Source : Micromachines 2020, 11(11), 1021 · DOI 10.3390/mi11111021 · Institute of Microelectronics et University of the Chinese Academy of Sciences (Pékin) ; Shenzhen Institutes of Advanced Technology (Académie chinoise des sciences) · accès OPEN (MDPI)
· PDF Han2020-MEMSRandomErrorReview.pdf, sha256 03deec3da334c2981996b269a1d7cc6878460c000b542edb8f8183b3bd4171d0 (16 premiers caractères : 03deec3da334c298…), 36 pages
Lu le : 2026-11-02. LECTURE COMPLÈTE : pp. 1-31 (texte, Fig. 2-3, Tab. 1-3, §3.1 à 3.8, discussion, conclusion) ; les références (pp. 31-36) ne sont pas relues une à une, seuls les numéros cités et les titres recherchés par mot-clé ont été vérifiés. Équations des filtres parcourues, non revérifiées.
Statut summarized.
Thème : fusion GPS/IMU · bruit et dérive des capteurs inertiels MEMS (traitement du signal)
Métadonnées vérifiées dans le PDF : auteurs Shipeng Han, Zhen Meng, Olatunji Omisore, Toluwanimi Akinyemi, Yuepeng Yan ; année 2020 (reçu le 13/10, publié le 21/11/2020) ; titre et DOI conformes au corpus. L’ancienne fiche citait « Han, J. » : prénom erroné.
Contexte et question
Les capteurs inertiels MEMS (gyroscopes, accéléromètres) sont petits et peu coûteux, mais leur précision reste limitée par des bruits mécaniques, électroniques et environnementaux (§1, p. 3). Les auteurs constatent qu’il existe des revues sur la structure, les circuits d’interface ou le facteur de qualité, mais aucune sur le traitement du signal de sortie pour réduire l’erreur aléatoire (§4, p. 28). Ils proposent donc une revue systématique de ces algorithmes.
Méthode
- Recherche sur Web of Science, IEEE Xplore, Science Direct et ACM, sur 2010-2020, avec trois groupes de mots-clés (capteur ; bruit/dérive/erreur ; réduction/compensation/modélisation) (§2, p. 3).
- Entonnoir en quatre étapes : 486 articles, 352 après filtre de date, 256 après doublons et articles non anglophones, 112 après lecture du texte, 49 retenus (Fig. 2, p. 4).
- Des 49 articles, 30 algorithmes sont extraits et rangés en sept familles : filtres simples, basés Kalman, ondelettes, fusion de capteurs, apprentissage machine, apprentissage profond, adaptatifs (§3, p. 4).
- Chaque algorithme est décrit (principe, schéma, équation) puis comparé selon la tâche, le mode temps réel ou différé, l’environnement d’exécution (Tab. 1, pp. 19-22) ; le Tableau 2 compare, algorithme par algorithme, structure, avantages, inconvénients et domaine d’application (pp. 23-25) ; le Tableau 3 résume les mêmes points par famille, avec le nombre d’études (pp. 26-27) (§3.8, p. 18).
Résultats chiffrés
| Fait | Valeur | Source |
|---|---|---|
| Articles examinés / algorithmes / familles | 49 / 30 / 7 | Résumé, §3 |
| Répartition par famille, telle qu’imprimée (« proportions of the types of algorithms ») | filtres simples 10,2 % ; Kalman 16,3 % ; ondelettes 12,2 % ; fusion 8,2 % ; apprentissage machine 18,4 % ; apprentissage profond 14,3 % ; adaptatifs 20,4 % ; ces parts correspondent à 5, 8, 6, 4, 9, 7 et 10 articles sur 49 (Tab. 3, pp. 26-27), pas à des parts des 30 algorithmes | Fig. 3, p. 4 ; Tab. 3 |
| STKF (Kalman à poursuite forte), bruit de mesure du gyroscope réduit | 93,6 % à l’état statique, 63,9 % en dynamique | Tab. 1, p. 19 |
| EMD-WT (ondelettes avec EMD), bruit du signal d’origine réduit | 96 % (accéléromètre haute accélération, barre de Hopkinson) | Tab. 1, p. 20 |
| BP (réseau rétropropagé), instabilité de biais | amélioration de 57 % ; test en température de −40 à −80 °C | Tab. 1, p. 20 |
| SVM, écart-type du bruit réduit | 10-35 % (gyroscopes), 61-76 % (accéléromètres) | Tab. 1, p. 21 |
| Nombre d’articles par algorithme | de 1 (la plupart) à 4 (AKF, Kalman adaptatif) | Tab. 1, pp. 19-22 |
Ces gains viennent d’articles différents, sur des capteurs et des protocoles différents ; la revue ne les compare pas sur une base commune.
Limites déclarées par les auteurs
- Les filtres simples donnent de meilleurs résultats combinés à d’autres algorithmes ; les ondelettes de même (§4, p. 28).
- Les réseaux de neurones sont sujets au surapprentissage et à une généralisation limitée ; l’apprentissage profond demande encore des recherches pour une estimation temps réel de haute précision (§4, p. 29).
- Un filtre de Kalman à variances fixes ne convient pas au temps réel, car les modèles de bruit ne sont pas invariants dans le temps, d’où le recours aux variantes adaptatives (§4, p. 29).
- Les réseaux récurrents sont pour l’instant « mostly implemented in the Python 3.6 environment » (§4, p. 29 ; Tab. 1, p. 21).
Ce que ça change pour Teleforge (interprétation, hors de l’article)
- C’est un panorama des méthodes de réduction du bruit, pas une référence de modélisation du bruit : les termes variance d’Allan, densité spectrale, Gauss-Markov ou marche aléatoire n’y sont pas traités (« Allan » n’apparaît que dans le titre d’une référence). Pour fonder un générateur de bruit inertiel réaliste, il faut une autre source.
- Utile pour situer les familles de filtrage (Kalman adaptatif, ondelettes, apprentissage) face à un traitement de dérive gyroscopique ou d’accéléromètre.
- Les gains chiffrés cités ici viennent d’expériences de laboratoire (barre de Hopkinson, essais en température, table tournante) sur des capteurs isolés : à ne pas transposer tels quels à un capteur embarqué. Une seule étude de la revue vise l’IMU/GPS d’un véhicule terrestre (AKF, réf. 85, §3.7.4), sans chiffre repris dans le tableau.
- L’essentiel de la valeur est dans le Tableau 1 comme index vers les articles sources (références 33 à 86), à relire individuellement si une méthode est retenue.
- Les §3.1 à 3.7 ne donnent que le principe de chaque algorithme ; les détails et les chiffres sont dans les articles sources.