Source : Arabian Journal for Science and Engineering, déc. 2020 (page de garde ResearchGate) · DOI 10.1007/s13369-020-05144-8 · Arab Academy for Science, Technology & Maritime Transport (Alexandrie) ; eJad LLC (Le Caire) · accès OPEN (copie ResearchGate) · PDF Nagui2021-GPSIMULooselyCoupled.pdf, sha256 d19c06a7ab2e4dee…, 18 pages (dont 1 page de garde) Lu le : 2026-11-02. LECTURE COMPLÈTE (texte entier ; tableaux 6, 8, 9 et figures 4, 5, 8 relus sur les pages du PDF ; les équations 1 à 29, exportées en bouillie par l’extraction, ne sont pas reprises). Statut summarized. Thème : fusion · couplage lâche GNSS/IMU, filtres de Kalman en cascade Métadonnées vérifiées dans le PDF : écart. Le citekey et l’ancien nom de fichier disent « Nagui 2021 ». Le PDF porte comme auteur principal Nader Nohad (signature du manuscrit), avec Omneya Attallah, M. S. Zaghloul et Iman Morsi ; aucun Nagui. Le manuscrit interne est titré Vehicle Positioning Using a Novel GPS/IMU Cascaded Extended/Linear Kalman Filter–based Algorithm, la page de garde donne le titre ci-dessus. Date : décembre 2020, non 2021 (la mention « mise en ligne le 30 mai 2021 » concerne le dépôt sur ResearchGate). Aucun « GPSIMU Toolbox » dans le texte.

Contexte et question

Le GPS seul souffre du masquage, de l’atténuation et des trajets multiples ; l’INS dérive à long terme. Les auteurs cherchent un couplage lâche GPS/IMU plus précis que les schémas classiques, sans le coût d’un couplage serré, et exécutable en temps réel sur microcontrôleur bas coût.

Méthode

• Architecture en deux étages (Fig. 2) : étage 1 = deux EKF estimateurs purs, l’un sur le GPS, l’autre sur l’IMU ; étage 2 = un filtre de Kalman linéaire (LKF) qui fusionne les deux positions.
• Entrée GPS : mesures brutes de pseudo-distance, messages RTCM 1002 (L1 seul) et 1019 (éphémérides), retenus pour leur sobriété en bande passante (§3.3). Un bloc de pré-traitement calcule le biais d’horloge récepteur.
• EKF GPS : modèle de mouvement à vitesse constante, 8 états (position, vitesse, biais et dérive d’horloge) ; Q issue d’un modèle de bruit blanc continu avec coefficients de variance d’Allan de l’oscillateur ; R = variance des pseudo-distances (§3.3, Tab. 3).
• EKF IMU : 6 états (position, lacet, tangage, roulis). L’IMU fournit des angles d’Euler déjà fusionnés par son processeur de mouvement embarqué (DMP) ; la position dans le repère local est obtenue par matrice de cosinus directeurs. Pas de modélisation des capteurs inertiels bruts, pas d’estimation d’erreurs (§3.3, Tab. 4).
• R de l’IMU : écart-type de 0,64 degré dans les données simulées, soit « double of the practical value » (écart-type usuel de 0,1 à 0,3 degré pour les MEMS) (§3.3).
• LKF : matrices A, C constantes égales à 1, Q réglée à la main (produit des amplitudes spectrales des deux EKF), R concaténant celles de l’étage 1 (Tab. 5).
• Trois threads parallèles (GPS, IMU, fusion). Synchronisation haute cadence IMU / basse cadence GPS : mesures IMU datées et mémorisées, interpolation linéaire à l’instant de la position GPS (§3.4).
• Hypothèse de conception : mouvement linéaire seulement ; ENU, véhicule terrestre.

Données

Données simulées sous MATLAB (§4). Position de référence constante [6,3761e-10 ; 243,8583 ; 98,2263] m en ENU, durée environ 17,5 min (1050 s sur les figures) pour l’étage 1 et environ 20 min pour la fusion (§4.1). Aucune donnée de véhicule réel dans l’article ; les comparaisons NaveGo et Inertial Explorer sont reprises de [6, 7, 8], et celles de FIKF de [10].

Résultats chiffrés

Étage 1, GPS EKF contre moindres carrés itérés (ILS), bruit « élevé » de la Tab. 6 :

Le texte donne aussi des erreurs moyennes de l’ILS de 16,6335 ; 3,5612 et 15,2349 m (E, N, H) (§4.1, p. 11).

Étage 1 IMU : sans filtre, erreur de l’ordre de -2 à 2 m en Est ; avec l’EKF, environ 0,25 m de déviation moyenne en Est sur 17,5 min (§4.1, Fig. 7). RMSE de l’IMU EKF en Fig. 8 : 0,171574 (E), 0,169668 (N), 0,165578 m (H).

Étage 2, fusion (Fig. 8, p. 15) : RMSE 0,021661 (E), 0,034226 (N), 0,010192 m (H), arrondis dans le texte et le résumé à 0,022 ; 0,034 ; 0,010 m. Erreur moyenne d’environ 10 cm par direction sur 20 min (§4.1).

Comparaison NaveGo / Inertial Explorer (Tab. 8, p. 16), RMSE en degrés pour latitude et longitude, en mètres pour l’altitude :

Comparaison MAE avec KF, AIKF et FIKF de [10] (Tab. 9, p. 16) : pour le scénario 2, l’approche proposée donne 0,015 ; 0,029 ; 0,007 m (E, N, H) contre 1,445 ; 1,324 ; 0,026 m pour FIKF. Dans l’exemplaire lu, les cellules de l’approche proposée pour les scénarios 1 et 3 sont vides ; le texte annonce des gains de 83,15 % (Est) et 54,69 % (Nord) face à FIKF au scénario 3 et conclut « comparative to the FIKF algorithm in the third scenario » (§4.2, p. 16).

Limites déclarées par les auteurs

• Conception limitée au mouvement linéaire ; modèles dynamiques plus riches à ajouter (§3.3, §5).
• Réglage manuel des covariances Q ; apprentissage des paramètres de bruit laissé en travaux futurs (§5).
• EKF adaptatif à prévoir pour les pertes de signal GPS, non traitées (§5).
• Les bruits de l’étage 1 sont choisis « relatively high » par rapport aux valeurs pratiques (§4.1).

Ce que ça change pour Teleforge (interprétation, hors de l’article)

• Les résultats reposent sur une trajectoire simulée à position constante : les RMSE de quelques centimètres ne disent rien d’une conduite réelle, et ne sont pas comparables à nos mesures sur banc.
• La Tab. 8 mélange des RMSE en degrés et en mètres, et compare à des chiffres tirés d’autres publications avec d’autres scénarios : à ne pas citer comme classement.
• L’IMU est utilisé via des angles d’Euler déjà fusionnés par le capteur, donc hors de portée d’une chaîne qui part de l’accéléromètre et du gyroscope bruts ; peu transposable à notre D0.
• Intérêt résiduel : l’idée d’interpolation linéaire des positions inertielles à l’horodatage GPS pour la synchronisation, et la cascade d’estimateurs purs suivis d’un filtre linéaire de fusion, comme point de comparaison simple.
• Le papier est peu fiable comme référence de couplage lâche : à ne pas utiliser comme base de comparaison sans le revalider sur données réelles.