Source : Proceedings of ISETE International Conference, 4 février 2017, Bengaluru, Inde, pp. 82-86, ISBN 978-93-86291-63-9 · pas de DOI · Department of Electronics & Communication Engineering, R.V. College of Engineering, Bangalore · accès OPEN · PDF Yadav2017-GPSINSKalman.pdf, sha256 7856a0479a783788…, 5 pages Lu le : 2026-11-02. LECTURE COMPLÈTE (5 pages, texte extrait et pages rendues relus, dont Fig. 8-9 ; références non vérifiées une à une). Statut summarized. Thème : fusion · GPS/INS couplage lâche, filtre de Kalman Métadonnées vérifiées dans le PDF : auteurs Chandan Yadav N., Abhishek Shanmukha, Amruth B.M., Basavaraj (le corpus les découpe en initiales, sans incidence) ; année 2017 et titre conformes (l’en-tête courant dit « Study on the Development of… ») ; pas de DOI.

Contexte et question

La dérive de la navigation inertielle croît avec le temps, tandis que le GPS peut se perdre en environnement dense ou fermé. Les auteurs veulent un module d’intégration GPS/INS à bas coût, à base de capteurs MEMS, qui corrige les erreurs de position, de vitesse et d’altitude et qui continue de fonctionner sans signal GPS (§1, §2.1, p. 82).

Méthode

• Couplage lâche (« loosely coupled »), opposé au couplage serré qui intègre les pseudo-distances (§3, p. 83).
• Deux modes, commutables, selon la Fig. 1 empruntée à Santhosh Kumar et Suganthi (2015) : en perte de GPS, le filtre passe en mode prédiction à partir de la dernière valeur corrigée ; au retour du GPS, il revient au mode utilisant GPS et INS (§3, p. 83).
• La conclusion annonce un EKF à 15 états pour la non-linéarité, un filtre de Kalman linéaire pendant les coupures GPS, et une commutation automatique entre les deux (p. 85). Le détail des 15 états et des équations de l’EKF n’est pas donné dans l’article.
• L’énoncé du problème annonce l’estimation des biais des accéléromètres et gyroscopes (« the estimation of biases in accelerometers and gyroscopes are carried out », §2.2, p. 82-83) ; aucun modèle de biais ni résultat associé n’est donné.
• La section filtre rappelle seulement le gain de Kalman scalaire, l’estimée courante et l’erreur sur l’estimée (§4, Fig. 4, p. 84).
• Mise en œuvre sous MATLAB/Simulink : un modèle 2-D (axe X au nord, Y à l’est) génère position et vitesse à partir de nombres pseudo-aléatoires, ajoute du bruit, puis filtre (Fig. 2-3, §3.1, p. 83 ; §6, p. 85). Les valeurs GPS (latitude, longitude) viennent de la Mapping Toolbox ou d’un smartphone via l’application MATLAB mobile (§5, Fig. 5-7, p. 84).

Données

Pas de jeu de données décrit. Le modèle Simulink travaille sur des signaux simulés ; des valeurs GPS/INS d’un smartphone sont chargées dans MATLAB (Fig. 6-7). La conclusion mentionne des « observed data from real IMU sensors and GPS receiver » (p. 85) sans les décrire. Aucune vérité terrain.

Résultats chiffrés

Aucun chiffre n’est donné dans le texte, les légendes ni les figures lisibles (pas de RMSE, pas de durée de coupure). Résultats qualitatifs :

• Fig. 8 (p. 85) : position et vitesse nord/est ; la sortie du filtre « follows the output of the GPS » (p. 85).
• Fig. 9 (p. 85) : « RMS Vertical Error [meter] » en échelle logarithmique (de 10^-1 à 10^4) en fonction du temps (axe de 0 à 2, étiquette « Time [hr] » floue sur la page rendue), pour GPS, INS et GPS/INS ; plusieurs courbes INS en tirets, croissantes. Le texte dit que l’erreur INS « increases exponetially with time » et que celle du GPS croît aussi mais moins vite ; sur la figure, la courbe GPS (pointillés) paraît plate, de l’ordre du mètre. Les courbes GPS/INS restent les plus basses et se stabilisent (lecture graphique, sans valeur imprimée). Le texte conclut que « the errors are decreased when the integration is done » (p. 85).
• Conclusion : « relative high accuracy » avec GPS et bonne tenue de trajectoire en coupure, meilleure avec le filtre linéaire (p. 85). Non quantifié.

Limites déclarées par les auteurs

• Travail futur : implémenter la configuration sur un DSP pour en faire un système de navigation temps réel (p. 85).
• Le MATLAB travaille hors ligne, d’où la difficulté d’obtenir les valeurs GPS en entrée (§5, p. 84).
• Les auteurs jugent le premier modèle (Fig. 2) trop complexe et le remplacent par un plus simple (Fig. 3) (§3.1, p. 83).

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

• Valeur faible comme référence : article de conférence sans chiffres, sans données réelles décrites ni comparaison à une autre méthode ; la Fig. 9 n’est pas reproductible.
• Il illustre seulement le schéma classique couplage lâche avec commutation prédiction / correction selon la disponibilité GPS. Pour un état de l’art, citer une source plus solide.
• Ne pas reprendre l’EKF à 15 états comme spécification : l’article ne dit pas quels sont les états.
• Le principe de marquer explicitement les périodes sans GPS dans les données de sortie reste utile côté pipeline, indépendamment de cet article.