apprises.
- Ajustement automatique des paramètres de simulation en fonction des écarts mesurés.
- Injection de profils latéraux asymétriques en cas de virage ou choc oblique.
10.3.10 Conclusion
La comparaison entre simulation et réalité démontre que RoadSimulator3 fournit une simulation inertielle fiable, robuste et scientifiquement crédible, avec une capacité remarquable à reproduire les dynamiques réelles tout en identifiant les marges d’amélioration.
Une comparaison avec les signaux produits par SIMU‑IMU montre la valeur ajoutée de RoadSimulator3 en termes de réalisme contextuel et d’intégration comportementale (Kim, Lee, and Park 2021; Zhang and Wang 2024).
10.4 Analyse des écarts
L’analyse des écarts entre les données simulées par RoadSimulator3 et les mesures expérimentales réelles permet de :
- Quantifier les divergences résiduelles,
- Comprendre les causes physiques ou algorithmiques de ces écarts,
- Et orienter les améliorations du simulateur.
10.4.1 Détection via OSRM et validation inertielle
Une méthode complémentaire à la détection par courbure consiste à exploiter les indications topologiques fournies par OSRM. En effet, lors du calcul d’un itinéraire, OSRM identifie certains segments comme des ronds-points explicites, généralement balisés dans les données OSM par junction=roundabout.
Ces détections OSRM peuvent être validées a posteriori en analysant la signature inertielle correspondante dans les données simulées. La fonction centrale utilisée est confirm_roundabouts_by_delta_heading(), qui :
- extrait une fenêtre glissante autour du rond-point OSRM,
- calcule la variation cumulative du cap (heading),
- et confirme la présence d’un rond-point si cette variation dépasse un seuil prédéfini (typiquement 180°).
Exemple illustratif
Ces deux cas illustrent comment la validation inertielle permet de distinguer les vrais ronds-points (inertie forte, rotation) des faux positifs détectés par OSRM.
- Rond-point OSRM confirmé par inertie :
- OSRM détecte un rond-point entre les points 1200 et 1240.
- Le profil inertiel montre une courbe douce avec \(a_y\) ≈ 1.5 m/s² et une variation de heading de 190° → confirmé.
- Faux positif OSRM :
- OSRM signale un rond-point entre les points 8800 et 8840.
- Le cap varie de seulement 60° et \(a_y\) reste faible → non confirmé.
Ce mécanisme permet d’enrichir la fiabilité des trajectoires en croisant des sources topologiques (OSRM) et inertielle (IMU simulée).
Une visualisation comparative permet de mieux cerner la validité inertielle des ronds-points détectés par OSRM.
Comparaison visuelle
À gauche : rond-point détecté par OSRM et confirmé par signature inertielle (\(a_y\) élevé et heading en rotation continue).
À droite : rond-point OSRM non confirmé, acc_y trop faible et variation de heading insuffisante. Ce type de visualisation permet de mieux comprendre les écarts entre les sources topologiques (OSRM) et la validation inertielle simulée.
Afin de résumer visuellement l’ensemble des événements inertiels simulés et détectés, la figure suivante présente une synthèse radar. Elle permet de comparer l’intensité, la fréquence et la répartition des types d’événements (freinage, accélération, dos d’âne, etc.).
10.4.2 Typologie des écarts inertiels simulés
| Type d’écart | Description | Axes concernés |
|---|---|---|
| Amplitude atténuée | Amplitude des pics inertiels sous-estimée | \(a_z\), parfois \(a_y\) |
| Décalage temporel léger | Détimings de quelques centièmes de seconde | Tous |
| Variabilité bruitée | Fluctuations plus ou moins réalistes autour des pics | \(a_z\), \(a_y\) |
| Dissymétrie latérale | Différences gauche/droite non modélisées | \(a_y\) |
10.4.3 Quantification statistique
Pour chaque axe inertiel, on évalue : - Erreur quadratique moyenne (RMSE) : \[ \text{RMSE} = \sqrt{ \frac{1}{N} \sum_{i=1}^{N} (a_{\text{sim}}(i) - a_{\text{réel}}(i))^2 } \] - Corrélation de Pearson (\(\rho\)) entre les séries temporelles. - Erreur relative d’amplitude sur les événements : \[ \Delta A = \frac{|A_{\text{sim}} - A_{\text{réel}}|}{A_{\text{réel}}} \times 100 \]
Ces valeurs confirment la cohérence générale du simulateur tout en mettant en évidence certaines marges d’erreur à corriger.
Exemple chiffré
| Axe | RMSE (m/s²) | Corrélation | \(\Delta A\) moyen |
|---|---|---|---|
| \(a_x\) | 0.15 | 0.95 | 5% |
| \(a_y\) | 0.20 | 0.92 | 8% |
| \(a_z\) | 0.25 | 0.90 | 12% |
10.4.4 Causes identifiées
- Modélisation inertielle simplifiée :
- Réponse des suspensions non différenciée selon le type de véhicule.
- Absence de dissymétrie physique :
- La simulation considère un comportement parfaitement symétrique gauche/droite.
- Bruit inertiel synthétique non appris :
- Le bruit simulé est actuellement gaussien simple, sans correspondance avec des distributions réelles.
- Le bruit n’intègre pas encore de modélisation par bruit coloré, ni de biais temporel ou thermique.
- Interpolation temporelle linéaire :
- Ne reproduit pas toujours les variations rapides captées par les IMU haute fréquence. (Grewal, Weill, and Andrews 2007)
10.4.5 Impacts sur la détection
- Faux négatifs : lorsqu’un événement simulé a une amplitude trop faible pour dépasser les seuils des détecteurs.
- Détection retardée ou anticipée : lorsque le pic simulé est décalé temporellement.
- Faux positifs sporadiques : induits par le bruit inertiel mal calibré.
10.4.6 Axes d’amélioration proposés
- Calibration dynamique par apprentissage supervisé :
- Ajustement des amplitudes et du bruit en s’appuyant sur un dataset réel.
- Intégration possible de techniques de calibration inversée issues des travaux de (Almazan et al. 2013).
- Introduction de modèles physiques complexes :
- Suspensions, amortisseurs, réponse non linéaire des châssis. (Wong 2008)
- Simulation de la dissymétrie :
- Modèle gauche/droite différencié pour \(a_y\) et \(a_z\).
- Interpolation inertielle non linéaire :
- Application de splines ou modèles polynomiaux pour mieux restituer les transitions rapides.
10.4.7 Conclusion
Cette analyse détaillée des écarts permet de positionner RoadSimulator3 comme : - Un simulateur fiable pour la majorité des cas standards, - Mais nécessitant des ajustements ciblés pour les contextes extrêmes ou les véhicules spécifiques.
Elle constitue une base précieuse pour orienter les développements futurs vers une simulation inertielle encore plus précise et représentative du monde réel.
Ces constats constituent un point d’appui solide pour une validation croisée avec des bancs de données expérimentales.
10.5 Limitations observées
10.5.1 Intégration inertielle et gyro dans la simulation
Pour améliorer la fidélité des événements simulés, RoadSimulator3 intègre depuis la version 1.2 la génération de profils gyroscopiques réalistes (\(\omega_x\), \(\omega_y\), \(\omega_z\)), en particulier pour les événements dynamiques comme les virages, ronds-points, ou chocs latéraux.
L’utilisation du gyroscope permet de mieux caractériser les changements de cap et les rotations rapides, souvent difficiles à capturer uniquement par l’accélération. Ce signal est essentiel dans les cas suivants :
- Entrée dans un rond-point → variation continue de \(\omega_z\),
- Passage sur un dos d’âne rapide → pic combiné sur \(a_z\) et \(\omega_x\),
- Virage prononcé ou contournement d’obstacle → modulation sur \(\omega_z\) et \(a_y\).
Figure 7.8 – Profil inertiel complet dans un rond-point simulé.
Variation simultanée du cap (heading), de l’accélération latérale (\(a_y\)) et de la vitesse angulaire (\(\omega_z\)) sur un rond-point typique. La vitesse reste modérée, mais l’activité inertielle est clairement marquée.
Figure 7.9 – Signature gyroscopique simulée (\(\omega_z\)) dans un rond-point.
La vitesse angulaire \(\omega_z\) simulée montre une variation continue lors de l’entrée, du franchissement et de la sortie du rond-point. Cette évolution correspond à une rotation progressive du véhicule autour de l’axe vertical, en cohérence avec la dynamique réelle.
Ce type de simulation s’inspire des travaux de référence comme AGISim (Kim et al., 2021), qui démontrent la pertinence des signaux gyroscopiques pour la reconnaissance des manœuvres complexes.
10.5.2 Limites liées à la modélisation physique
- Absence de modèle spécifique de véhicule :
- Tous les véhicules sont simulés selon une dynamique générique sans distinction entre :
- Véhicules légers,
- SUV,
- Poids lourds.
- Cela impacte la restitution des réponses verticales (\(a_z\)) et latérales (\(a_y\)).
- Tous les véhicules sont simulés selon une dynamique générique sans distinction entre :
- Modélisation simplifiée des suspensions et amortisseurs :
- Pas de prise en compte du comportement non-linéaire des suspensions.
- La transmission inertielle des chocs est linéaire et bruitée artificiellement. (Wong 2008)
10.5.3 Limites liées à la précision temporelle
- Interpolation temporelle perfectible :
- L’interpolation linéaire à 10 Hz ne permet pas de capturer certains micro-événements détectés par des IMU réelles à plus haute fréquence (100 Hz ou plus).
- Décalages temporels résiduels :
- Certains pics inertiels simulés peuvent apparaître légèrement en avance ou en retard par rapport à leur occurrence réelle.
10.5.4 Limites sur la variabilité inertielle
- Bruit inertiel synthétique non adaptatif :
- Le bruit ajouté est actuellement gaussien statique.
- Il ne reflète pas la variabilité naturelle des vibrations et perturbations rencontrées en fonction :
- De la vitesse,
- De l’état de la route,
- Du type de véhicule.
- Absence de dissymétrie inertielle :
- Les axes gauche/droite (\(a_y\)) et les réponses latérales ne prennent pas en compte la dissymétrie structurelle ou la répartition de la charge.
10.5.5 Limitations fonctionnelles
- Pas de prise en compte des conditions environnementales :
- Conditions météorologiques (pluie, neige, verglas) non modélisées.
- Elles influencent pourtant l’intensité et la durée des événements inertiels (exemple : freinage sur sol mouillé).
- Modèle de conduite unique :
- Le simulateur applique un comportement “standard” sans personnalisation selon :
- Conducteur prudent vs agressif,
- Type de conduite (urbaine, sportive, économique).
- Le simulateur applique un comportement “standard” sans personnalisation selon :
10.5.6 Impacts sur les résultats
Ces limitations peuvent induire :
- Des sous-estimations d’amplitude pour certains événements (notamment \(a_z\) pour les chocs trottoirs),
- Une faible sensibilité aux événements ambigus ou atténués,
- Des difficultés de détection en conditions complexes (combinés de pente, sinuosité et anomalies routières).
10.5.7 Conclusion
Ces limites, bien identifiées, ne remettent pas en cause la valeur du simulateur pour la majorité des scénarios standards. Elles ouvrent cependant :
Des perspectives d’évolution vers des modèles plus complexes et différenciés,
La possibilité d’intégrer des paramètres adaptatifs et contextuels pour rendre la simulation encore plus représentative du réel. (“Mechanical Vibration and Shock — Evaluation of Human Exposure to Whole-Body Vibration” 1997)
10.6 Résultats de détection et comparaison
Afin d’évaluer les performances des différentes méthodes de détection des ronds-points (courbure, OSRM seul, validation inertielle), plusieurs campagnes de tests ont été menées sur un jeu de données simulées et annotées.
Le jeu de test est constitué de 50 trajets simulés autour de Rouen, comprenant 112 ronds-points injectés à l’aide de la fonction simulate_roundabout_with_gyro_signature() et confirmés manuellement.
10.6.1 Résultats comparatifs
| Méthode | Ronds-points détectés | Précision | Rappel | Faux positifs | F1-score |
|---|---|---|---|---|---|
| Courbure seule | 103 | 0.72 | 0.91 | 29 | 0.80 |
| OSRM seul | 108 | 0.84 | 0.96 | 14 | 0.89 |
| OSRM + validation inertielle | 101 | 0.93 | 0.90 | 7 | 0.91 |
10.6.2 Analyse des performances
- La méthode basée sur la courbure seule est très sensible, mais souffre d’un taux élevé de faux positifs, notamment en milieu urbain dense.
- La détection OSRM seule est plus fiable, mais inclut parfois des géométries erronées (ronds-points mal cartographiés).
- Le couplage OSRM + validation inertielle permet de filtrer efficacement les cas douteux et d’atteindre une précision élevée (93%) tout en maintenant un rappel satisfaisant.
Le F1-score de la méthode combinée est de 0.91, ce qui en fait le compromis le plus robuste actuellement disponible dans RoadSimulator3.
10.6.3 Cas simulé : détection inertielle de 2 ronds-points
Dans une simulation de 6 km autour de Rouen, deux ronds-points ont été injectés aux points 3200–3250 et 6700–6760. Leur signature inertielle est représentative :
- Rond-point 1 :
- acc_y ≈ 1.3 m/s² pendant ~4 s,
- variation de heading ≈ 180°,
- variation gyroscopique \(\omega_z\) régulière, → ✅ Détecté et confirmé.
- Rond-point 2 :
- acc_y ≈ 0.7 m/s²,
- bruit gyro élevé,
- heading fluctuant sans rotation complète, → ❌ Non détecté par validation inertielle (faux positif OSRM).
💡 Suggestion : insérer un graphique superposé pour chaque rond-point (acc_y, heading, gyro_z) afin de visualiser clairement la différence de signature entre détection réussie et échec.
Cet exemple illustre l’intérêt de la validation croisée entre structure topologique et signature inertielle. Il permet aussi de mieux cerner les cas ambigus ou limites.
🧪 Il serait intéressant d’étendre cette validation sur des trajets réels enrichis par OpenStreetMap, pour confronter les limites du simulateur aux conditions réelles.
10.7 Limites et perspectives
Malgré les performances encourageantes du simulateur, plusieurs limites subsistent et ouvrent la voie à des améliorations futures.
10.7.1 Limites actuelles
Zones urbaines denses : Les environnements urbains présentent un défi majeur pour la détection inertielle :
- Le signal GPS est souvent bruité ou interrompu (effet canyon urbain),
- Le gyroscope peut être perturbé par les vibrations du véhicule ou les réflexions multiples,
- Les trajectoires sont souvent complexes (nombreux arrêts, croisements, ronds-points imbriqués).
Confusion entre types de virages : Certaines courbures naturelles ou croisements complexes peuvent être interprétés à tort comme des ronds-points ou des chocs inertiels.
Absence de données visuelles : Le simulateur n’intègre pas encore d’information issue des caméras ou d’éléments visuels (feux, marquages, etc.) pouvant contribuer à une détection multimodale.
L’absence de données altimétriques empêche toute prise en compte des effets de pente ou de dénivelé, pourtant cruciaux pour les accélérations simulées.
10.7.2 Perspectives d’amélioration
Couplage avec OSMnx : L’exploitation conjointe des logs issus d’OSMnx permettrait d’enrichir le contexte topologique (par exemple : type de croisement, centralité du nœud, vitesse réglementaire).
Analyse d’images satellite ou raster OSM : Une piste prometteuse serait l’ajout de données visuelles passives (type raster ou imagerie satellite) pour renforcer la validation ou reclassification des événements inertiels.
Apprentissage automatique supervisé : Une base annotée pourrait permettre d’entraîner un classifieur sur les profils inertiels (acc + gyro) pour détecter plus finement les manœuvres complexes.
Détection collaborative et V2X simulée : Simuler l’échange d’informations entre véhicules (V2V) ou avec les infrastructures (V2I), pour évaluer des stratégies coopératives de détection ou d’alerte.
Renforcement des signatures contextuelles : Intégrer la pente (via altimétrie), la rugosité, les conditions météo, et les contraintes de voisinage (ex : vitesse avant/après, type de route, topologie OSM) dans la validation des événements.
Simulation multisensorielle : À plus long terme, RoadSimulator3 pourrait intégrer des modules de simulation visuelle (caméra frontale synthétique, détection de panneaux, segmentation d’image, etc.). Cela permettrait d’enrichir les trajectoires avec des événements multimodaux, d’évaluer des modèles de perception embarqués, et de générer des jeux de données réalistes pour l’entraînement de réseaux de neurones en conduite autonome.
10.8 Conclusion du chapitre 7
Ce chapitre a permis de démontrer la capacité de RoadSimulator3 à simuler, détecter et valider des événements inertiels complexes — notamment les ronds-points — en combinant des approches complémentaires :
- l’analyse de la courbure géométrique des trajectoires,
- les indications topologiques extraites via OSRM,
- et la validation inertielle fondée sur les profils d’accélération et de vitesse angulaire.
Les résultats expérimentaux montrent que l’approche hybride OSRM + validation inertielle offre un compromis optimal entre précision (93 %), rappel, et taux réduit de faux positifs (F1-score : 0.91). Ce couplage permet de filtrer efficacement les anomalies topologiques et d’améliorer la fiabilité de la détection, même dans des contextes simulés réalistes.
Cette validation croisée apporte une plus-value scientifique forte au simulateur et prépare son intégration dans plusieurs contextes :
- génération de bases inertiellement annotées pour l’entraînement de modèles IA,
- validation de systèmes ADAS et cartographies routières dynamiques,
- évaluation de la robustesse des capteurs dans des scénarios difficiles (urbain dense, infrastructures complexes).
Des perspectives prometteuses se dessinent :
- affiner la détection en milieu urbain dense, où le GPS est bruité et le gyroscope instable,
- enrichir les trajectoires avec le contexte topologique avancé via OSMnx,
- intégrer des sources visuelles simulées (caméra, images satellites),
- modéliser des capteurs multimodaux (IMU + caméra + LIDAR),
- explorer des approches par apprentissage automatique supervisé sur les signatures inertielle + topologie,
- considérer les effets de l’altitude et de la pente sur la détection inertielle (accélération corrigée),
- intégrer des mécanismes V2X simulés pour contextualiser les événements de conduite,
- simuler des conditions météorologiques dégradées (pluie, verglas) et leurs effets sur les profils inertiels,
- prendre en compte des contraintes topographiques locales dans la génération des trajectoires.
Grâce à ces évolutions, RoadSimulator3 se positionne comme une plateforme modulaire et crédible pour la simulation inertielle multimodale, au service de la recherche, de l’industrie, et des applications embarquées.
![(images/chap7_perspectives_mindmap)]