Source : IPSN’11, 12-14 avril 2011, Chicago · DOI non imprimé dans le PDF (copie ResearchGate) · Centre for Speckled Computing, School of Informatics, University of Edinburgh · accès : copie ResearchGate (licence non vérifiée dans le PDF) · PDF Young2011-IMUSim.pdf, sha256 2d05c1aba5af63737fdb8fb58b8ebbc7ffabcae007136c92ddd185ede4f7a3b7, 13 pages (page de garde ResearchGate incluse ; pages citées = pages du PDF) Lu le : 2026-11-02. LECTURE COMPLÈTE (13 pages relues sur le PDF rendu, texte extrait lu en entier ; équations lues, non recalculées ; valeurs r² des Fig. 6j-l lues sur la page rendue, l’extraction les coupe de leur figure). Statut summarized. Thème : simulation · simulation de signaux inertiels (IMU) Métadonnées vérifiées dans le PDF : auteurs A. D. Young, M. J. Ling, D. K. Arvind, année 2011 et titre conformes. DOI absent du PDF (non vérifiable ici).

Contexte et question

Les algorithmes d’estimation d’orientation par IMU (accéléromètre, gyroscope, magnétomètre) pour la capture de mouvement humain sont peu comparés, faute de cadre commun et à cause du coût des expériences rigoureuses (§1, §2.2). Les simulateurs de réseaux de capteurs existants ne traitent pas la physique des données IMU (§2.1). Les auteurs construisent un simulateur dédié, le valident contre des mesures réelles, puis s’en servent pour comparer quatre algorithmes.

Méthode

• Simulateur en Python (NumPy, SciPy, SimPy, Cython, matplotlib), principalement hors ligne ; il simule un IMU en temps réel sur un PC à 2 GHz (§4).
• Trajectoire de chaque IMU : position p(t) et rotation θ(t) continues et deux fois dérivables (C²). Vitesse, accélération, vitesse et accélération angulaires s’en déduisent par les éq. 4 à 7 (§4.1).
• À partir de données échantillonnées : splines cubiques (lissantes) pour la position, B-splines de quaternions (Kim et al.) pour la rotation. Écart-type de lissage par défaut : 1 mm (§4.1.2).
• Corps rigide articulé (squelette type BVH) : position, vitesse et accélération d’un point attaché à un segment calculées récursivement le long de la chaîne cinématique (éq. 8 à 12). Source de mouvement : corpus CMU de capture de mouvement.
• Champs de gravité et magnétique : modèle uniforme (g0 ≈ 9,81 m/s², b0 ≈ 50 µT) ou distorsions modélisées par solénoïdes idéaux (Biot-Savart) ou par champ mesuré puis interpolé (voisins naturels) (§4.2).
• Sous-système capteur : fonction de transfert issue des fiches techniques, matrice de non-orthogonalité et de sensibilité croisée, bruit blanc gaussien additif, quantification par CAN (éq. 20 à 22). Température et non-linéarités évoquées comme extensions possibles (§4.3).
• Horloges indépendantes par IMU (décalage d’échantillonnage) et canal radio simple : probabilité de perte de paquet Pr(l) = 1 − (1 − Pr(e))^l avec un taux d’erreur binaire constant (éq. 23, §4.4).
• Algorithmes comparés (§6) : filtre complémentaire (CF, Bachmann), filtre complémentaire à porte (GCF, Young), filtre de Kalman étendu (EKF, Yun et al.), filtre d’estimation d’accélération linéaire distribué (LAEF, Young et al.).

Données

• Validation (§5) : sujet équipé de trois IMU sans fil (fémur, tibia, pied gauches), suivi par capture optique ; trois marqueurs par IMU. Décalages IMU/segment pris sur une seule pose debout. Champ magnétique de la zone de capture cartographié avec un IMU balayé sous suivi optique. Mouvement présenté : balancement de jambe avant-arrière.
• Démonstration (§6) : sujet 16, essai 15 du corpus CMU ; 100 Hz ; modèles de capteurs réalistes (biais, sensibilité croisée, bruit) ; CAN 12 bits ; aucune distorsion de gravité ni de champ magnétique ; BER de 10⁻³ pour le LAEF.

Résultats chiffrés

• Corrélation simulé/mesuré, balancement de jambe (Fig. 6j-l, p. 10) : r² = 0,970 accéléromètre, 0,978 magnétomètre, 0,946 gyroscope. Les signaux simulés de cet essai sont idéalisés, sans bruit ajouté (§5). Les auteurs écrivent que d’autres mouvements, dont la marche, donnent des résultats similaires, sans chiffre (§5).
• Champ magnétique : avec un champ constant, l’écart simulé/mesuré est grand près du sol (pied) ; avec le champ interpolé, l’accord est bien meilleur (Fig. 5b, p. 9, qualitatif).
• Comparaison des filtres (Fig. 7 et 8, p. 11, qualitatif, tibia droit) : l’accélération linéaire corrompt l’observation de la gravité (Fig. 9, p. 10). CF et EKF subissent une erreur « substantial » due à la corruption de l’observation vectorielle (§6.1) ; le GCF corrige rarement la dérive ; le LAEF est « markedly better » (§6.1). Aucun tableau d’erreur n’est donné pour CF, GCF et EKF.
• LAEF et pertes de paquets, 50 simulations par BER (Tab. 1, p. 12) :

DR : taux de livraison des paquets. Les auteurs concluent que la précision d’orientation dépend de la longueur de la chaîne cinématique et qu’un BER plus élevé ne dégrade pas l’algorithme (§6.2). Le tableau ne montre pas une croissance strictement monotone : la racine (4,1°) dépasse les fémurs (3,4°). Explication avancée : la différentiation numérique du gyroscope amplifie de petites erreurs le long de la chaîne.

Limites déclarées par les auteurs

• Aucun modèle de canal radio adapté au corps humain n’est disponible ; le modèle de perte utilisé est sans corrélation temporelle, et l’effet d’une corrélation reste à étudier (§4.4, §6.2).
• Modèles de gravité et de champ simples hors zone de capture instrumentée ; le champ réaliste exige une campagne de mesure préalable (§4.2).
• Le simulateur privilégie la clarté et la justesse physique sur la performance ; il est conçu pour la simulation hors ligne (§4).
• Le mauvais réglage du bruit de mesure de l’EKF est invoqué pour sa piètre performance (§6.1) : la comparaison dépend du réglage choisi.

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

• Le schéma trajectoire continue C² dérivée analytiquement, puis sous-système capteur, est transposable à un véhicule : il évite d’ajouter du bruit sur des dérivées numériques déjà bruitées.
• La validation repose sur un seul mouvement et trois IMU ; r² mesure la forme du signal, pas un biais ni une échelle. Elle ne dit rien d’un capteur de véhicule.
• Le modèle capteur (transfert linéaire, sensibilité croisée, bruit blanc, CAN) est un bon gabarit, mais ne traite la dérive de biais temporelle et les non-linéarités que comme extensions possibles (§4.3), alors qu’elles sont centrales pour une centrale bas coût.
• Les résultats de §6 montrent l’intérêt de tester les filtres avec accélération linéaire réaliste ; chez nous, la dynamique du véhicule joue ce rôle.
• Aucune dynamique de véhicule, aucune vibration : le simulateur ne traite que le mouvement humain articulé.