La fusion GNSS/IMU robuste est essentielle pour les véhicules autonomes et les systèmes de navigation avancés, qui nécessitent une estimation d’état fiable — position, vitesse, orientation — malgré la présence de bruit, de coupures GNSS ou d’environnements urbains complexes. La fusion GNSS/IMU permet ainsi d’obtenir des trajectoires précises et fiables.
Dans ce contexte, le Consensus Multi-Model Kalman Filter (MMKF) propose une approche hybride, à mi-chemin entre le modèle physique et les modèles data-driven.
1. Pourquoi un consensus multi-modèles ?
Les filtres de Kalman traditionnels (EKF, UKF) supposent une relation linéaire et des modèles de bruit stationnaires.
Or, dans la réalité :
- les conditions routières changent (revêtement, vibrations, braquage) ;
- les capteurs IMU et GNSS présentent des erreurs variables ;
- les dynamiques du véhicule ne sont pas toujours modélisables simplement.
Le MMKF propose de faire coopérer plusieurs modèles, physiques et appris, dont les poids s’adaptent au régime de conduite, en établissant un consensus sur l’estimation finale.
2. Principe du filtre à consensus
Le filtre combine plusieurs sous-modèles :
- Modèles hétérogènes — un modèle physique (par exemple bicyclette) et des modèles appris (réseaux de neurones), chacun fournissant une prédiction et une covariance.
- Mécanisme de consensus — les prédictions sont incorporées l’une après l’autre par des gains de type Kalman, qui les pondèrent selon leurs covariances relatives.
- Itération adaptative — les poids suivent les covariances à chaque pas de temps, l’erreur de chaque modèle étant estimée par les statistiques d’innovation.
Formellement, le consensus est itératif : il démarre sur le premier modèle, puis chaque modèle suivant est incorporé par un gain de type Kalman calculé à partir des covariances relatives. Le poids de chaque modèle émerge de ces gains, sans réglage manuel.
Ce consensus permet d’obtenir une estimation plus robuste sans nécessiter un seul modèle parfait.
C’est une approche multi-modèle coopérative, qui, selon les auteurs, fait mieux que les méthodes à modèle unique (évaluation sur une seule manœuvre de test).
3. Comparaison avec les approches classiques
| Approche | Hypothèse principale | Robustesse GNSS | Adaptation dynamique | Complexité |
|---|---|---|---|---|
| EKF classique | Modèle linéaire, bruit gaussien | Faible | Faible | Faible |
| UKF / RKF | Modèle non-linéaire | Moyenne | Moyenne | Moyenne |
| MMKF (Consensus) | Multi-modèles pondérés | Élevée | Forte | Modérée |
| DVSE (Deep Learning) | Apprentissage séquentiel | Très élevée | Très forte | Élevée |
Le MMKF se situe ainsi entre la rigueur mathématique du Kalman et la souplesse des modèles d’apprentissage profond.
Il offre un compromis pour les pipelines hybrides RS3/Telemachus.
4. Implémentation dans RS3 / Telemachus
Dans le pipeline RS3 → Telemachus, le MMKF est intégré comme module de fusion inertielle :
- Entrées : GNSS, IMU, événements RS3, données simulées.
- Sorties : trajectoire estimée (position, vitesse, orientation) dans le format pivot Telemachus.
- Évaluation : RMSE, cohérence inertielle et dérive temporelle.
Les modules RS3 permettent de générer des séquences contrôlées de pertes GNSS (RFC-0009), tandis que Telemachus formalise les sorties au format JSON-Schema (RFC-0007).
Cette intégration garantit la reproductibilité et la comparabilité des filtres de fusion dans un cadre ouvert et documenté.
5. Liens avec les autres travaux
- Boguspayev et al. (2023) passent en revue les couplages lâche, serré et profond et notent qu’une longue absence de GNSS dégrade la précision.
- Xiao et al. (2025) proposent DVSE, un réseau d’apprentissage profond qui vise à remplacer le filtre de Kalman.
- Mafi et al. (2025) introduisent le consensus MMKF comme une solution intermédiaire, plus interprétable.
- Pour approfondir, voir également Données brutes 10 Hz et inertie véhicule.
- Un article scientifique pertinent : https://arxiv.org/abs/2506.12862.
Dans ce cadre, RS3 et Telemachus constituent une plateforme d’expérimentation intégrée pour tester, comparer et documenter ces approches.
6. En résumé
Le Consensus MMKF marque une évolution majeure de la fusion multi-capteurs :
- combine le meilleur du monde physique et du monde data-driven ;
- s’intègre naturellement dans les pipelines RS3/Telemachus ;
- ouvre la voie à des validations reproductibles pour la mobilité intelligente.
Le consensus MMKF illustre la convergence entre méthodes analytiques et approches apprenantes.
Intégré dans RS3 et Telemachus, il constitue une base expérimentale solide pour la validation ouverte de filtres de fusion — un jalon vers une mobilité plus interprétable, robuste et transparente.
✳️ Références :
- Mafi, F. et al. (2025) — Bridging Data-Driven and Physics-Based Models: A Consensus Multi-Model Kalman Filter for Robust Vehicle State Estimation, arXiv:2506.12862.
- Boguspayev, N. et al. (2023) — A Comprehensive Review of GNSS/INS Integration Techniques for Land and Air Vehicle Applications, Applied Sciences 13(8), 4819.
- Xiao, L. et al. (2025) — Deep learning-based Vehicle Speed Estimation via Smartphone IMU.
- RFC-0009 — Integration RS3 → Telemachus.