Deboer

T
T
H
H
S
S
E
E

En vue de l'obtention du

D DO OC CT TO OR RA AT T D DE E L L U UN NI IV VE ER RS SI IT T D DE E T TO OU UL LO OU US SE E

Dlivr par l' I nst it ut Nat ional Polyt echnique de Toulouse
Discipline ou spcialit : Signal, I mage, Acoust ique et Opt imisat ion

JURY
M. Andr FerrariRapport eurs
M. Guillaume Gelle
M. Jacques Blanc- TalonExaminat eurs
M. Bert rand Lesot
Mme Corinne Mailhes
M. Vincent Calmet t esEncadrant s
M. Jean- Yves Tourneret

Ecole doctorale : Mat hmat iques, I nformat ique et Tlcommunicat ions de Toulouse
Unit de recherche : I nst it ut de Recherche en I nformat ique de Toulouse
Directeur(s) de Thse : Jean- Yves Tourneret
Rapporteurs :

Prsente et soutenue par Jean- Rmi De Boer
Le 12 j anvier 2010

Titre : Capt eurs MEMS : Opt imisat ion des mt hodes de t rait ement capt eurs,
de navigat ion et d' hybridat ion
Remerciements
Je remercie Andr Ferrari et Guillaume Gelle pour avoir accept de rap-
porter ce manuscrit ainsi que pour leurs commentaires sur ce travail. Jadresse
galement mes remerciements Corinne Mailhes pour avoir accept de prsider
son second jury de thse, aprs stre exerce sur mon ancienne binme N7ienne.
Je remercie Jean-Yves Tourneret de mavoir encadr durant ces trois annes,
de mavoir fait conance en laissant libre cours mes digressions tout en gar-
dant un il attentif la bonne conduite de cette thse et, nalement, de mavoir
laiss travailler sur les rseaux de neurones, sa nouvelle passion !
Je remercie Vincent Calmettes pour tout ce quil a apport cette thse,
aussi bien pour son encadrement scientique que pour ses encouragements
publier, sans oublier les campagnes de mesures mouvementes.
Je remercie Bertrand Lesot pour toutes les fois o sa grande connaissance
du domaine de la navigation ma permis de garder le cap.
Je remercie la DGA qui a nanc cette thse et, plus particulirement, Gilles
Clerc-Renaud et Jacques Blanc-Talon pour avoir suivi mes travaux.
Je remercie tous mes collgues du labo (IRIT et TSA) pour ces trois annes
passes en leur compagnie et pour tous les souvenirs que jy ai gagns. Pour tre
sr de noublier personne, voici seulement les premires lettres des prnoms de
toutes les personnes que jai rencontres : A B C D E F G H I J K L M N O P
Q R S T U V W X Y Z.
Je remercie mes parents de mavoir pouss vers la voie des tudes et mon
frre de men avoir montr le chemin. Sans eux, je ne serais pas celui que je suis
aujourdhui. Je remercie galement ma famille au sens largi du terme (belle-
famille, amis et lleules inclus !) pour leur soutien sans faille et pour tous les
bons moments passs et venir.
Et surtout, je remercie Stphanie, mon pouse, sans qui rien naurait la
mme saveur. Te savoir mes cts est ma plus belle russite.
iii
Table des matires
1 Introduction 3
2 Fondamentaux de la navigation 9
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2 Navigation lestime . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.2.1 Dnition des repres ncessaires . . . . . . . . . . . . . . 10
2.2.2 Plate-forme inertielle . . . . . . . . . . . . . . . . . . . . . 12
2.2.3 quations de la navigation inertielle . . . . . . . . . . . . 14
2.3 Radionavigation . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.3.1 Principe du positionnement par satellite . . . . . . . . . . 17
2.3.2 Global Positioning System (GPS) . . . . . . . . . . . . . . 19
2.3.3 GLObal NAvigation Satellite System (GLONASS) . . . . 20
2.3.4 Systmes en cours de dveloppement . . . . . . . . . . . . 21
2.4 Navigation hybride . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.4.1 Architectures dhybridation . . . . . . . . . . . . . . . . . 22
2.4.2 Modle dtat . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.4.3 Mthode de rsolution . . . . . . . . . . . . . . . . . . . . 29
2.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3 valuation des capteurs MEMS 35
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.2 Caractrisation des capteurs MEMS . . . . . . . . . . . . . . . . 36
3.2.1 Cas de lacclromtre . . . . . . . . . . . . . . . . . . . . 36
3.2.2 Cas du gyromtre . . . . . . . . . . . . . . . . . . . . . . 38
3.3 Performances en navigation inertielle . . . . . . . . . . . . . . . . 40
3.3.1 Acclromtres seuls . . . . . . . . . . . . . . . . . . . . . 40
3.3.2 Gyromtres seuls . . . . . . . . . . . . . . . . . . . . . . . 40
3.3.3 Acclromtres et gyromtres . . . . . . . . . . . . . . . . 42
3.4 Performances en navigation hybride . . . . . . . . . . . . . . . . 42
3.4.1 Perte partielle des signaux GNSS . . . . . . . . . . . . . . 42
3.4.2 Perte totale des signaux GNSS . . . . . . . . . . . . . . . 45
3.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
v
vi TABLE DES MATIRES
4 Inversion du modle des capteurs MEMS 49
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
4.2 Calibrage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
4.2.2 Cas du gyromtre . . . . . . . . . . . . . . . . . . . . . . 51
4.3 Inversion du modle . . . . . . . . . . . . . . . . . . . . . . . . . 52
4.3.2 Cas du gyromtre . . . . . . . . . . . . . . . . . . . . . . 53
4.4 Rsultats de simulations . . . . . . . . . . . . . . . . . . . . . . . 54
4.4.1 Calibrage . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
4.4.2 Inversion du modle . . . . . . . . . . . . . . . . . . . . . 61
4.4.3 Navigation . . . . . . . . . . . . . . . . . . . . . . . . . . 63
4.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
5 Correction par rseau de neurones 69
5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
5.2 Bases des rseaux de neurones . . . . . . . . . . . . . . . . . . . . 70
5.2.1 La cellule lmentaire : le neurone . . . . . . . . . . . . . 70
5.2.2 Structure du rseau de neurones . . . . . . . . . . . . . . 71
5.2.3 Algorithmes dapprentissage . . . . . . . . . . . . . . . . . 73
5.3 Application la navigation . . . . . . . . . . . . . . . . . . . . . 74
5.3.1 Correction de la position uniquement . . . . . . . . . . . . 75
5.3.2 Correction des direntes estimes inertielles . . . . . . . 76
5.4 Rsultats de simulations . . . . . . . . . . . . . . . . . . . . . . . 79
5.4.1 Cas simple de trajectoires invariantes dans le temps . . . 81
5.4.2 Cas de trajectoires voluant dans le temps . . . . . . . . . 82
5.4.3 Corrections des direntes estimes inertielles . . . . . . . 88
5.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
6 Conclusion 101
A Modlisation complte des MEMS 115
B Variance dAllan 119
C Rtropropagation du gradient 123
Table des gures
2.1 Repres ncessaires la navigation inertielle . . . . . . . . . . . . 11
2.2 Angles dEuler . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.3 Plate-forme inertielle classique en strapdown . . . . . . . . . . 17
2.4 Calcul de la position par trilatration . . . . . . . . . . . . . . . 18
2.5 Architecture dhybridation lche . . . . . . . . . . . . . . . . . . 23
2.6 Architecture dhybridation serre . . . . . . . . . . . . . . . . . . 24
2.7 Architecture dhybridation trs serre . . . . . . . . . . . . . . . 24
3.1 Vue densemble des acclromtres de technologie MEMS . . . . 37
3.2 Variance dAllan des trois acclromtres tudis . . . . . . . . . 37
3.3 Vue densemble des gyromtres de technologie MEMS . . . . . . 39
3.4 Variance dAllan des trois gyromtres tudis . . . . . . . . . . . 39
3.5 Erreur de position lie aux perturbations acclromtriques [m] . 41
3.6 Erreur de position lie aux perturbations gyromtriques [m] . . . 41
3.7 Erreur de position lie aux perturbations acclromtriques et
gyromtriques [m] . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.8 Constellation des satellites en vue du rcepteur GNSS . . . . . . 44
3.9 Erreur de position lie une perte partielle des signaux GNSS
dans une navigation hybride [m] . . . . . . . . . . . . . . . . . . 45
3.10 Erreur de position lie une perte totale des signaux GNSS dans
une navigation hybride [m] . . . . . . . . . . . . . . . . . . . . . 46
4.1 Erreur quadratique moyenne de lestimation de
Ba
[g
2
] . . . . . 55
SFa
. . . . . . . 55
u.
MAa
[rad
2
] . . . 56
v.
MAa
[rad
2
] . . . 57
w.
MAa
[rad
2
] . . . 57
NL2a
[1/g
2
] . . . 58
Bg
[(/s)
2
] . . . 59
SFg
. . . . . . . 59
p.
MAg
[rad
2
] . . . 60
q.
MAg
[rad
2
] . . . 60
r.
MAg
[rad
2
] . . . 61
p.
Kg
[(/s/g)
2
] . . 62
vii
viii TABLE DES FIGURES
q.
Kg
[(/s/g)
2
] . . 62
r.
Kg
[(/s/g)
2
] . . 63
4.15 Erreur quadratique moyenne de lestimation de [g
2
] . . . . . . 64
4.16 Erreur quadratique moyenne de lestimation de [(/s)
2
] . . . . 64
4.17 Erreur en position (biais +/- cart-type) dans le cas nominal [m] 65
4.18 Erreur en position (biais +/- cart-type) dans le cas nominal [m]
(zoom sur la zone dintrt) . . . . . . . . . . . . . . . . . . . . . 66
4.19 Erreur en position (biais +/- cart-type) en cas de perte du signal
GNSS [m] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
4.20 Erreur en position (biais +/- cart-type) en cas de perte du signal
GNSS [m] (zoom sur la zone dintrt) . . . . . . . . . . . . . . . 67
5.1 Cellule lmentaire gnrique . . . . . . . . . . . . . . . . . . . . 71
5.2 Structure interne dun rseau de neurones . . . . . . . . . . . . . 72
5.3 Phase dapprentissage supervis dun rseau de neurones . . . . . 72
5.4 Phase de gnralisation dun rseau de neurones . . . . . . . . . 73
5.5 Architecture en phase dapprentissage (correction de la position
uniquement) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
5.6 Construction de la base dapprentissage . . . . . . . . . . . . . . 78
5.7 Architecture en phase de restitution (correction de la position
uniquement) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
5.8 Architecture en phase dapprentissage (correction des estimes
inertielles) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
5.9 Architecture en phase de restitution (correction des estimes iner-
tielles) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
5.10 Racine carre de lerreur quadratique moyenne de position dans
le cas dun point xe . . . . . . . . . . . . . . . . . . . . . . . . . 81
le cas dune trajectoire vitesse constante . . . . . . . . . . . . . 82
le cas dune trajectoire acclration constante . . . . . . . . . . 83
5.13 Trajectoire simule (Ligne droite suivie dun virage) . . . . . . . 84
le cas dune ligne droite suivie dun virage . . . . . . . . . . . . . 84
5.15 Trajectoire simule (Virage suivi dune ligne droite) . . . . . . . . 85
le cas dun virage suivi dune ligne droite . . . . . . . . . . . . . 85
5.17 Trajectoire simule (Succession de deux virages) . . . . . . . . . . 86
le cas dune succession de deux virages . . . . . . . . . . . . . . . 87
5.19 Vitesse du mouvement simul (Vitesse constante suivie dune ac-
clration constante) . . . . . . . . . . . . . . . . . . . . . . . . . 87
5.20 Racine carre de lerreur quadratique moyenne de position dans le
cas dune trajectoire vitesse constante suivie dune acclration
constante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
TABLE DES FIGURES ix
5.21 Vitesse du mouvement simul (Acclration constante suivie dune
vitesse constante) . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
5.22 Racine carre de lerreur quadratique moyenne de position dans le
cas dune trajectoire acclration constante suivie dune vitesse
constante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
5.23 Vitesse du mouvement simul (Succession de deux acclrations
constantes) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
le cas dune trajectoire compose de deux acclrations constantes 90
5.25 Racine carre de lerreur quadratique moyenne de position avec
10 neurones par couche . . . . . . . . . . . . . . . . . . . . . . . 92
5.26 Racine carre de lerreur quadratique moyenne de vitesse avec 10
neurones par couche . . . . . . . . . . . . . . . . . . . . . . . . . 92
5.27 Racine carre de lerreur quadratique moyenne dattitude avec 10
un rseau ddi . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
5.35 Racine carre de lerreur quadratique moyenne de vitesse avec un
rseau ddi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
5.36 Racine carre de lerreur quadratique moyenne dattitude avec un
rseau ddi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
A.1 Vue densemble des erreurs lies aux systmes inertiels [GWA07] 115
A.2 Description des erreurs dalignement dans les systmes inertiels
[Bri71] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
B.1 Variance dAllan dun bruit blanc . . . . . . . . . . . . . . . . . . 120
B.2 Variance dAllan dune marche alatoire . . . . . . . . . . . . . . 122
B.3 Variance dAllan dun processus de Gauss Markov dordre 1 . . . 122
Notations
Repres ncessaires la navigation
i repre inertiel
e repre gocentrique
n repre de navigation
m repre de mobile
Modlisation des capteurs MEMS
S Sorties du capteur
B
Biais
SF
Facteurs dchelles
MA
Erreurs dalignement
NLa
Erreurs de non-linarit de lacclromtre
Kg
Sensibilit du gyromtre aux acclrations
Bruit additif du capteur
Description du mouvement du mobile
v
b
a
vitesse par rapport au repre a projete dans le repre b
ab
vecteur instantan de rotation du repre a au repre b
R
a2b
matrice de passage du repre a au repre b
_
d(.)
dt
_
a
drive par rapport au repre a
(, , h) latitude, longitude et altitude
(, , ) angles dEuler
xi
xii NOTATIONS
Algorithmes dhybridation
X(t) Vecteur dtat linstant t
P(t) Matrice de covariance de ltat linstant t
Y (t) Vecteur de mesure linstant t
S(t) matrice de covariance de ltat linstant t
(.)
k
k
ieme
chantillon du processus discrtis
(.)
k|k1
Prdiction du processus linstant k sachant k-1
(.)
k|k
Estimation du processus linstant k sachant k
Acronymes
CDMA Code Division Multiple Acces
FDMA Frequency Division Multiple Acces
EKF Extended Kalman Filter
FK Filtre de Kalman
FP Filtre Particulaire
GLONASS russian GLObal NAvigation Satellite System
GEO Geostationary Earth Orbit
GNSS Global Navigation Satellite System
GPS Global Positioning System
GSM Global System for Mobile communications
ILS Instrument Landing System
INS Inertial Navigation System
LORAN LOng RAnge Navigation
MAP Maximum A Posteriori
MC Moindres Carrs
MEMS Micro Electro Mechanical System
MEO Medium Earth Orbit
MLP Multi-Layer Perceptron
MMSE Minimum Mean-Square Error
PPS Precise Positioning System
RBF Radial Basis Function
RN Rseau de Neurones
SA Selective Availability
SPS Standard Positioning System
UKF Unscented Kalman Filter
WSS Wheel Speed Sensor
xiii
Introduction
Chapitre 1
Introduction
Contexte de la thse
Depuis que lhumanit a eu besoin de se dplacer, connatre sa position a
toujours t pour elle un enjeu. Dans ce but, elle a montr son habilit en
concevant divers savoir-faire jusqu en faire, dans certains cas, une forme dart.
Ainsi, des mthodes ancestrales aux techniques modernes, des procds les plus
rudimentaires aux technologies les plus volues, lhumanit na eu de cesse de
perfectionner sa connaissance de son positionnement. Initialement aids uni-
quement de ses sens (essentiellement, la vue), ltre humain sest rapidement vu
assist de capteurs lui permettant daner la prcision de son estimation.
La science de la navigation regroupe les direntes mthodes en deux grandes
familles. La premire est la navigation lestime, qui laide de la connaissance
de la vitesse, de lorientation et de la position prcdente du mobile va per-
mettre de dterminer la position prsente. Lvolution au cours du temps, des
capteurs mesurant ces grandeurs physiques, a permis damliorer lestimation
du positionnement. Il faut cependant noter que lensemble de ces techniques
sourent dun inconvnient majeur, les erreurs de mesure ralises sur la vitesse
et lorientation vont se cumuler et donc conduire des erreurs, en terme de
position, croissantes avec le temps. Pour limiter ce phnomne, il est ncessaire
de possder rgulirement et directement une estimation du positionnement. Ce
rle est donn la seconde famille de mthodes de navigation, qui en mesurant
la distance et/ou lorientation du mobile par rapport un certain nombre de
points de rfrence va permettre de dterminer sa position relative. Les techno-
logies ont l aussi volu avec le temps, permettant lobtention dune prcision
toujours plus grande.
Parmi ces direntes mthodes, deux dentre elles ont t plus particulire-
ment lobjet dun grand nombre de travaux. Dans la famille des mthodes de
navigation lestime, la navigation inertielle (INS pour langlais Inertial Navi-
gation System) se distingue par son utilisation de capteurs de mouvement (ac-
clromtres) et de rotation (gyromtres) pour dterminer la vitesse et lorien-
3
4 CHAPITRE 1. INTRODUCTION
tation du mobile. Initialement conue durant la seconde guerre mondiale dans le
fonctionnement des missiles, son utilisation ne se limite plus aujourdhui aux ac-
tivits militaires et est devenu indispensable lastronautique et laronautique.
Appartenant la seconde grande famille de mthodes de navigation, la radiona-
vigation, et plus particulirement la radionavigation par satellite (GNSS pour
langlais Global Navigation Satellite System), est base sur lutilisation de ba-
lises radio en tant que points de rfrences. Lutilisation de ces deux techniques
de manire combine, appele hybridation GNSS/INS, permet alors dobtenir
des rsultats de navigation prcis.
Un grand nombre dtudes ont t ralises au sujet de cette hybridation
GNSS/INS. Le problme est alors communment pos sous forme dun systme
dynamique et peut plus prcisment sexprimer selon une reprsentation dtat
o les quations dtat (resp. les quations dobservation) sont obtenues partir
de la navigation inertielle (resp. la navigation par satellite). Ce problme est
alors rsolu par un estimateur rcursif, provenant dun ltre de Kalman ou dun
ltre particulaire.
Problmatique
Pour certaines applications grand public, une centrale inertielle tradition-
nelle quipe dacclromtres (pizolectrique, poutre vibrante, . . .) et de
gyromtres (gyrolaser, gyromtre bre optique, . . .) peut se rvler trop en-
combrante ou trop onreuse. Dans ce cas, la technologie des microsystmes lec-
tromcaniques (MEMS pour langlais Micro Electro Mechanical Systems) peut
savrer ecace pour rduire lencombrement et le cot. Apparus dans les annes
1970, ces systmes sont bass sur lalliance de llectronique et de la mcanique
lchelle micromtrique. Dirents types de capteurs ou dactionneurs (injec-
teurs pour imprimantes jet dencre, micro-miroirs qui dnissent les pixels
de certains modles de vidoprojecteurs, capteurs de pression, . . .) relvent de
la catgorie des MEMS mais seuls les acclromtres et les gyromtres seront
exploits dans cette tude.
Malheureusement, la prcision des mesures acclromtriques et gyrom-
triques fournies par les MEMS ne permet pas dgaler celle obtenue laide dune
centrale inertielle traditionnelle. Il est donc ncessaire de mettre en uvre des
techniques supplmentaires pour compenser la qualit des mesures, accroissant
dautant la prcision de la localisation par le biais de la plate-forme inertielle,
ou/et pour raliser directement une meilleure estimation de la position. De plus,
dans le cadre de la navigation hybride, il faut direncier deux cas distincts :
Le cas nominal, durant lequel les deux systmes (GNSS et MEMS) sont
disponibles et qui va permettre lamlioration des sorties acclromtriques
et gyromtriques laide des donnes GNSS.
Le cas dune perte de signal GNSS, o seule lintgration des mesures
issues des MEMS travers la plate-forme fournit une estimation de la
position.
Dans ce manuscrit, ces deux cas feront lobjet dtudes spciques mettant en
5
uvre, respectivement, des mthodes de calibration en ligne et des mthodes de
corrections neuronales galement en ligne.
Organisation du manuscrit
Le document est organis en deux grandes parties.
La premire partie prsente les fondamentaux de la navigation ncessaires
la bonne comprhension du manuscrit. Les principes des navigations inertielle,
par satellite et hybride, ainsi que leurs mthodes de rsolution, y sont dtaills.
Cette tude bibliographique permet galement de prciser le contexte de la thse.
La seconde partie comprend les travaux raliss au cours de la thse et est
organise autour de trois axes, chacun faisant lobjet dun chapitre. Une va-
luation des capteurs MEMS est propose dans le chapitre 3 aussi bien en terme
de mesures que de navigation. Le chapitre 4 sintresse plus particulirement au
cas nominal (prsence de signal GNSS) durant lequel lobjectif est destimer, au
plus proche, lacclration et la vitesse angulaire partir des sorties issues des
capteurs MEMS. Cette inversion du modle MEMS est ralise en deux tapes,
le calibrage et linversion proprement dite du modle. Dans le chapitre 5, lobjet
de ltude est lamlioration de lestimation de la position dans le cas de la perte
de signal GNSS. Lide retenue est de corriger le systme de navigation laide
de rseaux de neurones.
tude bibliographique
Chapitre 2
Fondamentaux de la
navigation
Sommaire
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . 9
2.2 Navigation lestime . . . . . . . . . . . . . . . . . 10
2.2.1 Dnition des repres ncessaires . . . . . . . . . . . 10
2.2.2 Plate-forme inertielle . . . . . . . . . . . . . . . . . . 12
2.2.3 quations de la navigation inertielle . . . . . . . . . 14
2.3 Radionavigation . . . . . . . . . . . . . . . . . . . . 16
2.3.1 Principe du positionnement par satellite . . . . . . . 17
2.3.2 Global Positioning System (GPS) . . . . . . . . . . . 19
2.3.3 GLObal NAvigation Satellite System (GLONASS) . 20
2.3.4 Systmes en cours de dveloppement . . . . . . . . . 21
2.4 Navigation hybride . . . . . . . . . . . . . . . . . . 22
2.4.1 Architectures dhybridation . . . . . . . . . . . . . . 22
2.4.2 Modle dtat . . . . . . . . . . . . . . . . . . . . . . 23
2.4.3 Mthode de rsolution . . . . . . . . . . . . . . . . . 29
2.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . 32
2.1 Introduction
Savoir se situer est un problme que lhomme a toujours voulu rsoudre et
cest pourquoi un grand nombre de techniques ont t dveloppes en ce sens. La
navigation est la science qui regroupe lensemble de ces techniques permettant
de connatre la position dun mobile ainsi que toutes autres informations concer-
nant le dplacement de ce mobile dans lespace. Lobjet de ce premier chapitre
est de prsenter ces direntes mthodes, des plus anciennes au plus rcentes, et
de dtailler celles qui ont t plus particulirement utilises durant cette thse
9
10 CHAPITRE 2. FONDAMENTAUX DE LA NAVIGATION
ddie au dveloppement dalgorithmes spciques au cas de la navigation hy-
bride GNSS/MEMS. Ces mthodes peuvent se sparer en deux grandes familles.
La premire (Navigation lestime [Ayl01]) cherche estimer la position pr-
sente du mobile connaissant sa position linstant prcdent, son orientation
ainsi que sa vitesse. La seconde a pour but destimer la distance et/ou lorienta-
tion du mobile un ou plusieurs points de rfrences dont la position est connue
et ainsi de dterminer sa position dans lespace. Ces points de rfrences peuvent
tre naturels (Astronavigation ou navigation cleste [Bro02], non dtaille par la
suite) ou articiels (Radionavigation [FB98, Sec. 5],[GWA07, Sec. 2.3]) comme
des balises, des satellites . . .
2.2 Navigation lestime
Largement utilise pour des applications nautiques et plus tard aronau-
tiques, la navigation lestime est inspire du comportement de tout tre vi-
vant lorsquil se dplace. En eet, si un individu veut se rendre dun point A
un point B, il va tout dabord dterminer la direction quil doit suivre puis va
avancer un certain temps une vitesse donne. En admettant maintenant que
le point B nest pas connu, la problmatique reste la mme, lindividu choisit
son orientation, sa vitesse, il se dplace pendant un temps donn et arrive alors
un nouveau point dont il peut calculer la position.
Il existe plusieurs manires de dterminer la vitesse ou lorientation mais, de
nos jours, cest bien souvent par le biais dune centrale inertielle que cette tche
est ralise. Dans ces conditions, la navigation lestime est alors appele Navi-
gation inertielle ou INS (Inertial Navigation System) [FB98, Sec. 6], [GWA07,
Sec. 9], [Kin98] dont la principale dicult rside dans les changements de repre
ncessaires pour rendre les donnes exploitables par lutilisateur.
2.2.1 Dnition des repres ncessaires
Repre inertiel Lorigine du repre inertiel i = (X
i
, Y
i
, Z
i
) (Fig. 2.1) est
le centre de gravit de la Terre. Ces axes (X
i
, Y
i
, Z
i
) ne tournent pas avec la
Terre et pointent vers des toiles susamment lointaines pour sembler xes
un observateur terrestre. Z
i
est laxe de rotation de la Terre, X
i
pointe vers
lquinoxe vernal et Y
i
vient complter le tridre direct.
Repre gocentrique Lorigine du repre gocentrique e = (X
e
, Y
e
, Z
e
) (Fig.
2.1) est le centre de gravit de la Terre et ces axes tournent en accord avec la
rotation terrestre, ce qui le rend xe par rapport la Terre. Par dnition, les
repres i et e se dduisent lun de lautre par une rotation lie la rotation de
la Terre de vitesse angulaire
ie
. Z
e
est alors toujours laxe de rotation de la
Terre, X
e
pointe vers lintersection de lquateur avec le mridien de Greenwich
et Y
e
vient complter le tridre direct. Pour des applications submtriques, il
faut noter que le dcalage des ples magntique et gographique serait prendre
en compte, ce qui ne sera pas le cas dans le reste de ltude. La relation pour
2.2. NAVIGATION LESTIME 11
ie
t
X
Y
Z
n
e d
i
i
Y
Z
X
i
e
e
e
Figure 2.1 Repres ncessaires la navigation inertielle
passer du repre gocentrique au repre inertiel est alors :
R
e2i
=
_
_
cos(
ie
t) sin(
ie
t) 0
sin(
ie
t) cos(
ie
t) 0
0 0 1
_
_
(2.1)
Dans ce repre, il est possible dcrire un mme point selon direntes coordon-
nes. Ainsi il est intressant de dnir la position en coordonnes ellipsodales
par sa latitude , sa longitude et son altitude h, le lien entre les coordonnes
ellipsodales (, , h) et cartsiennes (X
e
, Y
e
, Z
e
) pouvant scrire sous la forme :
X
e
= (N +h) cos cos ,
Y
e
= (N +h) cos sin ,
Z
e
= (N +h) sin ,
_
_
_
o N = a
1 e
2
/(1 e
2
sin
2
), avec a et e
tant respectivement le demi-grand axe et
lexcentricit de lellipsode terrestre.
(2.2)
Dans le cas dapplications submtriques, le rayon moyen de la Terre N ne peut
tre directement utilis dans les quations 2.2, ce qui ferait intervenir les rayons
de courbure en longitude et en latitude.
Repre de navigation Lorigine du repre de navigation n = (n, e, d) (Fig.
2.1) est le centre de gravit du mobile. n pointe vers le nord godsique, d est
orthogonal lellipsode de rfrence reprsentant la Terre et en direction du
sol et e vient complter le tridre direct (ce qui le fait pointer globalement
lest). La relation pour passer du repre gocentrique au repre de navigation
est alors :
R
e2n
=
_
_
sin cos sin sin cos
sin cos 0
cos cos cos sin sin
_
_
(2.3)
Repre du mobile Lorigine du repre du mobile m = (X
m
, Y
m
, Z
m
) est le
centre de gravit du mobile. Ce repre est solidaire du mobile et ces axes tendent
concider avec les axes de la plate-forme inertielle. Son orientation par rapport
au repre de navigation n est dcrite par les angles dEuler (, , ) (Fig. 2.2)
reprsentant respectivement le roulis, le tangage et le lacet. La relation pour
passer du repre de navigation au repre du mobile est alors :
R
n2m
=
_
_
cos cos cos sin sin
cos sin + cos sin sin cos cos + sin sin sin cos sin
sin sin + cos sin cos sin cos + sin sin cos cos cos
_
_
(2.4)
2.2.2 Plate-forme inertielle
Comme nonc prcdemment, une centrale (ou plate-forme) inertielle a pour
but de dlivrer une mesure de la vitesse et de lorientation du mobile an den
calculer sa position. Pour ce faire, elle est compose de trois acclromtres et
de trois gyromtres permettant de mesurer lacclration et la vitesse angulaire
un calculateur qui traite les sorties capteurs pour en extraire les donnes de navigation.
n
e
d
X
Y
Z
Z
X
Z
X
Y Y
X
m
X
Z
Z
Y
Y
m
m
lacet tangage roulis
Figure 2.2 Angles dEuler
du mobile dans lespace. Ces deux grandeurs sont en eet observables grce la
seconde loi de Newton (2.5) et respectivement grce aux eets dentranement
de repre ou leet Sagnac.

F
i
= ma o
_
_
_
F
i
dsigne les forces extrieures exerces sur lobjet,
m est la masse de lobjet,
a correspond lacclration du centre dinertie.
(2.5)
Il sut alors dintgrer dans le temps ces deux observations pour estimer la
vitesse et lorientation du mobile.
Acclromtre Il existe un grand nombre de technologies permettant de me-
surer une acclration pouvant se rpartir deux grandes familles : les accl-
romtres non asservis et les acclromtres asservissement. Il est cependant
intressant de noter que, dans les deux cas, lerreur de mesure peut scrire sous
la forme :
S
a
= (I
SFa

MAa
)(
Ba

NLa

a
) (2.6)
o
_
_
est le vecteur acclrations R
3
,
S
a
est le vecteur sorties acclromtriques R
3
,
Ba
est le vecteur biais acclromtriques R
3
,
SFa
est la matrice diagonale 3 3 des erreurs de facteurs dchelle,
NLa
est le vecteur contenant les erreurs de non-linarit R
3
,
MAa
est la matrice hors-diagonale 3 3 des erreurs dalignement,
a
est le vecteur des bruits acclromtriques R
3
.
Gyromtre De mme que pour les acclromtres, direntes technologies
sont disponibles pour mesurer une vitesse angulaire. Les gyromtres mcaniques
utilisent les principes de conservation du moment cintique et de la force de
Coriolis tandis que les gyromtres optiques recourent leet Sagnac. Lerreur
de mesure peut scrire de manire gnrale :
S
g
= (I
SFg

MAg
)(
Bg

Kg

g
) (2.7)
o
_
_
est le vecteur vitesses angulaires R
3
,
S
g
est le vecteur sorties gyromtriques R
3
,
Bg
est le vecteur biais gyromtriques R
3
,
SFg
est la matrice diagonale 3 3 des erreurs de facteurs dchelle,
MAg
est la matrice hors-diagonale 3 3 des erreurs dalignement,
Kg
est la matrice 3 3 de sensibilit aux acclrations,
g
est le vecteur des bruits gyromtriques R
3
.
Cette criture des modles a t dtaille dans [FB98, Sec. 6.5] et sera uti-
lis dans la suite de ce manuscrit. Cependant, il est bon de savoir quil existe
galement des modles plus complets (A).
Structure de la plate-forme Lutilisation de ces capteurs peut se faire
travers deux structures fondamentalement direntes :
Les Systmes plate-forme stabilise (gimbaled ou oated systems)
ont lavantage disoler les capteurs de certaines perturbations et permettent
ainsi dobtenir des rsultats plus prcis en terme de navigation. Cependant,
leur prix et leur encombrement ne leur permettent pas dtre utiliss aussi
bien pour des applications grand public que dans les cas de forte minia-
turisation.
Les Systmes inertiels composants lis (strapdown systems) nces-
sitent un cot calculatoire plus important mais permettent dliminer la
stabilisation de la plate-forme, ce qui diminue leur cot et leur taille.
capteurs quivalents, les rsultats de navigation de ces systmes seront
moins prcis que ceux obtenus avec la structure prcdente.
2.2.3 quations de la navigation inertielle
Ces quations relient les mesures acclromtriques et gyromtriques aux
estimes inertielles (position, vitesse, attitude). Pour des raisons de commodit,
la position sera exprime en coordonnes ellipsodales, la vitesse du mobile dans
le repre gocentrique sera projete dans le repre de navigation et lattitude
sera dcrite par les angles dEuler.
quation de position Par dnition, on peut crire la vitesse dans le repre
gocentrique, projete dans le repre de navigation
v
n
e
=
_
dr
n
dt
_
e
avec r
n
=
_
_
0
0
(N +h)
_
_
.
Cette vitesse v
n
e
peut alors galement sexprimer sous la forme
v
n
e
=
dh
dt
d (N +h)
_
dd
dt
_
e
, o
_
dd
dt
_
e
=
_
_
d
dt
d
dt
cos
0
_
_
daprs les formules de passage du repre gocentrique au repre de navigation
(2.3). On peut alors en dduire une nouvelle criture de la vitesse v
n
e
v
n
e
=
_
_
(N +h)
d
dt
(N +h)
d
dt
cos
dh
dt
_
_
,
ce qui nous donne nalement lquation de position
d
dt
_
_
h
_
_
=
_
_
1
N+h
0 0
0
1
(N+h) cos
0
0 0 1
_
_
v
n
e
(2.8)
quation de vitesse Par dnition, on peut crire la vitesse du mobile dans
le repre gocentrique
v
e
=
_
dr
dt
_
e
.
Cette vitesse v
e
peut galement sexprimer laide du thorme de Coriolis
v
e
=
_
dr
dt
_
i
+
ei
r.
On peut alors dduire lexpression de la drive de la vitesse v
e
par rapport au
repre de navigation
_
dve
dt
n
=
d
dt
__
dr
dt
i
+
ei
r
i
+
ni

__
dr
dt
i
+
ei
r
=
_
d
2
r
dt
2
_
i
+ (
ei
+
ni
)
_
dr
dt
i
+
ni

ei
r
=
_
d
2
r
dt
2
_
i
+ (
ei
+
ni
) (v
e

ei
r) +
ni

ei
r
=
_
d
2
r
dt
2
_
i
(
en
+ 2
ie
) v
e

ei

ei
r.
La force f
a
qui peut tre mesure par les acclromtres est lacclration iner-
tielle non gravitationnelle
f
a
=
_
d
2
r
dt
2
_
i
g(r)
ei

ei
r,
ce qui nous permet dcrire lquation de vitesse en projetant le rsultat dans le
repre de navigation
dv
n
e
dt
= R
m2n
f
a
+g(r)
n
a
c
, (2.9)
o
_
_
_
R
m2n
est la matrice de passage dnie en (2.4),
g(r) est la gravit estime en la position r,
a
c
= (
n
en
+ 2
n
ie
) v
n
e
, est lacclration de Coriolis,
quation dattitude Par dnition, les angles dEuler (, , ) caractrisent
le passage du repre de navigation au repre du mobile dans le cas dune struc-
ture strapdown. Il existe donc une relation entre le vecteur instantan de
rotation
m
nm
et (
d
dt
,
d
dt
,
d
dt
). Considrant les rotations de ce changement de
repres (Fig. 2.2) de manire indpendante, il est ais de voir que la vitesse
angulaire de la rotation autour de X
m
(resp. Y
et Z) est simplement
d
dt
(resp.
d
dt
et
d
dt
). En projetant dans le repre du mobile ces rsultats, on obtient alors
m
nm
=
_
_
1 0 sin
0 cos sin cos
0 sin cos cos
_
_
_
_
d
dt
d
dt
d
dt
_
_
,
ce qui nous permet dcrire lquation dattitude
d
dt
_
_
_
_
=
_
_
1 sin tan cos tan
0 cos sin
0
sin
cos
cos
cos
_
_
m
nm
. (2.10)
Il est intressant de noter que
m
nm
ne correspond pas directement la mesure
des gyromtres
m
im
mais quils sont cependant lis par
m
nm
=
m
im
R
n2m
n
in
=
m
im
R
n2m
(
n
ie
+
n
en
)
=
m
im
R
n2m
(R
e2n
e
ie
+
n
en
).
o tous les termes de lgalit sont connus.
Un schma fonctionnel de la plate-forme suivant les quations de la naviga-
tion inertielle dcrites en (2.8), (2.9) et (2.10) peut alors tre ralis (Fig. 2.3).
2.3 Radionavigation
Lastronavigation permet de calculer la localisation dun mobile partir de
lobservation de dirents corps clestes utiliss comme balises de positionne-
ment. La radionavigation est le prolongement technologique de cette navigation
cleste o les ondes lumineuses ont t remplaces par les ondes radiolectriques
et les corps clestes par des balises articielles (stations au sol, satellites, . . .).
Ceci permet la radionavigation davoir comme avantage majeur par rapport
la navigation cleste de ne plus tre soumis aux conditions de visibilit pour
pouvoir tre utilise.
Le principe de cette mthode rside en le calcul de la distance entre des
positions connues et le mobile dont il faut dterminer la position. Contrairement
aux mthodes de navigation lestime, la radionavigation ncessite la mise en
oeuvre dune infrastructure consquente de balises. Il existe deux types dirents
de systmes de radionavigation : les systmes base terrestre (LORAN, ILS,
. . ., non dtaills par la suite) et les systmes de positionnement par satellites
(GNSS).
2.3. RADIONAVIGATION 17
a
f
n m
R
2
n
mi
f
Gravitational and
Centrifugal compensation
Coriolis
Compensation
Euler
angles
( ) dt
t t
t
+

. ( ) dt
t t
t
+

.
( ) dt
t t
t
+

.
dt dr /
r
( )
dt
dr
n
ne
n
ei
2 +
r] [
n
ie
n
ie
n
g
m
mi
m
mn
m
ei
m
ne
m
ni
-
-
+
+
Figure 2.3 Plate-forme inertielle classique en strapdown
2.3.1 Principe du positionnement par satellite
Les systmes GNSS (Global Navigation Satellite System) dlivrent tout
utilisateur muni dun rcepteur adquat des informations prcises de position,
vitesse et temps. Pour ce faire, le rcepteur eectue des mesures du temps coul
entre lmission des signaux radiolectriques par les satellites et la rception par
lantenne du rcepteur. Connaissant alors la vitesse de propagation des ondes
radio, il est possible de dterminer la distance sparant le satellite metteur
du rcepteur GNSS. Trois mesures sont thoriquement ncessaires un posi-
tionnement dans lespace. Le mobile est alors localis lune des intersections
des trois sphres (Fig. 2.4) de centre la position des satellites et de rayons les
mesures eectues par la dmarche prcdemment dcrite, lautre intersection
tant aberrante du point de vue de la solution recherche.
Il faut cependant remarquer que lhorloge du rcepteur nest pas synchro-
nise aux horloges des satellites, ce qui va perturber la mesure du temps de
propagation. La mesure de la distance satellite/rcepteur est aecte par cette
erreur dhorloge et par consquent cette mesure est appele pseudo-distance et
peut tre modlise par
i
= R
i
+c(
R

S
i ) +ca +w
i
, (2.11)
Figure 2.4 Calcul de la position par trilatration
o
_
_
R
i
est la distance entre le rcepteur et le i-me satellite,
c est la clrit,
R
, est lerreur dhorloge du rcepteur par rapport au temps de
rfrence GNSS,
S
i est lerreur dhorloge du i-me satellite par rapport au
temps de rfrence GNSS,
a sont les retards induits par la traverse de latmosphre,
w
i
est une erreur rsiduelle.
De plus, la distance entre le i-me satellite et le rcepteur peut scrire
R
i
=
_
(X X
i
)
2
+ (Y Y
i
)
2
+ (Z Z
i
)
2
, (2.12)
o
_
(X, Y, Z) est la position du rcepteur dans le repre gocentrique,
(X
i
, Y
i
, Z
i
) est la position du i-me satellite dans ce mme repre.
Dans ces conditions, lintersection des trois sphres nest plus un point unique
mais devient un domaine et il sera ncessaire de possder une mesure suppl-
mentaire pour lever lincertitude. En pratique, cela revient estimer lerreur
dhorloge rcepteur car il existe des modles derreur pour valuer la drive de
lhorloge satellite par rapport au temps de rfrence GNSS. Le problme ainsi
pos ((2.11) et (2.12)) revient alors approximativement la rsolution dun
systme dau minimum quatre quations quatre inconnues.
2.3.2 Global Positioning System (GPS)
Le GPS est le second systme de navigation par satellite dvelopp par les
tats-Unis, aprs Transit. Son dveloppement commena dans les annes 70
mais le systme ne fut pleinement oprationnel que dans les annes 90 lorsque
la constellation initialement prvue fut atteinte.
Infrastructure du GPS Le systme GPS est compos de 3 parties distinctes,
appeles encore segments :
Le segment spatial est constitu actuellement dune constellation de
31 satellites (24 initialement prvus). Ces satellites voluent sur six plans
orbitaux ayant une inclinaison denviron 55, deux plans orbitaux tant
spars de 60. Ces orbites ont t choisies pour garantir quau moins six
satellites soient toujours en vue de nimporte quel point du globe terrestre.
Les satellites suivent une orbite quasi circulaire de rayon orbital moyen
26560 km quils parcourent en un demi jour sidral, soit en 11h 58min 02s.
Le segment de contrle assure la surveillance de la constellation GPS
travers cinq stations rpartis dans le monde (Hawaii, Kwajalein, Ascen-
sion Island, Diego Garcia, et Colorado Springs). Les donnes collectes
sont alors centralises la station matresse de Colorado Springs, o les
corrections apporter aux satellites (phmrides, paramtres dhorloge)
sont calcules. Les mises jour sont alors transmises aux satellites via les
direntes stations de contrle.
Le segment utilisateurs regroupe lensemble des rcepteurs GPS qui
ralisent le calcul de positionnement en temps rel. Le GPS propose deux
types de services (trois initialement prvus) : le standard positioning sys-
tem (SPS) accessible tous et le precise positioning system (PPS) rserv
des utilisateurs habilits par le ministre de la dfense amricaine. Le
troisime type de service consistait en la dgradation volontaire du si-
gnal GPS, connu sous le nom de selective availabilty (SA). Ce service fut
interrompu le 1
er
Mai 2000.
Signal GPS Chaque satellite met continment un message de navigation
50 bit/s qui contient la date dmission, la position du satellite et la correction
dhorloge, informations ncessaires la rsolution du problme de navigation. Ce
message de navigation est rendu robuste aux perturbations extrieures grce
lutilisation dun code pseudo-alatoire et la squence rsultante module la por-
teuse adquat. Le signal GPS ainsi ralis est alors mis sur ces deux porteuses
en bande L, dnotes L
1
et L
2
:
s
L1
(t) =

2Ad(t)c(t) cos(2f
1
t +
1
) +

Ad(t)p(t) sin(2f
1
t +
1
), (2.13)
s
L2
(t) =
_
A
2
d(t)p(t) sin(2f
2
t +
2
), (2.14)
o
_
_
A est la puissance moyenne du signal mis,
d(t) est le message de navigation,
c(t) est le signal correspondant au code pseudo-alatoire C/A,
p(t) est le signal correspondant au code pseudo-alatoire P,
f
1
est frquence de la porteuse L
1
(= 1575, 42Mhz),
f
2
2
(= 1227, 6Mhz).
Il faut noter que chaque satellite utilise des codes pseudo-alatoires orthogo-
naux les uns par rapport aux autres, ce qui aura la particularit de donner de
faibles intercorrlations entre deux dirents codes. Cette technique de trans-
mission permet tous les satellites GPS de pouvoir mettre simultanment sans
interfrences et porte le nom de CDMA (code division multiple acces).
2.3.3 GLObal NAvigation Satellite System (GLONASS)
Le GLONASS est le premier systme de navigation par satellite dvelopp
par lURSS, puis par la Russie. Son dveloppement commena dans les annes
70 avec pour but dtre pleinement oprationnel dans les annes 90. La chute de
lURSS a entran son dclin mais, en 2001, la Russie sest engage restaurer
le systme.
Infrastructure du GLONASS Le systme GLONASS est compos lui aussi
de 3 segments distincts :
Le segment spatial est constitu actuellement dune constellation de 20
satellites, dont 19 sont oprationnels (24 prvus pour n 2009). Ces satel-
lites voluent sur trois plans orbitaux ayant une inclinaison denviron 65,
deux plans orbitaux tant spar de 120. Ces orbites ont t choisies pour
garantir quau moins cinq satellites soient toujours en vue de nimporte
quel point du globe terrestre. Les satellites suivent une orbite quasi cir-
culaire de rayon orbital moyen 25510 km quils parcourent en 11h 15min
44s.
Le segment de contrle assure la surveillance de la constellation GLO-
NASS travers cinq stations rpartis en ex-URSS : Saint-Ptersbourg,
Ternopil, Ienissesk, Komsomolsk-sur-lAmour et Krasnoznamensk (sta-
tion de contrle principale).
Le segment utilisateurs runit lensemble des rcepteurs utilisant les
signaux GLONASS. Il propose deux types de service, lun accessible tous
les utilisateurs et lautre rserv aux utilisateurs ayant droit. Contraire-
ment au GPS, aucun systme de dgradation volontaire (SA) du signal
na t mis en place.
Signal GLONASS Chaque satellite met continment un message de na-
vigation 50 bit/s contenant les informations ncessaires la rsolution du
problme de navigation. Ce message de navigation est rendu robuste aux per-
turbations extrieures grce un code ralisant un talement de spectre et la
squence rsultante module des porteuses lgrement direntes pour chaque
satellite. Le signal ainsi ralis est alors mis sur ces deux porteuses en bande
L, dnotes L
1
et L
2
:
s
L1
(t, k) =

2Ad(t)c(t) cos(2(f
1
+
9k
16
)t+
1
)+
2Ad(t)p(t) sin(2(f
1
+
9k
16
)t+
1
),
(2.15)
s
L2
(t, k) =

2Ad(t)p(t) sin(2(f
2
+
7k
16
)t +
2
), (2.16)
o
_
_
A est la puissance moyenne du signal mis,
d(t) est le message de navigation,
c(t) est le signal correspondant au code C/A,
p(t) est le signal correspondant au code P,
f
1
1
(= 1602Mhz),
f
2
2
(= 1246Mhz),
k est le numro du satellite.
Il faut noter que chaque satellite utilise le mme code dtalement de spectre. Ce
sont les direntes porteuses utilises qui vont assurer la faible intercorrlation
entre deux dirents signaux. Cette technique de transmission permet tous
les satellites GLONASS de pouvoir mettre simultanment sans interfrences et
porte le nom de FDMA (frequency division multiple acces).
2.3.4 Systmes en cours de dveloppement
De nouveaux systmes de positionnement par satellite sont aujourdhui
ltude pour saranchir de la dpendance au GPS ou au GLONASS, tous deux
sous contrle militaire.
Galileo Cest le futur GNSS europen qui devrait tre pleinement opration-
nel en 2013 (en phase de test depuis 2004) et qui sera sous contrle strictement
civil, contrairement aux autres systmes existants.
Le systme Galileo sera compos de 4 segments : le segment spatial (compos
de trente satellites placs sur trois orbites circulaires de rayon orbital moyen 29
600 kilomtres), le segment sol de contrle (charg du contrle des satellites), le
segment sol de mission (charg de crer le message de navigation dius par les
satellites et de grer lintgrit du systme) et le segment de test des utilisateurs
(charg de valider les performances des rcepteurs en environnement rel).
Les satellites Galileo mettront sur trois direntes bandes de frquence et
permettront donc de proposer cinq dirents services : le service ouvert (gratuit
et accessible tous), le service commercial (payant mais accessible tous), le
service de sret de la vie (scuris, intgre et certiable, rserv aux applica-
tions critiques sur le plan de la scurit de la vie), le service public rglement
(systme antibrouillage, rserv aux missions de service public dpendantes de
la prcision) et le service de recherche et secours (localisation des balises Cospas-
Sarsat).
Compass Aussi connu sous le nom de Beidou-2, Compass est le projet chinois
de GNSS indpendant. A linstar de ces homologues, ce systme utiliserait des
satellites (30 ?) en orbite terrestre moyenne (MEO), mais inclurait galement
cinq satellites gostationnaires (GEO). La transmission du message de naviga-
tion se ferait, comme dans le cas du GPS ou de Galileo, laide de CDMA.
2.4 Navigation hybride
Le terme de navigation hybride sadapte tous les types de navigation uti-
lisant plusieurs systmes de nature dirente pouvant raliser lestimation de
la position de manire indpendante (GNSS, INS, WSS (Wheel Speed Sensor),
. . .). Dans ces conditions, le systme hybride combine les proprits et fonc-
tionnements des autres systmes. Comme cela a t expliqu prcdemment,
GNSS et INS reposent sur des techniques de positionnement trs direntes et
complmentaires. En eet, lerreur de localisation induite par le GNSS est bor-
ne dans le temps mais soumise aux pertes ou dgradations du signal tandis
que celle induite par lINS est compltement indpendante de lenvironnement
mais drive au cours du temps. Lhybridation GNSS/INS va alors permettre de
compenser les dfauts des deux systmes indpendants et sera donc particuli-
rement bnque. Dans le cadre de cette thse, seul ce couplage GNSS/INS sera
dtaill.
2.4.1 Architectures dhybridation
Larchitecture dhybridation va permettre de xer les entres du ltre rali-
sant cette hybridation. Il existe classiquement trois types darchitecture (lche,
serre et trs serre) avec chacune ses avantages et ses inconvnients qui seront
dtaills par la suite. Il est intressant de noter quil faut galement dterminer
les sorties du ltre dhybridation. Lapproche la plus intuitive consisterait en
lestimation des paramtres cinmatiques du mobile (position, vitesse, attitude)
laide des deux systmes GNSS et INS. Cette approche comporte un grand
dfaut : en cas de forte dynamique du mobile, les sorties du ltre devraient
tre calcules haute frquence, ce qui impose un temps de rponse du ltre
dhybridation relativement faible. Par consquent, il est bien plus souvent utilis
lerreur de navigation inertielle (en position, vitesse et attitude) comme sortie
du ltre, ce qui rduit considrablement les dynamiques mises en oeuvres. Les
direntes architectures dhybridation prsentes par la suite le sont dans ce
cas.
Hybridation lche Ce premier schma dintgration combine, dans son ltre
dhybridation, les estimes cinmatiques (position, vitesse, attitude) obtenues
par le GNSS seul et par lINS seul (Fig. 2.5). Cest la solution la plus directe et
la plus simple implmenter car les donnes issues des deux dirents systmes
sont de mme nature. Cependant, les performances de ce type dintgration sont
2.4. NAVIGATION HYBRIDE 23
bien souvent dcevantes dans des environnements o les satellites GNSS ne sont
pas visibles (directement ou non) [FB98, Sec. 7.3].
INS
GNSS
Filtre d
Hybridation
Estimes
GNSS
Estimes inertielles
Sorties capteurs
Erreurs inertielles estimes
Estimes inertielles recales
-
+
Figure 2.5 Architecture dhybridation lche
Hybridation serre Contrairement larchitecture prcdente, lhybridation
serre met en oeuvre directement les mesures de pseudo-distances GNSS (Fig.
2.6). En combinant ces dernires avec les estimes cinmatiques inertielles dans
un ltre lgrement plus complexe, il est alors possible dintgrer les deux sys-
tmes. Cette solution est souvent prfrable car plus prcise, notamment lorsque
moins de quatre satellites GNSS sont en vue, ce qui ne permet pas de recaler
lINS dans le cas de lhybridation lche.
Hybridation trs serre Cette dernire structure a pour but dintgrer des
informations en provenance dun autre systme de positionnement (Fig. 2.7)
pour amliorer lestimation des mesures GNSS et ainsi rendre le systme de
navigation plus robuste. Le systme rsultant est compltement imbriqu, dans
le sens o lINS va permettre de mieux estimer les mesures GNSS, qui leur
tour vont recaler lINS travers le ltre dhybridation [Gir05, Sec. 6.4].
2.4.2 Modle dtat
Dans la section 2.4.1, il a t beaucoup question dhybridation et il convient
maintenant de dtailler les mathmatiques qui lui sont associes. Quelle que
soit larchitecture retenue, il faut tout dabord noter que le problme peut se
formaliser de la mme manire. En eet, un certain nombre dobservations sont
disponibles pour dcrire un phnomne voluant dans le temps, qui lui, nest pas
directement observable et ceci peut donc se formuler sous la forme dun modle
INS
GNSS
Filtre d
Hybridation
Mesures
GNSS
Estimes inertielles
Sorties capteurs
-
+
Figure 2.6 Architecture dhybridation serre
INS
GNSS
Filtre d
Hybridation
Mesures
GNSS
Estimes inertielles
Sorties capteurs
-
+
Mesures GNSS
estimes
Figure 2.7 Architecture dhybridation trs serre
dtat :
_

X(t) = f(t, X(t), U(t)),
Y (t) = h(t, X(t), U(t)),
(2.17)
o
_
_
t est le temps,
Y (t) est le vecteur de mesure,
X(t) est le vecteur dtat,
U(t) est le vecteur de commande,
f et h sont des fonctions non linaires.
Vecteur dtat Comme nonc prcdemment, la sortie du ltre dhybrida-
tion, qui nest rien dautre que le vecteur dtat, contient les erreurs de naviga-
tion inertielle (en position, vitesse et attitude). An dobtenir une meilleure pr-
cision, il est galement ncessaire de suivre les perturbations lies aux systmes
(INS et GNSS). Pour lINS, les modles acclromtrique (2.6) et gyromtrique
(2.7) font intervenir un grand nombre de sources derreur dont la principale
composante est un biais voluant dans le temps et quil faut donc estimer. Dans
cette tude, les autres perturbations inertielles, comme par exemple le facteur
dchelle, ne sont pas modlises dans le vecteur dtat mais auraient pu tre
galement suivies. Pour le GNSS, il a t vu que le problme pos par le modle
de la pseudo-distance (2.11) ne pouvait tre rsolu quavec la connaissance du
biais dhorloge rcepteur quil faut donc galement estimer. Le vecteur dtat
peut alors nalement scrire :
x(t) =
_
_
_
_
_
_
_
_
_
_
p
(t)
v
(t)
(t)
b
a
(t)
b
g
(t)
b
GNSS
(t)
b
GNSS
(t)
_
_
_
_
_
_
_
_
_
_
, (2.18)
o
_
p
(t) R
3
est lerreur inertielle en position,
v
(t) R
3
est lerreur inertielle en vitesse,
(t) R
3
est lerreur inertielle en attitude,
b
a
(t) R
3
est le biais acclromtrique,
b
g
(t) R
3
est le biais gyromtrique,
b
GNSS
(t) R est le biais dhorloge du rcepteur GNSS,
b
GNSS
(t) R est la drive dhorloge du rcepteur GNSS.
Vecteur de mesure Dans la section 2.4.1, lentre du ltre dhybridation,
qui est quivalente au vecteur de mesure, a t dnie de plusieurs manires :
Dans le cas dune hybridation lche, il sagit des estimes cinmatiques
laide du GNSS seul.
Pour une hybridation serre, le vecteur de mesure contient directement les
mesures de pseudo-distances.
Lorsquil sagit dune architecture trs serre, les mesures de pseudo-distances
ou les sorties des corrlateurs du rcepteur GNSS peuvent tre utilises.
quation dtat Il a t montr prcdemment travers les quations de la
navigation inertielle (2.8), (2.9) et (2.10) quil tait possible dcrire le problme
de navigation sous la forme
d
dt
_
_
p(t)
v(t)
(t)
_
_
= f(p(t), v(t), (t)).
Les quations derreurs inertielles en position
p
(t) = p(t) p(t), en vitesse
v
(t) = v(t) v(t) et en attitude
(t) = (t) (t) sont alors obtenues en

direnciant cette quation au premier ordre
d
dt
_
_
p
(t)
v
(t)
(t)
_
_
=
f
p(t)
p
(t) +
f
v(t)
v
(t) +
f
(t)
(t).
Lquation derreur de position se dduit simplement en dveloppant
lquation de position inertielle (2.8), dsigne ici par f
pos
, autour des
valeurs estimes par lINS
d
dt
p
(t) =
d
dt
_
_
h
_
_
=
f
pos
p(t)
p
(t) +
f
pos
v(t)
v
(t) +
f
pos
(t)
(t),
ce qui donne nalement
d
dt
_
_
h
_
_
=
_
_
_
0 0
vn
(N+
h)
2
ve sin

N+
hcos(
)
2
0
ve
(N+
h)
2
cos

0 0 0
_
_
_
_
_
h
_
_
+
_
_
_
1
N+
h
0 0
0
1
(N+
h) cos

0
0 0 1
_
_
_
_
_
vn
ve
v
d
_
_
.
(2.19)
Lquation derreur de vitesse, comme prcdemment, est obtenue
partir de lquation de vitesse inertielle f
vit
(2.9). Il faut cependant prendre
en compte que le vecteur dtat choisi contient les biais acclromtriques
et ceux-ci vont intervenir dans lquation derreur de vitesse travers les
mesures acclromtriques
d
dt
v
(t) =
d
dt
_
_
vn
ve
v
d
_
_
=
fvit
p(t)
p
(t) +
fvit
v(t)
v
(t) +
fvit
(t)
(t) +
fvit
ba(t)
b
a
(t)
= (
g(p)
n
p
(
n
en
p
+ 2
n
ie
p
) v
n
e
(t))
p
(t) +

R
m2n
(t)b
a
(t)
(
n
en
v
v
n
e
(t) + (
n
en
+ 2
n
ie
)
v
n
e
v
)
v
(t) +
Rm2n(t)
f
a
(t)
(t).
Sous une forme lgrement simplie, le rsultat est alors
d
dt
v
(t) =
Rm2n
(t)f
a
(t) +

R
m2n
(t)b
a
(t) +
g
n(t)
(
n
en
+ 2
n
ie
)
v
(t) (
n
en
+ 2
n
ie
) v
n
e
(t),
(2.20)
o
_
Rm2n
(t) =
Rm2n(t)
(t),
g
n(t) =
g(p)
n
p

p
(t),
n
en
=

n
en
p

p
(t) +

n
en
v

v
(t),
n
ie
=

n
ie
p

p
(t).
Lquation derreur dattitude est calcule son tour partir de
lquation dattitude inertielle (2.10), note ici f
att
. De mme que pour
lquation derreur de vitesse, il faut prendre en compte que les biais gy-
romtriques vont participer cette quation du fait de la prsence des
mesures gyromtriques
d
dt
(t) =
d
dt
_
_
_
_
=
fatt
p(t)
p
(t) +
fatt
v(t)
v
(t) +
fatt
(t)
(t) +
fatt
bg(t)
b
g
(t)
ce qui permet dobtenir
d
dt
_
_
_
_
=
_
_
_
_
ie
sin(
) 0
ve
(N+
h)
2
0 0
vn
(N+
h)
2
ie
cos(
) +
ve
(N+
h) cos(
)
2
0
ve tan

(N+
h)
2
_
_
_
_
_
_
h
_
_
+
_
_
_
0
1
N+
h
0
1
N+
h
0 0
0
tan

N+
h
0
_
_
_
_
_
vn
ve
v
d
_
_

n
in
(t) +R
m2n
b
g
(t).
(2.21)
Lquation derreur dhorloge du rcepteur GNSS est classique-
ment reprsente laide dun modle dordre 2 permettant de dcrire le
comportement du biais et de la drive du temps mesurs par lhorloge du
rcepteur GNSS
d
dt
_
b
GNSS
(t)
b
GNSS
(t)
_
=
_
0 1
0 0
__
b
GNSS
(t)
b
GNSS
(t)
_
+
_
w
b
(t)
w
b
(t)
_
(2.22)
o
_
_
b
GNSS
(t) est le biais dhorloge du rcepteur GNSS,
b
GNSS
(t) est la drive dhorloge du rcepteur GNSS,
w
b
(t) N(0,
2
b
),
w
b
(t) N(0,
2
b
).
Les quations du biais acclromtrique et gyromtrique sont ha-
bituellement modlises laide de processus de Markov dordre 1, pouvant
scrire dans le cas de lacclromtre
d
dt
b
a
(t) =
1
a
b
a
(t) +w
a
(t), (2.23)
et dans le cas du gyromtre
d
dt
b
g
(t) =
1
g
b
g
(t) +w
g
(t), (2.24)
o
_
_
b
a
(t) est le biais acclromtrique,
b
g
(t) est le biais gyromtrique,
a
est le temps de corrlation acclromtrique,
g
est le temps de corrlation gyromtrique,
w
a
(t) N(0,
2
ba
),
w
g
(t) N(0,
2
bg
).
Lquation dtat complte est alors obtenue en regroupant les direntes qua-
tions dnies prcdemment (2.19, 2.20, 2.21, 2.22, 2.23 et 2.24) en une seule
criture.
quation de mesure Selon le type darchitecture choisie, le vecteur de me-
sure et par consquent lquation de mesure vont avoir direntes critures pos-
sibles.
Dans le cas de lhybridation lche, la mesure est la position estime
seulement par le GNSS. Lquation de mesure alors obtenue peut se mettre
sous la forme
Y (t) =
_
_
x(t)
y(t)
z(t)
_
_
=
_
_
(N +

h(t) +
h
) cos(
(t) +
) cos(
(t) +
)
(N +

h(t) +
h
) cos(
(t) +
) sin(
(t) +
)
(N(1 e
2
) +

h(t) +
h
) sin(
(t) +
)
_
_
.
(2.25)
Dans le cas des hybridations serre et trs serre, ce sont directement
les pseudo-distances GNSS qui servent de mesures. Lquation de mesure
rsultante est donc lgrement plus complique car elle doit prendre en
compte le passage de ces pseudo-distances GNSS lestimation de la po-
sition
h
1
(x(t), y(t), z(t)) =
_
_
_
_
_
(x(t) x
S1
)
2
+ (y(t) y
S1
)
2
+ (z(t) z
S1
)
2
.
.
.
_
(x(t) x
S
N
S
)
2
+ (y(t) y
S
N
S
)
2
+ (z(t) z
S
N
S
)
2
_
_
_
_
.
(2.26)
o
_
_
(x(t), y(t), z(t)) sont les coordonns cartsiennes du mobile dans e,
(x
S1
, y
S1
, z
S1
)
.
.
.
(x
S
N
S
, y
S
N
S
, z
S
N
S
)
_
_
sont les coordonns cartsiennes des
N
S
satellites en vue dans e.
Lquation de mesure est alors la composition des quations (2.25) et
(2.26), notes respectivement ici h
2
(
,
h
) et h
1
(x(t), y(t), z(t)) la-
quelle il faut ajouter le biais d lhorloge du rcepteur GNSS b
GNSS
(t)
ainsi quun bruit de mesure w
GNSS
(t) dtaill en (2.11)
Y (t) = h
1
h
2
(
,
h
) +b
GNSS
(t) +w
GNSS
(t). (2.27)
2.4.3 Mthode de rsolution
La reprsentation dtat ainsi obtenue peut tre rsolue par direntes m-
thodes de ltrage. Le principe est dutiliser le maximum dinformations dis-
ponibles pour estimer ltat du systme. linstant t, toute linformation est
contenue dans la distribution conditionnelle de ltat connaissant toutes les me-
sures collectes P[X(t)|Y (1 : t)]. Il faut donc estimer au cours du temps cette
loi pour calculer la valeur de ltat linstant t laide dun estimateur (MMSE,
MAP, . . .). Ceci est ralis en deux tapes :
La prdiction peut scrire grce la relation de Chapman-Kolmogorov
p[X(t)|Y (1 : t 1)] =
_
X(t)
p[X(t)|X(t 1)]p[X(t 1)|Y (1 : t 1)]dX.
(2.28)
La correction, grce la loi de Bayes, peut tre estim par
p[X(t)|Y (1 : t)] =
p[Y (t)|X(t)]p[X(t)|Y (1 : t 1)]
p[Y (t)|Y (1 : t 1)]
. (2.29)
Le calcul analytique de cette solution peut savrer compliqu dans le cas
gnral mais il existe cependant un cas simple pour lequel le rsultat optimal
peut tre calcul et qui sera lobjet du prochain paragraphe. Dans les autres
cas, labsence de solution analytique au problme destimation implique alors
de recourir des mthodes sous-optimales.
Filtre de Kalman (FK) Dans le cas de systmes linaires gaussiens, la re-
prsentation dtat discrte peut scrire simplement (2.30) o v
k
N(0, Q
k
)
et w
k
N(0, R
k
) sont respectivement les bruits dtat et de mesure.
_
X
k
= F
k
X
k1
+v
k
,
Y
k
= H
k
X
k
+w
k
,
(2.30)
Dans ces conditions, il a t dmontr que p(X
k
|Y
1:k1
) N(X
k|k1
, P
k|k1
),
p(Y
k
|Y
1:k1
) N(Y
k|k1
, S
k
) et p(X
k
|Y
1:k
) N(X
k|k
, P
k|k
). Ces lois sont donc
compltement connues partir de la connaissance de leurs deux premiers mo-
ments, qui peuvent tre calculs analytiquement au cours du temps. Lalgo-
rithme qui en dcoule est appel Filtre de Kalman [Kal60], [KB61] et est dcrit
par
_
_
_
_
_
_
_
_
_
_
_
_
_
_
X
k|k1
= F
k
X
k1|k1
,
P
k|k1
= F
k
P
k1|k1
F
T
k
+Q
k
,
Y
k|k1
= H
k
X
k|k1
,
S
k
= H
k
P
k|k1
H
T
k
+R
k
,
_
_
Prdiction
K
k
= P
k|k1
H
T
k
S
1
k
,
X
k|k
= X
k|k1
+K
k
(Y
k
Y
k|k1
),
P
k|k
= (I K
k
H
k
)P
k|k1
.
_
_
_
Correction
Filtre de Kalman tendu (EKF) Dans le cas de systmes non-linaires,
la premire ide pour rsoudre le problme est de linariser le modle. Lal-
gorithme du ltre de Kalman tendu propose alors de remplacer les quations
non-linaires par leur dveloppement de Taylor au premier ordre autour de les-
timation la plus rcente de ltat. De mme que dans le ltre de Kalman, lhy-
pothse que les bruits soient gaussiens permet alors la rsolution du problme.
On a classiquement ([Jaz70] et [AM05])
_
X
k
= f
k
(X
k1
) +v
k
F
k
(X
k1
X
k1|k1
) +f
k
(X
k1|k1
) +v
k
,
Y
k
= h
k
(X
k
) +w
k
H
k
(X
k
X
k|k1
) +h
k
(X
k|k1
) +w
k
,
(2.31)
o
_
F
k
=
f
k
X
k1
|
X
k1|k1
,
H
k
=
h
k
X
k
|
X
k|k1
.
Ce nouvel algorithme peut alors scrire sous une forme proche de celle du ltre
de Kalman
_
_
_
_
_
_
_
_
_
_
_
_
_
_
X
k|k1
= f
k
(X
k1|k1
),
P
k|k1
= F
k
P
k1|k1
F
T
k
+Q
k
,
Y
k|k1
= h
k
(X
k|k1
),
S
k|k
= H
k
P
k|k1
H
T
k
+R
k
,
_
_
Prdiction
K
k
= P
k|k1
H
T
k
S
1
k
,
X
k|k
= X
k|k1
+K
k
(Y
k
Y
k|k1
),
P
k|k
= (I K
k
H
k
)P
k|k1
.
_
_
_
Correction
Filtre de Kalman Unscented (UKF) Contrairement lEKF, lUKF
ne fait pas dapproximation des fonctions non-linaires mais utilise le vritable
modle dtat. Son but sera alors destimer directement la loi de distribution
de ltat connaissant lensemble des observations. Ceci est ralis laide de la
transformation sans parfum (appele Unscented transform (UT) en anglais
[JU96], [JU97]) qui permet de calculer les moments dordre 1 et 2 dune variable
alatoire qui est passe dans une fonction non-linaire.
En se plaant dans le cas simple de y = g(x) o x et P
x
sont le vecteur
moyenne et la matrice de covariance du vecteur alatoire x de dimension N
x
,
lUT va tout dabord dterminer 2N
x
+1 chantillons pondrs {w
i
,
i
} dcrivant
compltement x et P
x
de la manire suivante :
_
0
= x w
0
=

Nx+
i = 0
i
= x + (
_
(N
x
+)P
x
)
i
w
i
=
1
2(Nx+)
i = 1, . . . , N
x
i
= x (
_
(N
x
+)P
x
)
i
w
i
=
1
2(Nx+)
i = N
x
+ 1, . . . , 2N
x
o est un paramtre de pondration et (
_
(N
x
+)P
x
)
i
est la i-me colonne
de la racine carr de la matrice de covariance pondre. En propageant ces
chantillons travers la fonction non-linaire, il est alors possible dobtenir une
estimation des moments dordre 1 et 2 qui permet de dcrire la loi a posteriori
de ltat lordre 2.
_
i
= g(
i
) i = 0, . . . , 2N
x
y

2Nx
i=0
w
i
i
P
y

2Nx
i=0
w
i
(
i
y)(
i
y)
T
P
xy

2Nx
i=0
w
i
(
i
x)(
i
y)
T
Applique au cas de la navigation, lUT va permettre de dnir un nouveau
systme
_
X
a
k
= f
k
(X
a
k1
),
Y
k
= h
k
(X
k
),
o X
a
k
=
_
_
X
k
v
k
w
k
_
_
, (2.32)
rsolu par lalgorithme de lUKF
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
a
k1
=
_
_
X
k1|k1
X
k1|k1
+
_
(N
X
a +)P
a
k1|k1
X
k1|k1

_
(N
X
a +)P
a
k1|k1
_
_
,
X
k|k1
= f
k
(
k1|k1
),
X
k|k1
=

2N
X
a
i=0
w
i
X
i,k|k1
,
P
k|k1
=

2N
X
a
i=0
w
i
(
X
i,k|k1
X
k|k1
)(
X
i,k|k1
X
k|k1
)
T
,
k|k1
= h
k
(
k|k1
),
Y
k|k1
=

2N
X
a
i=0
w
i
i,k|k1
,
S
k
=

2N
X
a
i=0
w
i
(
i,k|k1
Y
k|k1
)(
i,k|k1
Y
k|k1
)
T
,
T
k
=

2N
X
a
i=0
w
i
(
X
i,k|k1
X
k|k1
)(
i,k|k1
Y
k|k1
)
T
,
_
_
Prdiction
K
k
= T
k
H
T
k
S
1
k
,
X
k|k
= X
k|k1
+K
k
(Y
k
Y
k|k1
),
P
k|k
= P
k|k1
K
k
S
k
K
T
k
.
_
_
_
Correction
Filtre particulaire (FP) L aussi, le but est destimer directement la loi
a posteriori de ltat connaissant lensemble des observations. Cette distribu-
tion est approche par une loi discrte dont les valeurs possibles sont appeles
particules et dont les probabilits sont appeles poids. Classiquement, un ltre
particulaire [Dou98], [DGA00], [DDG01], procde en deux tapes : lchantillon-
nage pondr qui propage rcursivement les particules et le rchantillonnage qui
slectionne les particules les plus pertinentes. La dmarche est alors la suivante :
_
_
_
_
_
_
_
_
_
_
Initialisation des N particules par un tirage alatoire sur la loi a priori de ltat,
Prdiction de chaque particule grce la loi associe lquation dtat,
valuation et normalisation des poids dimportance associs chaque particule,
Slection/rejet des particules de poids dimportance lev/faible,
Estimation de ltat laide de la loi de distribution ainsi estime.
2.5 Conclusion
Ce chapitre a permis de prsenter direntes techniques de navigation ainsi
que les mthodes de rsolution quil faut mettre en oeuvre pour obtenir une in-
formation de positionnement. Une description plus dtaille a t apporte pour
les techniques utilises dans le cadre des travaux mens durant cette thse. Ainsi,
la navigation inertielle et la radionavigation par satellite ont t plus particu-
lirement expliques, ce qui a alors permis dintroduire la notion de navigation
hybride dans le cas spcique GNSS/INS. Prsente dans un cadre gnral, cette
navigation hybride pourra alors tre utilise dans le cas qui a t plus particu-
lirement tudi durant cette thse, la navigation hybride GNSS/MEMS et qui
sera dtaille dans les prochains chapitres. Pour la suite de ce manuscrit, lhy-
bridation sera toujours ralise dans le cadre dune architecture serre et rsolue
laide dun ltre de Kalman tendu.
Travaux eectus
Chapitre 3
valuation des capteurs
MEMS
Sommaire
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . 35
3.2 Caractrisation des capteurs MEMS . . . . . . . . 36
3.2.1 Cas de lacclromtre . . . . . . . . . . . . . . . . . 36
3.2.2 Cas du gyromtre . . . . . . . . . . . . . . . . . . . 38
3.3 Performances en navigation inertielle . . . . . . . 40
3.3.1 Acclromtres seuls . . . . . . . . . . . . . . . . . . 40
3.3.2 Gyromtres seuls . . . . . . . . . . . . . . . . . . . . 40
3.3.3 Acclromtres et gyromtres . . . . . . . . . . . . . 42
3.4 Performances en navigation hybride . . . . . . . . 42
3.4.1 Perte partielle des signaux GNSS . . . . . . . . . . . 42
3.4.2 Perte totale des signaux GNSS . . . . . . . . . . . . 45
3.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . 46
3.1 Introduction
De nombreuses tudes ont t menes au sujet des mthodes prsentes
dans le chapitre prcdent concernant une hybridation GNSS/INS ([SNES05],
[WMM
+
06], [ESNSN06], [NNAES06], . . .). Rcemment, une nouvelle gnra-
tion de capteurs inertiels appels MEMS (pour langlais Micro Electro Mecha-
nical Systems) est devenue disponible un cot relativement faible et permet
denvisager lutilisation de systme de navigation hybride dans de nouvelles
applications (vhicules terrestres, pitons, . . .). Linconvnient majeur de ces
nouveaux capteurs rside dans la qualit des mesures quils dlivrent. En eet,
les perturbations qui laectent sont bien plus importantes que celles obser-
ves pour des acclromtres et des gyromtres traditionnels ([Sta06], [Pet06],
35
36 CHAPITRE 3. VALUATION DES CAPTEURS MEMS
[SO06], [FWB05], . . .). Lenjeu de ce chapitre est dobtenir une valuation des
performances de MEMS existants (ou non) mettant en relief la prcision acces-
sible par leur utilisation. Ainsi, une analyse des modles de bruit laide de
la variance dAllan est ici propose pour dirents capteurs et est suivie dune
tude des performances en terme de navigation aussi bien inertielle quhybride
laide de simulations de Monte Carlo (100 itrations). Ces dernires sont rali-
ses dans des conditions plus ou moins favorables (cas nominal, perte de signal
GNSS partielle ou totale).
3.2 Caractrisation des capteurs MEMS
Dans cette analyse, trois catgories de capteurs MEMS de qualits direntes
ont t tudies laide de la variance dAllan (Annexe B). La Classe 1 fait
rfrence des systmes qui comprennent le capteur et llectronique ncessaire
son utilisation sur un mme circuit intgr. Ce type de capteurs, propos
par des fondeurs de silicium comme Analog Devices ou STMicroelectronics,
permet dobtenir des dispositifs de taille trs rduite et de faible consommation.
Les performances peuvent se voir augmentes pour dautres capteurs, mais ceci
sobtient, en rgle gnrale, au dtriment de lencombrement et du prix. Cest le
cas des gyromtres de Melexis et des acclromtres de Colibrys qui reprsentent
un bon compromis cot/performances et qui seront rfrencs,dans cette tude,
comme la Classe 2. Finalement, une dernire catgorie de capteurs est propose
qui, considrant les amliorations apportes la technologie MEMS ces dernires
annes, devrait faire son apparition dans le futur (Classe 3).
3.2.1 Cas de lacclromtre
Les trois classes de capteurs choisies dans la technologie des acclromtres
de type MEMS permettent une bonne reprsentation sur lensemble de la gamme
(Fig. 3.1). Dans lquation (2.6), il a t vu que la mesure acclromtrique S
a
est entache dun certain nombre de perturbations. Une criture lgrement
simplie peut alors tre donne par
S
a
= (I
SFa

MAa
)
Ba

NLa

a
,
qui, sachant que le biais
Ba
est en fait la composition dun biais
b
Ba
, dune
marche alatoire
ma
Ba
et dun processus de Gauss-Markov lordre 1
gm
Ba
et que
le capteur est soumis une acclration nulle ( = 0), peut galement scrire
S
a
=
b
Ba

ma
Ba

gm
Ba

a
. (3.1)
o
_
a
N(0,
2
a
) de densit spectrale de puissance Q
a
,
ma
Ba
(k) =
ma
Ba
(k 1) +
a,ma
avec
a,ma
N(0,
2
a,ma
),
gm
Ba
est tel que son autocorrlation R
gm
Ba
() =
2
a,gm
e
||
a,gm
etde
densit spectrale de puissance K
a,gm
.
3.2. CARACTRISATION DES CAPTEURS MEMS 37
10
100
1000
S
c
a
l
e

F
a
c
t
o
r
s
t
a
b
i
l
i
t
y

(
p
p
m
)
100 $
1 10 100 10
3
Accelerometer in
MEMS technology
1 $
C
l
a
s
s
e

3
C
l
a
s
s
e

2
C
l
a
s
s
e

1
Bias stability ( g)
Figure 3.1 Vue densemble des acclromtres de technologie MEMS
10
1
10
0
10
1
10
2
10
3
10
5
10
4
10
3
10
2
(s)
(
m
/
s
)
Figure 3.2 Variance dAllan des trois acclromtres tudis
Pour caractriser les paramtres de ce modle, la variance dAllan (Annexe
B) est alors reprsente pour les trois classes dacclromtres sur la gure 3.2
(Classe 1 en haut, Classe 2 au milieu et Classe 3 en bas). Les paramtres alors
obtenus sont indiqus dans le tableau 3.1. Il est intressant de noter que les
courbes vertes sont obtenues partir des donnes exprimentales (uniquement
pour les Classes 1 et 2) tandis que les courbes bleues sont issues des donnes
simules laide du modle acclromtrique (Eq. 3.1) avec les valeurs estimes
des paramtres.
Catgorie Q
a
[m.s
2
/
Hz]
a,ma
[m.s
2
] K
a,gm
[m.s
2
/s/
Hz]
a,gm
[s]
Classe 1 1.8 10
3
1 10
4
1.85 10
3
10
Classe 2 5 10
4
2 10
5
3.5 10
4
30
Classe 3 4 10
5
1 10
6
3.5 10
5
80
Table 3.1 Paramtres issus de la modlisation pour les trois acclromtres
3.2.2 Cas du gyromtre
De la mme manire que dans le cas des acclromtres, les trois gyromtres
choisis pour cette tude permettent davoir une bonne reprsentativit des sys-
tmes MEMS existants (Fig. 3.3). Le modle gyromtrique (2.7) permettant de
dcrire lensemble des perturbations aectant la mesure gyromtrique S
g
peut
se simplier et scrit alors
S
g
= (I
SFg

MAg
)
Bg

Kg

g
.
Le biais
Bg
est, ici aussi, le rsultat de la somme de trois dirents termes : un
biais
b
Bg
, une marche alatoire
ma
Bg
et un processus de Gauss-Markov lordre
1
gm
Bg
. En considrant un capteur au repos, la vitesse angulaire est proche de 0
( 0), ce qui permet dobtenir
S
g
=
b
Bg

ma
Bg

gm
Bg

g
. (3.2)
o
_
g
N(0,
2
g
) de densit spectrale de puissance Q
g
,
ma
Bg
(k) =
ma
Bg
(k 1) +
g,ma
avec
g,ma
N(0,
2
g,ma
),
gm
Bg
est tel que son autocorrlation R
gm
Bg
() =
2
g,gm
e
||
g,gm
etde
densit spectrale de puissance K
g,gm
.
Pour caractriser les paramtres de ce modle, la variance dAllan est ga-
lement reprsente pour les trois classes de gyromtres sur la gure 3.4 (Classe
1 en haut, Classe 2 au milieu et Classe 3 en bas). Les paramtres alors obtenus
sont indiqus dans le tableau 3.2. Il est intressant de noter que, dans le cas
du gyromtre de Classe 2, le processus de Gauss-Markov est ngligeable et na
donc pas pu tre estim. A linstar de ltude concernant les acclromtres, les
courbes vertes sont obtenues partir des donnes exprimentales (uniquement
3.2. CARACTRISATION DES CAPTEURS MEMS 39
Bias stability (/hr)
10
100
1000
S
c
a
l
e

F
a
c
t
o
r
s
t
a
b
i
l
i
t
y

(
p
p
m
)
100 $
1 10 10
2
10
3
Gyroscope in
MEMS technology
Earth rate
~15/hr
1 $
C
l
a
s
s
e

3
C
l
a
s
s
e

2
C
l
a
s
s
e

1
Figure 3.3 Vue densemble des gyromtres de technologie MEMS
10
1
10
0
10
1
10
2
10
3
10
4
10
3
10
2
10
1
10
0
(s)
/
s
)
Figure 3.4 Variance dAllan des trois gyromtres tudis
pour les Classes 1 et 2) tandis que les courbes bleues sont issues des donnes
simules laide du modle gyromtrique (Eq. 3.2) avec les valeurs estimes des
paramtres.
3.3 Performances en navigation inertielle
Maintenant que les acclromtres et les gyromtres ont t correctement
caractriss en terme de modlisation des capteurs, un second point dintrt
est de connatre la prcision quils permettraient dobtenir au cours dune navi-
gation inertielle seule. Le but, ici, nest pas de raliser rellement une navigation
laide des capteurs MEMS uniquement, mais plutt de continuer la caractri-
sation des capteurs, cette fois-ci, en terme de navigation. Les acclromtres et
les gyromtres seront tout dabord tudis de manire spare puis une analyse
conjointe des capteurs de mme classe permettra de simuler, proprement par-
ler, une navigation inertielle. Les rsultats reprsents, au cours de ces tudes,
sont les cart-types calculs laide de simulations de Monte Carlo (100 itra-
tions).
3.3.1 Acclromtres seuls
An de ne se soucier que de lapport des perturbations des acclromtres, les
mesures gyromtriques seront, ici, considres parfaites (S
g
= ). A partir de ces
mesures, bruites pour les acclromtres et non bruites pour les gyromtres,
la plate-forme inertielle (Fig. 2.3) va produire une estimation de la position ne
dpendant que de la modlisation acclromtrique. Sur la gure 3.5, la Classe
1 est reprsente en bleu, la Classe 2 en vert et la Classe 3 en cyan. En dessous
dune dure de 40s, la prcision obtenue est submtrique pour les trois dirents
capteurs. De mme, si la dure nexcde pas 100s, on observe une drive de
moins de 10m pour la Classe 1 et dapproximativement 1m (resp. 0.1m) pour
la Classe 2 (resp. Classe 3). Il est important de noter que lerreur augmente
quadratiquement avec le temps, ce qui est d la double intgration dans le
temps des mesures acclromtriques.
3.3.2 Gyromtres seuls
Ce sont maintenant les mesures acclromtriques qui seront considres
parfaites (S
a
= ) an que seul lapport des perturbations des gyromtres soit
Catgorie Q
g
[.s
1
/
Hz]
g,ma
[.s
1
] K
g,gm
[.s
1
/s/
Hz]
g,gm
[s]
Classe 1 8 10
2
3 10
3
1.3 10
1
7
Classe 2 2 10
2
5 10
4

Classe 3 6 10
4
1 10
5
6 10
4
80
Table 3.2 Paramtres issus de la modlisation pour les trois gyromtres
3.3. PERFORMANCES EN NAVIGATION INERTIELLE 41
10
2
10
1
10
0
10
1
10
2
10
10
10
8
10
6
10
4
10
2
10
0
10
2
temps [s]
c
a
r
t
-
t
y
p
e

d
e

l
'
e
s
t
i
m
a
t
i
o
n

[
m
]
Figure 3.5 Erreur de position lie aux perturbations acclromtriques [m]
10
2
10
1
10
0
10
1
10
2
10
10
10
5
10
0
10
5
temps [s]
c
a
r
t
-
t
y
p
e

d
e

l
'
e
s
t
i
m
a
t
i
o
n

[
m
]
Figure 3.6 Erreur de position lie aux perturbations gyromtriques [m]
considr. La plate-forme inertielle (Fig. 2.3) va alors nouveau estimer la
position ne dpendant que de la modlisation gyromtrique. De mme que pr-
cdemment, sur la gure 3.6, la Classe 1 est reprsente en bleu, la Classe 2 en
vert et la Classe 3 en cyan. Ici, et suivant la mme logique, comme les mesures
gyromtriques sont intgres trois fois, lerreur augmente cubiquement avec le
temps. La prcision submtrique nest donc plus conserve quen de dune
dure de 7s pour la Classe 1, 15s pour la Classe 2 et 50s pour la Classe 3. Au
terme de 100s, les drives observes sont bien plus grandes que lors de ltude
des acclromtres (10km pour la Classe 1, 1km pour la classe 2 et 100m pour
la Classe 3).
3.3.3 Acclromtres et gyromtres
Les contributions respectives tant dsormais connues, une navigation iner-
tielle complte est ralise. Les deux modles MEMS, acclromtrique (Eq. 2.6)
et gyromtrique (Eq. 2.7), vont venir, ici, impacter les performances du systme
de navigation. Les rsultats sont prsents pour les trois catgories de capteurs
(Fig. 3.7, en bleu pour la Classe 1, en vert pour la Classe 2 et en cyan pour la
Classe 3). Les rsultats sont conformes nos attentes : si la dure est infrieure
1s, nous retrouvons les performances des acclromtres tandis que si elle est
suprieure, ce sont les erreurs destimation lies aux gyromtres qui sont obser-
ves. Comme nonc prcdemment, le but de cette tude ntait pas de raliser
une navigation inertielle base sur des MEMS, mais plutt de caractriser ces
capteurs en terme de navigation.
3.4 Performances en navigation hybride
Lenjeu principal de la navigation inertielle dans un systme hybride est de
pallier les dfauts de service GNSS (perte de signal, brouillage, multi-trajet, . . .).
Ainsi, cette analyse des performances de la navigation hybride GNSS/MEMS
a t mene dans de telles conditions. Plus prcisment, le cas des pertes de
signaux GNSS (partielle ou totale) a t trait ici. Durant le cas nominal, six
satellites GNSS (Fig. 3.8) sont en vue du rcepteur pour estimer la position
et recalibrer le systme de navigation iinertielle. Le cas de la perte partielle
ne met plus en uvre que les trois satellites les moins loigns du znith du
rcepteur GNSS (Fig. 3.8, dans le cercle vert) alors que la perte totale ne fait
intervenir aucun satellite. Lhybridation est, dans tous les cas, ralise travers
une architecture serre et rsolue laide dun EKF, tous deux prsents dans
le chapitre prcdent. Les rsultats reprsents sont, ici encore, les cart-types
calculs laide de simulations de Monte Carlo (100 itrations).
3.4.1 Perte partielle des signaux GNSS
Le cas tudi ici, est celui dune perte partielle des signaux GNSS intervenant
la moiti de la simulation et durant jusqu la n. Sur la gure 3.9, lerreur
3.4. PERFORMANCES EN NAVIGATION HYBRIDE 43
10
2
10
1
10
0
10
1
10
2
10
10
10
5
10
0
10
5
temps [s]
c
a
r
t
-
t
y
p
e

d
e

l
'
e
s
t
i
m
a
t
i
o
n

[
m
]
Figure 3.7 Erreur de position lie aux perturbations acclromtriques et
gyromtriques [m]
100 80 60 40 20 0 20 40 60 80 100
100
80
60
40
20
0
20
40
60
80
100
5
8
9
13
28
31
Partiel outage
Figure 3.8 Constellation des satellites en vue du rcepteur GNSS
3.4. PERFORMANCES EN NAVIGATION HYBRIDE 45
destimation de la position est reprsente en bleu pour la Classe 1, en vert pour
la Classe 2 et en cyan pour la Classe 3. Durant le cas nominal, les performances
des systme de navigation hybride sont de lordre de 5m pour la Classe 1, 4m
pour la Classe 2 et 2.5m pour la Classe 3. Il est galement possible dobserver que
le temps de convergence vers ce cas nominal dire en fonction de la catgorie
de capteurs utilise (9.5s pour la Classe 1, 13s pour la Classe 2 et 28s pour la
Classe 3). Durant la perte partielle des signaux GNSS, les rsultats convergent
vers de nouvelles valeurs derreurs. La Classe 1 (resp. Classe 2) converge en 14s
(resp. 25s) vers une prcision dapproximativement 15m (resp. 11m) tandis que
la Classe 3 tend converger vers 8m au bout de 80s. Pour toutes les catgories de
capteurs, un point important est que les performances durant une perte partielle
de signaux GNSS (trois satellites disponibles) ne divergent pas avec le temps et
restent relativement bonnes.
0 50 100 150 200
0
5
10
15
20
25
temps [s]
c
a
r
t
-
t
y
p
e

d
e

l
'
e
s
t
i
m
a
t
i
o
n

[
m
]
Figure 3.9 Erreur de position lie une perte partielle des signaux GNSS
dans une navigation hybride [m]
3.4.2 Perte totale des signaux GNSS
La perte totale des signaux GNSS est le cas le plus dfavorable de la navi-
gation hybride. En eet, dans ces conditions, le systme de navigation nobtient
des informations que de la centrale inertielle et ne sera aucunement recal par
le GNSS. Les rsultats sont prsents pour les trois catgories de capteurs (Fig.
3.10, en bleu pour la Classe 1, en vert pour la Classe 2 et en cyan pour la
Classe 3). Dans cette tude, une perte totale de signaux GNSS de 30s de dure
a t simule. Au terme de ces 30s, lerreur destimation de la position a diverg
jusqu 450m pour la Classe 1, 50m pour la Classe 2 et 10m pour la Classe 3.
Cest vritablement durant cette perte totale des signaux GNSS que la qualit
des capteurs MEMS va impacter les performances en terme de navigation. Dans
le cas nominal, il faut noter que les rsultats observs prcdemment (Fig. 3.9)
peuvent ltre nouveau ici (entre 5 et 6m pour la Classe 1, 4m pour la Classe
2 et entre 2.5 et 3m pour la Classe 3).
0 50 100 150 200
10
1
10
0
10
1
10
2
10
3
temps [s]
c
a
r
t
-
t
y
p
e

d
e

l
'
e
s
t
i
m
a
t
i
o
n

[
m
]
Figure 3.10 Erreur de position lie une perte totale des signaux GNSS dans
une navigation hybride [m]
3.5 Conclusion
Ce chapitre a permis de caractriser les capteurs acclromtriques et gy-
romtriques de technologie MEMS, et ce, aussi bien en terme de mesures que
de navigation. Ltude a montr que le systme inertiel possde une grande in-
uence sur les performances de la navigation dans le cas dune perte totale des
signaux GNSS [PDGC08]. Dans le cas nominal, voire dans celui dune perte par-
tielle des signaux GNSS, lamlioration des mesures issues des capteurs MEMS
na quun eet relatif, la prcision tant en grande partie apporte par le GNSS.
Les mthodes qui seront prsentes dans les prochains chapitres auront donc
3.5. CONCLUSION 47
pour vocation, dune part damliorer les mesures des capteurs MEMS (Chap.
4) et dautre part de dnir des algorithmes de navigation spciques aux MEMS
(Chap. 5). Pour la suite de ce manuscrit et pour des raisons de clart, seuls les
capteurs de Classe 1, les plus susceptibles dapplications grand public (encom-
brant moindre et cot modique), seront dsormais tudis.
Chapitre 4
Inversion du modle des
capteurs MEMS
Sommaire
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . 49
4.2 Calibrage . . . . . . . . . . . . . . . . . . . . . . . . 50
4.2.2 Cas du gyromtre . . . . . . . . . . . . . . . . . . . 51
4.3 Inversion du modle . . . . . . . . . . . . . . . . . . 52
4.3.2 Cas du gyromtre . . . . . . . . . . . . . . . . . . . 53
4.4 Rsultats de simulations . . . . . . . . . . . . . . . 54
4.4.1 Calibrage . . . . . . . . . . . . . . . . . . . . . . . . 54
4.4.2 Inversion du modle . . . . . . . . . . . . . . . . . . 61
4.4.3 Navigation . . . . . . . . . . . . . . . . . . . . . . . 63
4.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . 66
4.1 Introduction
Il a t vu prcdemment que la relation entre/sortie dun acclromtre
(resp. gyromtre) pouvait tre dcrite par lquation (2.6) (resp. (2.7)). Dans
le cas des capteurs inertiels conventionnels, la plupart des termes intervenants
dans ces relations sont ngligeables et seuls les biais et les bruits sont ncessaires
pour dcrire correctement le phnomne physique. Ceci ne peut plus tre consi-
dr exact dans le cadre de la navigation hybride GNSS/MEMS et il sera alors
ncessaire de mettre en oeuvre des techniques spciques adaptes aux compor-
tements de ces capteurs. Une approche classique dans la littrature ([SBS99],
[Nas03], [ESN04], [Chi04], [SAG
+
07] et [AH05]) est de considrer le problme
sous forme dun problme de dbruitage qui peut se rsoudre laide dune
49
50 CHAPITRE 4. INVERSION DU MODLE DES CAPTEURS MEMS
dcomposition en ondelettes. Lide retenue ici a t dutiliser la connaissance
disponible des modles de capteurs an destimer ses entres (i.e. acclrations
et vitesses angulaires) en fonction de ses sorties (i.e. sorties acclromtriques
et gyromtriques). Cette mthode se dcompose en deux tapes, le calibrage et
linversion proprement dite du modle, qui seront dtailles par la suite dans ce
chapitre.
4.2 Calibrage
Le calibrage est la premire des deux tapes dnies en vue dinverser le
modle de capteur. Durant cette premire phase, le but est destimer la non-
linarit et les paramtres intrinsques des capteurs an de mieux caractriser
ces derniers. Dun point de vue gnral, la modlisation dun capteur MEMS
peut tre formule par :
S = (, , ), (4.1)
o
_
_
S est le vecteur des sorties du capteur MEMS R
3
,
est le vecteur des acclrations R
3
,
est le vecteur des vitesses angulaires R
3
,
contient les paramtres intrinsques du capteur MEMS,
est la fonction non-linaire caractrisant le capteur MEMS.
Le calibrage revient alors estimer et laide dune relation (
,

) =
f(
,

, S) o

(resp.

) est le vecteur acclration (resp. vitesse angulaire)
dtermin partir des mesures GNSS.
Cette quation trs gnrale peut tre dcrite par la relation (2.6) lorsque
lintrt est port uniquement sur lacclromtre. Dans cette criture, la fonc-
tion non-linaire (.) est alors scinde en deux parties, lune linaire et lautre
non-linaire. En exprimant la partie non-linaire sous forme polynomiale, on
obtient
S
a
=
Ba
. .
ordre 0
+(I
SFa

MAa
)
. .
ordre 1

NL2a
. .
ordre 2
2

NLja
. .
ordre j
j

a
..
bruit
,
ce qui donne en 3 dimensions si les ordres suprieurs 2 sont ngligs
_
_
S
u
a
S
v
a
S
w
a
_
_
=
_
_
1
u
SFa

uw
MAa

uv
MAa
vw
MAa
1
v
SFa

vu
MAa
wv
MAa

wu
MAa
1
w
SFa
_
_
_
_
w
_
_
_
_
u
Ba
v
Ba
w
Ba
_
_
_
_
u
NL2a
0 0
0
v
NL2a
0
0 0
w
NL2a
_
_
_
_
(
u
)
2
(
v
)
2
(
w
)
2
_
_
_
_
u
a
v
a
w
a
_
_
,
o u, v et w sont les trois axes de lacclromtre dnis dans [FB98].
4.2. CALIBRAGE 51
Il sut alors dcrire cette nouvelle relation sous une forme lgrement dif-
frente pour chacun des trois axes, ce qui donne pour laxe u
_
_
_
S
u
a,1
.
.
.
S
u
a,N
_
_
_ =
_
_
_
1
u
1

v
1

w
1
(
u
1
)
2
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1
u
N

v
N

w
N
(
u
N
)
2
_
_
_
_
_
_
_
_
_
u
Ba
1
u
SFa
uw
MAa
uv
MAa
u
NL2a
_
_
_
_
_
_
_
_
_
u
a,1
.
.
.
u
a,N
_
_
_,
(4.2)
pour laxe v
_
_
_
S
v
a,1
.
.
.
S
v
a,N
_
_
_ =
_
_
_
1
u
1

v
1

w
1
(
v
1
)
2
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1
u
N

v
N

w
N
(
v
N
)
2
_
_
_
_
_
_
_
_
_
v
Ba
vw
MAa
1
v
SFa
vu
MAa
v
NL2a
_
_
_
_
_
_
_
_
_
v
a,1
.
.
.
v
a,N
_
_
_,
(4.3)
et, nalement, pour laxe w
_
_
_
S
w
a,1
.
.
.
S
w
a,N
_
_
_ =
_
_
_
1
u
1

v
1

w
1
(
w
1
)
2
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1
u
N

v
N

w
N
(
w
N
)
2
_
_
_
_
_
_
_
_
_
w
Ba
wv
MAa
wu
MAa
1
w
SFa
w
NL2a
_
_
_
_
_
_
_
_
_
w
a,1
.
.
.
w
a,N
_
_
_.
(4.4)
Ces trois quations 4.2), (4.3) et (4.4) peuvent alors tre rsolues laide de
lestimateur des moindres carrs (MC).
De mme que pour lacclromtre, lquation trs gnrale (4.1) peut tre
prcise par (2.7) dans le cas du gyromtre. Contrairement aux capteurs acclro-
mtriques, la modlisation gyromtrique ne prend pas en compte de phnomnes
non-linaires. Cependant, une certaine sensibilit aux acclrations et vibrations
va venir sajouter la sortie du capteur, ce qui donne en 3 dimensions
_
_
S
p
g
S
q
g
S
r
g
_
_
=
_
_
1
p
SFg

pr
MAg

pq
MAg
qr
MAg
1
q
SFg

qp
MAg
rq
MAg

rp
MAg
1
r
SFg
_
_
_
_
r
_
_
_
_
p
Bg
q
Bg
r
Bg
_
_
_
_
pu
Kg

pv
Kg

pw
Kg
qu
Kg

qv
Kg

qw
Kg
ru
Kg

rv
Kg

rw
Kg
_
_
_
_
w
_
_
_
_
p
g
q
g
r
g
_
_
,
o p, q et r sont les trois axes du gyromtre dnis dans [FB98].
Sous une forme plus propice la rsolution par la mthode des moindres
carrs, on obtient alors pour laxe p
_
_
_
S
p
g,1
.
.
.
S
p
g,N
_
_
_ =
_
_
_
1
p
1

q
1

r
1

u
1

v
1

w
1
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1
p
N

q
N

r
N

u
N

v
N

w
N
_
_
_
_
_
_
_
_
_
_
_
_
_
p
Bg
1
p
SFg
pr
MAg
pq
MAg
pu
Kg
pv
Kg
pw
Kg
_
_
_
_
_
_
_
_
_
_
_
_
_
p
g,1
.
.
.
p
g,N
_
_
_,
(4.5)
pour laxe q
_
_
_
S
q
g,1
.
.
.
S
q
g,N
_
_
_ =
_
_
_
1
p
1

q
1

r
1

u
1

v
1

w
1
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1
p
N

q
N

r
N

u
N

v
N

w
N
_
_
_
_
_
_
_
_
_
_
_
_
_
q
Bg
qr
MAg
1
q
SFg
qp
MAg
qu
Kg
qv
Kg
qw
Kg
_
_
_
_
_
_
_
_
_
_
_
_
_
q
g,1
.
.
.
q
g,N
_
_
_,
(4.6)
et, nalement, pour laxe r
_
_
_
S
r
g,1
.
.
.
S
r
g,N
_
_
_ =
_
_
_
1
p
1

q
1

r
1

u
1

v
1

w
1
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1
p
N

q
N

r
N

u
N

v
N

w
N
_
_
_
_
_
_
_
_
_
_
_
_
_
r
Bg
rq
MAg
rp
MAg
1
r
SFg
ru
Kg
rv
Kg
rw
Kg
_
_
_
_
_
_
_
_
_
_
_
_
_
r
g,1
.
.
.
r
g,N
_
_
_,
(4.7)
4.3 Inversion du modle
Possdant dsormais une estimation

et

des paramtres et non-linarits
du modle acclromtrique (resp. gyromtrique), il reste linversion proprement
dite du modle raliser. Cest le but de la seconde tape qui sera prsente
par la suite pour le cas des acclromtres ainsi que pour celui des gyromtres.
En rfrence lquation (4.1), cela revient alors estimer et par (, ) =
1
(S,

) o

et

sont dcrits laide des estimations ralises durant ltape
prcdente.
Pour accomplir cette seconde phase, il faut mettre en oeuvre des techniques
rcursives permettant linversion de systmes non-linaires. Lide retenue dans
cette tude a t de construire un modle dynamique de lacclration et de la
vitesse angulaire permettant alors sa rsolution laide de mthodes de ltrage
classiquement utilises dans le domaine de la navigation (EKF, UKF, FP, . . .).
4.3. INVERSION DU MODLE 53
Pour construire un modle dynamique de lacclration , il faut prendre une
hypothse sur son volution dans le temps. Lide est de choisir cette hypothse
de manire pouvoir reprsenter le maximum de trajectoires possibles. Ainsi,
notre choix a t de modliser lacclration par une marche alatoire (4.8), ce
qui permet de dcrire un mouvement trs gnral. La variance du bruit dtat
,k
devra tre ajuste en fonction de la nature du mouvement du vhicule.
_

k
=
k1
+
,k
,
S
a,k
=

a
(
k
,

a
) +
a,k
.
(4.8)
Comme nonc prcdemment, la modlisation dynamique est rsolue par
une mthode de ltrage classique type EKF dont le droulement peut tre dcrit
comme suit
_
_
_
_
_
_
_
_
_
_
_
_
_
_
k|k1
=
k1|k1
,
P
,k|k1
= P
,k1|k1
+Q
,k
,
S
a,k|k1
=

a
(
k|k1
,

a
),
P
Sa,k|k
= H
a,k
P
,k|k1
H
T
a,k
+R
Sa,k
,
_
_
Prdiction
K
k
= P
,k|k1
H
T
a,k
P
1
Sa,k|k
,
k|k
=
k|k1
+K
k
(S
a,k
S
a,k|k1
),
P
,k|k
= (I K
k
H
a,k
)P
,k|k1
,
_
_
_
Correction
o
_
_
P
= V ar(),
P
Sa
= V ar(S
a
),
,k
N(0, Q
,k
),
a,k
N(0, R
Sa,k
),
H
a,k
=

k
|
k|k1
.
De la mme manire que dans le cas de lacclromtre, il est ncessaire
dtablir une modlisation dynamique de la vitesse angulaire permettant de
dcrire le cas gnral dun mouvement. Ceci est obtenu par une marche alatoire
(4.9) de bruit
,k
dont la variance est xe en fonction de la trajectoire du
vhicule considre.
_

k
=
k1
+
,k
,
S
g,k
=

g
(
k
,
k|k
,

g
) +
g,k
.
(4.9)
Ici aussi, la rsolution sera ralise laide dun ltre EKF dont lalgorithme
est le suivant
_
_
_
_
_
_
_
_
_
_
_
_
_
_
k|k1
=
k1|k1
,
P
,k|k1
= P
,k1|k1
+Q
,k
,
S
g,k|k1
=

g
(
k|k1
,
k|k
,

g
),
P
Sg,k|k
= H
g,k
P
,k|k1
H
T
g,k
+R
Sg,k
,
_
_
Prdiction
K
k
= P
,k|k1
H
T
g,k
P
1
Sg,k|k
,
k|k
=
k|k1
+K
k
(S
g,k
S
g,k|k1
),
P
,k|k
= (I K
k
H
g,k
)P
,k|k1
,
_
_
_
Correction
o
_
_
P
= V ar(),
P
Sg
= V ar(S
g
),
,k
N(0, Q
,k
),
g,k
N(0, R
Sg,k
),
H
g,k
=

k
|
k|k1
.
4.4 Rsultats de simulations
Maintenant que la thorie des mthodes dinversion utilises dans cette tude
a t dtaille, il est intressant de prsenter quelques rsultats obtenus aussi
bien en terme damlioration des mesures acclromtriques et gyromtriques
(calibrage et inversion du modle) que de navigation.
4.4.1 Calibrage
Le point dintrt est ici de dterminer la prcision de lestimation des para-
mtres

calcule partir de la dmarche dcrite prcdemment dans la section
4.2. Une tude statistique a donc t ralise laide de 1000 ralisations de
Monte Carlo pour 50 valeurs direntes de et a permis de calculer lerreur
quadratique moyenne destimation. Il faut alors comparer cette erreur lordre
de grandeur des paramtres an de pouvoir conclure sur lexactitude de la m-
thode de calibrage propose dans le cadre de cette tude.
Cas de lacclromtre Il est bon de rappeler que pour lacclromtre, le
vecteur paramtre
a
est compos de
Ba
,
SFa
,
MAa
et
NL2a
(Fig. 4.1 4.6).
Lerreur quadratique moyenne destimation des biais acclromtriques (Fig.
4.1) selon les 3 axes (u, v et resp. w) est proche de 110
8
g
2
(resp. 2.510
8
g
2
).
En comparant ces rsultats la variance du biais initial ( 1 10
4
g
2
), il
apparat que lerreur commise par lestimation est denviron 1% de la valeur du
paramtre. Lestimation de
Ba
est donc trs prcise grce cette mthode.
Concernant les facteurs dchelles
SFa
, les rsultats sont de lordre de 2.8
10
7
(resp. 1.510
7
) pour les axes u et v (resp. w). Suivant le mme raisonne-
ment que prcdemment, il est ais de voir que la prcision de cette estimation
sera infrieure celle obtenue pour le biais.
4.4. RSULTATS DE SIMULATIONS 55
0 10 20 30 40 50
0.5
1
1.5
x 10
8
a
x
e

u
0 10 20 30 40 50
0.5
1
1.5
x 10
8
a
x
e

v
0 10 20 30 40 50
2
3
4
x 10
8
a
x
e

w
diffrentes valeurs du biais
Figure 4.1 Erreur quadratique moyenne de lestimation de
Ba
[g
2
]
0 10 20 30 40 50
2.5
3
3.5
x 10
7
a
x
e

u
0 10 20 30 40 50
2.5
3
3.5
x 10
7
a
x
e

v
0 10 20 30 40 50
1.4
1.6
x 10
7
a
x
e

w
diffrentes valeurs du facteur d'chelle
SFa
Les erreurs dalignement
MAa
sont dcrites par une matrice hors-diagonale
permettant de caractriser les ventuelles erreurs de calage des trois axes de
lacclromtre u, v et w les uns par rapport aux autres. Un axe ne pouvant
tre mal cal par rapport lui-mme, les termes
uu
MAa
,
vv
MAa
et
ww
MAa
nexistent
pas et aucune estimation nest calcule (erreur destimation nulle sur les gures
4.3 4.5). Pour les termes dont lerreur quadratique moyenne destimation est
calcule, le rsultat est compris entre 110
8
rad
2
et 410
8
rad
2
. En comparant
ces rsultats la variance des erreurs dalignement initiales ( 2.5 10
3
rad
2
),
il apparat que lerreur commise par lestimation est infrieure 1% de la valeur
du paramtre. Lestimation de
MAa
0 10 20 30 40 50
1
0
1
a
x
e

u
0 10 20 30 40 50
3.5
4
x 10
8
a
x
e

v
0 10 20 30 40 50
0.5
1
1.5
x 10
8
a
x
e

w
diffrentes valeurs de calage d'axe
u.
MAa
[rad
2
]
Lerreur quadratique moyenne destimation de la non-linarit
NL2a
de lac-
clromtre (Fig. 4.6) selon les 3 axes (u, v et resp. w) est proche de 6.510
8
g
2
(resp. 5.5 10
8
g
2
). Suivant le mme raisonnement que prcdemment, il est
ais de voir que la prcision de cette estimation sera infrieure celle obtenue
pour le biais ou pour les erreurs dalignement.
Cas du gyromtre Le vecteur paramtre
g
, compos de
Bg
,
SFg
,
MAg
et
Kg
, est estim laide de la mthode des moindres carrs. Les rsultats sont
reprsents sur les gures 4.7 4.14.
Lerreur quadratique moyenne destimation des biais gyromtriques (Fig.
4.7) selon les 3 axes (p, q et r) est proche de 0.5 10
5
(/s)
2
. En comparant
ces rsultats la variance du biais initial ( 5 10
3
(/s)
2
), il apparat que
0 10 20 30 40 50
2
3
4
x 10
8
a
x
e

u
0 10 20 30 40 50
1
0
1
a
x
e

v
0 10 20 30 40 50
0.5
1
1.5
x 10
8
a
x
e

w
v.
MAa
[rad
2
]
0 10 20 30 40 50
3.5
4
x 10
8
a
x
e

u
0 10 20 30 40 50
3.5
4
x 10
8
a
x
e

v
0 10 20 30 40 50
1
0
1
a
x
e

w
w.
MAa
[rad
2
]
0 10 20 30 40 50
5
6
7
x 10
8
a
x
e

u
0 10 20 30 40 50
5
6
7
x 10
8
a
x
e

v
0 10 20 30 40 50
5
6
7
x 10
8
a
x
e

w
diffrentes valeurs de non-linarit
NL2a
[1/g
2
]
lerreur commise par lestimation est denviron 3% de la valeur du paramtre.
Lestimation de
Bg
Concernant les facteurs dchelles
SFg
, les rsultats sont de lordre de 0.1
10
8
(resp. 0.2510
8
) pour les axes p et q (resp. r). Suivant le mme raisonne-
ment que prcdemment, il est ais de voir que la prcision de cette estimation
sera infrieure celle obtenue pour le biais (10 15% de la valeur du paramtre).
De mme que dans le cas de lacclromtre, les erreurs dalignement
MAg
sont dcrites par une matrice hors-diagonale permettant de caractriser les ven-
tuelles erreurs de calage des trois axes du gyromtre p, q et r les uns par rapport
aux autres. Pour rappel, un axe ne pouvant tre mal cal par rapport lui-
mme, les termes
pp
MAg
,
qq
MAg
et
rr
MAg
nexistent pas et aucune estimation nest
calcule (erreur destimation nulle sur les gures 4.9 4.11). Pour les termes
dont lerreur quadratique moyenne destimation est calcule, le rsultat est de
lordre de 1 10
9
rad
2
. En comparant ces rsultats la variance des erreurs
dalignement initiales ( 2.5 10
3
rad
2
), il apparat que lerreur commise par
lestimation est infrieure 1% de la valeur du paramtre. Lestimation de
MAg
La sensibilit aux acclrations
Kg
est dcrite par une matrice 3 3 re-
liant lacclration ressentie sur chaque axe de lacclromtre u, v et w la vi-
tesse angulaire mesure sur ceux du gyromtre p, q et r. Son erreur quadratique
moyenne destimation (Fig. 4.12 4.14) est comprise entre 2.5 10
6
(/s/g)
2
et 7.5 10
6
(/s/g)
2
. Suivant le mme raisonnement que prcdemment, il est
0 10 20 30 40 50
0
1
2
x 10
5
a
x
e

p
0 10 20 30 40 50
0
1
2
x 10
5
a
x
e

q
0 10 20 30 40 50
0
2
4
x 10
5
a
x
e

r
diffrentes valeurs du biais
Bg
[(/s)
2
]
0 10 20 30 40 50
0
2
4
x 10
9
a
x
e

p
0 10 20 30 40 50
0
2
4
x 10
9
a
x
e

q
0 10 20 30 40 50
0
1
2
x 10
8
a
x
e

r
diffrentes valeurs du facteur d'chelle
SFg
0 10 20 30 40 50
1
0
1
a
x
e

p
0 10 20 30 40 50
0
0.5
1
x 10
8
a
x
e

q
0 10 20 30 40 50
0
2
4
x 10
9
a
x
e

r
p.
MAg
[rad
2
]
0 10 20 30 40 50
0
5
x 10
9
a
x
e

p
0 10 20 30 40 50
1
0
1
a
x
e

q
0 10 20 30 40 50
0
5
x 10
9
a
x
e

r
q.
MAg
[rad
2
]
0 10 20 30 40 50
0
2
4
x 10
9
a
x
e

p
0 10 20 30 40 50
0
5
x 10
9
a
x
e

q
0 10 20 30 40 50
1
0
1
a
x
e

r
r.
MAg
[rad
2
]
ais de voir que la prcision de cette estimation sera infrieure celle obtenue
pour le biais ou pour les erreurs dalignement.
En rsum, notre mthode de calibrage a permis dobtenir une estimation des
paramtres intrinsques du capteur MEMS. Cette estimation est prcise pour
les biais
B
et les erreurs dalignement
MA
mais reste approximative pour les
facteurs dchelles
SF
, la non-linarit
NLa
et la sensibilit aux acclrations
Kg
.
4.4.2 Inversion du modle
Une fois le vecteur de paramtre estim, il faut inverser le systme pro-
prement parler laide de la dmarche prcdemment dcrite dans la section
4.3. Une estimation de lacclration et de la vitesse angulaire est alors obtenue
partir des sorties acclromtriques et gyromtriques. Cest cette estimation
qui sera caractrise par son erreur quadratique moyenne calcule partir de
300 ralisations de Monte Carlo de dure 120s chacune.
Cas de lacclromtre Les rsultats sont similaires selon les trois axes et
sont approximativement de 1 10
5
g
2
(Fig. 4.15). En comparant cette valeur
la variance du bruit acclromtrique
a,k
, il est ais de se rendre compte quelles
sont du mme ordre de grandeur. Lestimation de lacclration ne dpend donc
plus que du bruit du systme et non plus du modle. Ce rsultat tait attendu
car la mthodologie propose permet de saranchir des perturbations lies au
modle acclromtrique mais ne prend pas en compte celles du bruit. Pour
0 10 20 30 40 50
0
0.5
1
x 10
5
a
x
e

u
0 10 20 30 40 50
0
1
2
x 10
5
a
x
e

v
0 10 20 30 40 50
0
0.5
1
x 10
5
a
x
e

w
diffrentes valeurs de sensibilit aux acclrations
p.
Kg
[(/s/g)
2
]
0 10 20 30 40 50
0
0.5
1
x 10
5
a
x
e

u
0 10 20 30 40 50
0
0.5
1
x 10
5
a
x
e

v
0 10 20 30 40 50
0
5
x 10
6
a
x
e

w
q.
Kg
[(/s/g)
2
]
0 10 20 30 40 50
0
0.5
1
x 10
5
a
x
e

u
0 10 20 30 40 50
0
0.5
1
x 10
5
a
x
e

v
0 10 20 30 40 50
0
0.5
1
x 10
5
a
x
e

w
r.
Kg
[(/s/g)
2
]
rduire encore cette erreur destimation, il faudrait alors contraindre le modle
dynamique (4.8) en imposant une variance au bruit dtat
,k
moins importante
et ainsi faire plus conance lquation dtat.
Cas du gyromtre De manire quivalente, lerreur quadratique moyenne
destimation de la vitesse angulaire ( 110
3
(/s)
2
, Fig. 4.16) est comparable
la variance du bruit gyromtrique
,k
. Ce faisant, le rsultat nonc pr-
cdemment dans le cas de lacclromtre est aussi valable pour le gyromtre :
lestimation de la vitesse angulaire ne dpend donc plus que du bruit du systme
et non plus du modle. De plus, il est toujours possible de rduire lerreur desti-
mation ralise en diminuant la variance du bruit dtat du modle dynamique
(4.9) comme expliqu dans le cas de lacclromtre.
4.4.3 Navigation
Il reste dsormais valuer la prcision de la position hybride estime, qui
est la partie la plus intressante en terme de navigation. Pour ce faire, le biais
et la variance de lestimateur ont t calculs travers une tude statistique de
200 ralisations de Monte Carlo sur une dure de 600s. Les rsultats issus de
la mthode dinversion du modle MEMS (en vert) sont alors compars, dune
part, avec ceux de la navigation hybride sans cette inversion (en bleu) et, dautre
part, avec des rsultats de navigation hybride utilisant des centrales inertielles
conventionnelles (en rose).
0 20 40 60 80 100 120
0
1
2
x 10
5
a
x
e

u
0 20 40 60 80 100 120
0
1
2
x 10
5
a
x
e

v
0 20 40 60 80 100 120
0
1
2
x 10
5
a
x
e

w
temps [s]
Figure 4.15 Erreur quadratique moyenne de lestimation de [g
2
]
0 20 40 60 80 100 120
0
1
2
x 10
3
a
x
e

p
0 20 40 60 80 100 120
0
1
2
x 10
3
a
x
e

q
0 20 40 60 80 100 120
0
1
2
x 10
3
a
x
e

r
temps [s]
Figure 4.16 Erreur quadratique moyenne de lestimation de [(/s)
2
]
Cas nominal Dans un premier temps, lobjectif est de tester la mthodologie
propose sur un cas nominal, i.e., un cas o susamment de satellites GNSS
sont directement visibles du rcepteur et permettent donc lestimation de la
position laide du systme GNSS seul. Sur les Fig. 4.17 et 4.18 sont reprsen-
ts les biais plus ou moins lcart-type des estimateurs de position dans les 3
cas dtude dcrits prcdemment. Il est ais de voir une dirence de compor-
tement durant les 150 premires secondes de la simulation entre lhybridation
GNSS/MEMS avec et sans calibrage. Ceci provient du fait que le calibrage est
dj ralis au dbut de la simulation dans le cas MEMS calibr alors que, sans
la mthode dinversion propose ici, le systme dhybridation aura une phase
dauto-calibrage en dbut de simulation. De plus, le comportement de lhybri-
dation GNSS/MEMS calibr va tendre avec le temps vers celui du GNSS/INS
alors que la prcision du systme hybride sans calibrage sera lgrement moins
bonne. Cette dirence peut notamment sexpliquer par la non prise en compte
de toutes les perturbations du modle MEMS par le ltre dhybridation utilis
ici.
0 100 200 300 400 500 600
20
0
20
40
60
80
100

INS
MEMS
Calibrated MEMS
temps [s]
Figure 4.17 Erreur en position (biais +/- cart-type) dans le cas nominal [m]
Perte du signal GNSS Aprs avoir vu les eets de la mthode dinversion
de modle dans le cas nominal, il faut maintenant sintresser au cas de la perte
du signal GNSS, cas durant lequel la centrale inertielle nest plus recale et donc
particulirement sensible au comportement des capteurs inertiels. De mme que
prcdemment, les Fig. 4.19 et 4.20 reprsentent les biais plus ou moins lcart-
type des estimateurs de position dans les dirents cas dtudes (GNSS/INS,
GNSS/MEMS et GNSS/MEMS calibr). Tout dabord, une premire observa-
tion permet de constater que les dirences de rsultats entre les 3 cas dtude
0 100 200 300 400 500 600
0
2
4
6

INS
MEMS
Calibrated MEMS
temps [s]
Figure 4.18 Erreur en position (biais +/- cart-type) dans le cas nominal [m]
(zoom sur la zone dintrt)
du cas nominal sont toujours prsentes. De plus, durant la perte du signal GNSS,
une amlioration de la prcision dapproximativement 15% est obtenue laide
de linversion du modle. Ce progrs est toutefois bien insusant au vue des
rsultats de rfrence de la navigation hybride utilisant des centrales inertielles
conventionnelles.
4.5 Conclusion
Ce chapitre a permis de prsenter une technique pour rsoudre le problme
de la navigation hybride GNSS/MEMS et, plus particulirement, pour amlio-
rer la qualit des mesures issues des capteurs inertiels MEMS. Base sur des
mthodes bien connues (estimation des moindres carres et ltre de Kalman
tendu), son originalit provient plus de sa faon de voir le problme. En ef-
fet, lamlioration des mesures inertielles est classiquement traite comme un
problme de dbruitage et, donc, rsolu comme tel alors que dans cette tude,
lide a t de le poser sous forme dun problme inverse. Les simulations rali-
ses ont permis de caractriser la mthode propose et ce, aussi bien, en terme
destimation des paramtres du modle MEMS, de lacclration et de la vitesse
angulaire quen terme de navigation [DCTL08]. Dans le cas nominal, linver-
sion du modle permet dgaler la prcision de la navigation GNSS/INS tandis
que lors de pertes de signal, bien quamliorant lestimation denviron 15%, le
rsultat reste approximatif. Il faudra donc mettre en oeuvre des techniques sp-
ciques pour traiter cette perte du signal GNSS, ce qui sera lobjet du chapitre
suivant.
4.5. CONCLUSION 67
0 100 200 300 400 500 600
0
200
400
600
800

INS
MEMS
Calibrated MEMS
temps [s]
Figure 4.19 Erreur en position (biais +/- cart-type) en cas de perte du
signal GNSS [m]
300 305 310 315
0
50
100
150
INS
MEMS
Calibrated MEMS
temps [s]
Figure 4.20 Erreur en position (biais +/- cart-type) en cas de perte du
signal GNSS [m] (zoom sur la zone dintrt)
Chapitre 5
Correction par rseau de
neurones
Sommaire
5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . 69
5.2 Bases des rseaux de neurones . . . . . . . . . . . 70
5.2.1 La cellule lmentaire : le neurone . . . . . . . . . . 70
5.2.2 Structure du rseau de neurones . . . . . . . . . . . 71
5.2.3 Algorithmes dapprentissage . . . . . . . . . . . . . . 73
5.3 Application la navigation . . . . . . . . . . . . . . 74
5.3.1 Correction de la position uniquement . . . . . . . . . 75
5.3.2 Correction des direntes estimes inertielles . . . . 76
5.4 Rsultats de simulations . . . . . . . . . . . . . . . 79
5.4.1 Cas simple de trajectoires invariantes dans le temps 81
5.4.2 Cas de trajectoires voluant dans le temps . . . . . . 82
5.4.3 Corrections des direntes estimes inertielles . . . . 88
5.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . 97
5.1 Introduction
Dans loptique de raliser une navigation hybride GNSS/MEMS, il a t
montr prcdemment que linformation apporte par les capteurs MEMS ne
susait pas pour obtenir des rsultats prcis lors de perte de signal GNSS.
Dans ce cas, il est donc ncessaire de mettre en oeuvre des mthodes sp-
ciques pour amliorer lestimation de positionnement. Cette amlioration ne
peut tre ralise quen apportant plus dinformation au systme de navigation.
Ceci peut tre eectu en fusionnant des donnes issues de dirents capteurs
(odomtres [SCT07], [SCKJ07], camras [WKD09], [SS09], . . .) ou systmes de
communications (GSM [HN80], [HMS97], WiFi [HSS03], [DT08], . . .), mais ce
69
70 CHAPITRE 5. CORRECTION PAR RSEAU DE NEURONES
ne sera pas le cas de cette tude volontairement limite une navigation hybride
GNSS/MEMS. Cet apport dinformation supplmentaire peut alors tre cher-
ch dans le pass du systme de navigation en apprenant le comportement de
la navigation hybride an de pouvoir le restituer lors de perte de signal GNSS.
Cest dans ce but que des mthodes neuronales seront mises en uvre et prsen-
tes dans ce chapitre. Un certain nombre dtudes ncessitant un apprentissage
hors-ligne ont t menes en ce sens ([EDER03], [AH04], [ESAHL04], [GSES06],
[WWSW06], [AHNES07], [GESS08], . . .), loriginalit des travaux raliss dans
cette thse se contentant dun apprentissage en ligne. Ainsi, aprs avoir eectu
quelques rappels sur les rseaux de neurones, une description dtaille de leur
application la navigation sera propose.
5.2 Bases des rseaux de neurones
Le cerveau humain est une structure compose dun trs grand nombre de
cellules appeles neurones. Ces neurones sont organiss en un immense rseau
dont les fonctionnalits sont aussi diverses que compliques. Cette structure,
ainsi construite, possde les capacits dapprendre et de mmoriser [Hay99]. Un
rseau de neurones articiel est un modle du cerveau humain cherchant avoir
ces mmes capacits.
De faon gnrale, on situe le dbut des rseaux de neurones articiels en
1943 avec les travaux de McCulloch et Pitts [MP43] qui montrent quun rseau
de neurones discret, sans contrainte de topologie, peut reprsenter nimporte
quelle fonction boolenne et donc muler un ordinateur. En 1958, Rosenblatt
propose le premier algorithme dapprentissage, qui permet dajuster les para-
mtres dun neurone [Ros58]. En 1969, Minsky et Papert publient le livre Percep-
trons [MP69] dans lequel ils utilisent une solide argumentation mathmatique
pour dmontrer les limitations des rseaux de neurones une seule couche. Ce
livre aura une inuence telle que la plupart des chercheurs quitteront le champ
de recherche sur les rseaux de neurones. En 1982, Hopeld [Hop82] propose des
rseaux de neurones associatifs et lintrt pour les rseaux de neurones renat
chez les scientiques. En 1986, Rumelhart, Hinton et Williams publient lalgo-
rithme de la rtropropagation de lerreur (Annexe C) qui permet doptimiser les
paramtres dun rseau de neurones plusieurs couches [RHW86]. partir de
ce moment, la recherche sur les rseaux de neurones connat un essor fulgurant
et les applications commerciales de ce succs acadmique suivent au cours des
annes 90.
5.2.1 La cellule lmentaire : le neurone
La cellule lmentaire du rseau ou neurone (Fig. 5.1) possde un ensemble
dentres qui, aprs avoir t pondres, vont tre associes par lintermdiaire
dune fonction de combinaison de type vecteur scalaire. Ces fonctions sont
majoritairement de deux natures direntes :
5.2. BASES DES RSEAUX DE NEURONES 71
Les rseaux de type MLP (Multi-Layer Perceptron) calculent une com-
binaison linaire des entres (cest--dire que la fonction de combinaison
renvoie le produit scalaire entre le vecteur des entres et le vecteur des
poids synaptiques) et appliquent ensuite une non-linarit cette com-
binaison linaire. La sortie dun rseau de type MLP, reprsent sur la
gure 5.1, est donc dnie par
OUT =
_
n
i=1
w
i
IN
i
_
.
Classiquement, des fonctions de type sigmode, tangente hyperbolique ou
kronecker sont utilises en tant que fonction dactivation.
1
w
2
w
3
w
n
w
IN
OUT
Figure 5.1 Cellule lmentaire gnrique
Les rseaux de type RBF (Radial Basis Function) calculent la distance
entre les entres, cest--dire que la fonction de combinaison renvoie la
norme euclidienne du vecteur issu de la dirence vectorielle entre les
vecteurs dentres travers la fonction de base, classiquement gaussienne.
5.2.2 Structure du rseau de neurones
Un ensemble de neurones va alors tre constitu en les interconnectant et
donnera naissance au rseau proprement parler (Fig. 5.2).
Les objectifs de ces rseaux sont multiples (reconnaissance des formes, clas-
sication, identication, estimation,. . .) mais ils conservent un mode de fonc-
tionnement similaire quelle que soit lapplication laquelle ils sont ddis. En
eet, toute utilisation de rseaux de neurones pourra se dcomposer en deux
phases :
une phase dapprentissage (Fig. 5.3), durant laquelle seront dtermins le
nombre de couches, le nombre de neurones par couche et la nature des
fonctions composant ces couches. Ces tches sont ralises empiriquement
car il nexiste pas de manire mthodique rigoureuse pour le faire. Ceci
11
W
12
W
13
W
1
1n
W
21
W
22
W
23
W
2
2n
W
1 L
W
2 L
W
3 L
W
L
Ln
W
11
12
13
1
1n
21
22
23
2
2n

1 L
2 L
3 L
L
Ln

IN OUT
Figure 5.2 Structure interne dun rseau de neurones
est incontestablement un inconvnient majeur des rseaux de neurones car
il oblige un grand nombre de tentatives avant de trouver le rseau qui
convient le mieux au problme. De plus, durant cette phase dapprentis-
sage, les biais et les poids vont tre ajusts au mieux laide dalgorithmes
qui seront dtaills ultrieurement.
Rseau de
Neurones
artificiels
Comparaison
entres sorties
cibles
ajustement des biais et des poids
Figure 5.3 Phase dapprentissage supervis dun rseau de neurones
une phase de gnralisation (Fig. 5.4) o le rseau va rciter ce quil a
appris et donc permettre le calcul dune fonction spcique, quelle soit
boolenne ou non.
Il a t dmontr, par le pass, quun rseau, disposant dun assez grand
nombre de neurones de fonction dactivation non linaire et, ce, sur une unique
couche cache, permet destimer toutes les fonctions possdant un nombre ni
de discontinuit [Cyb89]. Ceci est la force des rseaux de neurones car, ainsi, il
5.2. BASES DES RSEAUX DE NEURONES 73
Rseau de Neurones
(o biais et poids ont t appris)
entres sorties
Figure 5.4 Phase de gnralisation dun rseau de neurones
est possible destimer des fonctions dont il nexiste pas de modlisation.
5.2.3 Algorithmes dapprentissage
Ici ne seront dtailles que les mthodes dapprentissage dites supervises,
cas intressants du point de vue estimation. Les lois dapprentissage sont un
ensemble de procds par lesquels les biais et les poids du rseau de neurones
vont tre modis et ce, dans le but de minimiser la dirence entre la sortie
du rseau et la cible quil doit atteindre. Ces algorithmes cherchent donc, en
pratique, le minimum dune fonction cot. Il existe dans la littrature de nom-
breuses mthodes pour mettre en oeuvre cette minimisation. Les algorithmes
de rtropropagation (Annexe C) sont cependant les plus communment utiliss
pour eectuer cette minimisation dans le cadre de rseaux de neurones. Ces
mthodes se sparent en trois familles distinctes.
La descente en gradient et ses variantes Lide de la mthode est relati-
vement simple. Il sut, en eet, de suivre la direction de descente, en un point
dune fonction, dnie par linverse de son gradient. Il faut alors se dplacer
selon cette direction dune longueur xe ou variable an de se diriger vers un
minimum local de la fonction. Ainsi, lalgorithme qui en dcoule est :
Initialisation : choisir le point initial x
0
et mettre t 1.
tape t : calculer f(x
t1
) et f(x
t1
).
x
t
= x
t1

t
f(x
t1
) o
t
est le pas de descente.
remplacer t par t + 1 et itrer.
De nombreuses variantes existent telles les descentes en gradient pas variable,
les descentes en gradient conjugu, . . .
Les mthodes de Newton ou quasi-Newton Lide de cette mthode est
l encore assez simple. En approximant la fonction f dans le voisinage de x par
son dveloppement de Taylor du second ordre, il peut tre crit
f(y) f(x) + (y x)
T
f(x) +
1
2
(y x)
T
2
f(x)(y x)
ce qui, en drivant f(y) et en posant f(y) = 0, conduit
2
f(x)(y x) = f(x),
pouvant scrire galement, si le hessien est inversible,
y = x
_
2
f(x)
1
f(x).
Cest cette dernire quation qui est le coeur des algorithmes itratifs des m-
thodes de Newton ou quasi-Newton en posant simplement y = x
t
et x = x
t1
.
Ici encore, de nombreuses variantes existent. Cest dans le calcul ou plutt lap-
proximation du hessien que dirent ces formes de mthodes de quasi-Newton.
Les mthodes mixtes Cette troisime classe de mthodes utilise les deux
familles de mthodes prcdentes. Lide est bien videmment de cumuler les
avantages pour converger le plus rapidement possible. Pour ce faire, il faut tout
dabord remarquer que les mthodes de quasi-Newton, par leur nature, vont tre
trs performantes lorsque lvolution de la fonction g cre par le rseau sera
linaire. En eet, dans ces conditions, la fonction cot f minimiser, et dnie
ci-dessous, sera quadratique.
f(p) =
(g(x, p) y)
2
_
o
_
_
_
x sont les entres du rseau de neurones,
y sont les cibles quil doit atteindre,
p sont ces biais et ces poids.
Lalgorithme de Levenberg Marquardt fait partie de cette famille et peut tre
dcrit par lassociation des deux prcdentes mthodes en une seule quation.
x
t
= x
t1

t
f(x
t1
)
. .
x
t
= x
t1

_
2
f(x
t1
)
1
f(x
t1
)
. .
x
t
= x
t1

_
2
f(x
t1
) +I
1
f(x
t1
)
Ainsi,
si est petit, seule lapproximation quadratique est utilise.
si est grand, lquation correspond a une descente en gradient.
si est intermdiaire, lalgorithme est un mlange entre la descente de
gradient et lapproche quadratique base sur lapproximation linaire de
g.
Ce coecient est modi a chaque itration en fonction de la linarit de f
an daugmenter la rapidit de la convergence.
5.3 Application la navigation
Lide de cette partie est dutiliser les mthodes neuronales prsentes dans
la section prcdente au domaine de la navigation. Dans le cas de la navigation
5.3. APPLICATION LA NAVIGATION 75
GNSS/MEMS, la perte du signal GNSS peut venir dtriorer fortement la pr-
cision du positionnement. An de lutter contre ce phnomne, il est ncessaire
de mettre en oeuvre des techniques spciques qui seront, dans cette tude, ba-
ses sur les rseaux de neurones. Le but est dapprendre le comportement du
systme de navigation hybride lorsque le signal GNSS est disponible puis de
restituer cette connaissance lors de pertes de ce signal. Comme il est toujours
possible daccder au rsultat de navigation en survie (navigation sans mesures
de pseudo-distances) lors de pertes de signal GNSS, lapproche retenue est dap-
prendre la dirence entre les deux systmes, hybride dune part et en survie
dautre part. Dans un premier temps, ltude mene sest contente dapporter
la correction en terme de position alors que par la suite, la vitesse et lattitude
seront galement corriges.
5.3.1 Correction de la position uniquement
Comme cela a t nonc prcdemment, la mise en uvre dun rseau de
neurones se droule en deux tapes, la phase dapprentissage et la phase de
restitution (appele aussi phase de restitution). Cette section a pour but de d-
tailler ces deux tapes pour corriger la position dun vhicule dans le cas de la
navigation GNSS/MEMS. Les sorties du rseau de neurones, cest--dire ce quil
doit apprendre, seront dans ce cas les dirences de position entre la solution
hybride et la solution en survie selon les trois axes (latitude, longitude et alti-
tude). Il faut choisir les entres du rseau de manire ce quelles lui apportent
de linformation pour permettre lapprentissage et quelles soient disponibles
mme lorsque le signal GNSS ne lest pas. Le choix ralis dans cette tude
a t dapporter le maximum dinformation au rseau de neurones. Ainsi, en
entre se trouveront toutes les donnes relatives au systme inertiel en survie :
Sorties acclromtriques,
Sorties gyromtriques,
Positions en survie,
Vitesses en survie,
Attitudes en survie.
De plus, le temps coul depuis le dbut de la perte du signal GNSS sera ga-
lement une entre du rseau de neurones. Connaissant dsormais les entres et
les sorties du rseau de neurones, il est possible de se pencher sur le cas de
lapprentissage.
Phase dapprentissage Durant cette premire tape, le signal GNSS doit
tre disponible pour pouvoir accder lestimation de la position par le systme
hybride. An dobtenir galement une position estime en survie, il faut alors
simuler des pertes de signal GNSS et intgrer les mesures acclromtriques et
gyromtriques dans une autre plateforme inertielle. La Figure 5.5 permet de
mieux comprendre le fonctionnement de la mthode propose :
1. Les mesures issues des capteurs MEMS (acclromtres et gyromtres)
sont utilises dans deux systmes de navigation, lun hybride et lautre en
survie.
2. La dirence entre les rsultats de ces deux systmes en termes de posi-
tionnement est calcule et place en sortie du rseau de neurones comme
cible atteindre.
3. Les entres du rseau de neurones pralablement choisies (sorties acclro-
mtriques et gyromtriques, positions, vitesses et attitudes en survie et
temps coul depuis le dbut de la perte de signal GNSS
t
) vont alors
permettre de raliser lapprentissage.
Il est important de noter quil est ncessaire de simuler plusieurs pertes de signal
GNSS an de constituer une base dapprentissage susamment consquente, ce
qui permettra un apprentissage du rseau de neurones dans de bonnes condi-
tions. La manire la plus simple de procder est alors de simuler des pertes de
signal GNSS successives (Cas 1, Fig. 5.6). Pour ce faire, il sut de connatre la
dure maximale dune perte de signal GNSS (T
out
) quil faut pouvoir corriger
laide du rseau de neurones et de savoir le nombre de simulations N
out
quil
faut raliser pour obtenir une base dapprentissage susante. Cette premire
manire de constituer la base dapprentissage a pour avantage dtre simple
mettre en uvre mais possde galement un inconvnient majeur qui est la
dure importante de donnes ncessaires pour construire la base dapprentis-
sage (T
app
= N
out
T
out
). Pour pallier ce problme, il est possible que les pertes
simules de signal GNSS se chevauchent (Cas 2, Fig. 5.6) an de crer articiel-
lement plus de simulations dans une mme dure T
app
ou de rduire considra-
blement la dure de donnes ncessaires pour construire la base dapprentissage
(T
app
<< T
app
).
Phase de restitution Durant cette seconde tape, le signal GNSS et, donc, le
systme de navigation hybride, sont indisponibles mais le rseau de neurones va
venir aider le systme de navigation en survie. Larchitecture propose en phase
de restitution est reprsente sur la gure 5.7. Notons que seul le systme en
survie apparat et que le rseau de neurones est utilis, cette fois-ci, en phase de
gnralisation avec les mmes entres que dans la phase dapprentissage (sorties
acclromtriques et gyromtriques, positions, vitesses et attitudes en survie et
dure de la perte de signal GNSS
t
).
5.3.2 Correction des direntes estimes inertielles
Lide est, ici, dutiliser le rseau de neurones pour tenter de corriger, non
plus la position uniquement, mais toutes les estimes inertielles que sont la
position, la vitesse et lattitude. De la mme manire que prcdemment, le
rseau de neurones se verra coner la tche dapprendre la dirence entre la
solution hybride et la solution en survie. Ainsi, les sorties seront les dirences
de position, vitesse et attitude entre la solution hybride et la solution en survie
et, ce, en trois dimensions alors que les entres resteront inchanges (sorties
acclromtriques et gyromtriques, positions, vitesses et attitudes en survie et
t
).
5.3. APPLICATION LA NAVIGATION 77
Filtre
DHybridation
Pseudo-distances GNSS
[5Hz]
Sorties capteurs [50Hz]
Rseau
de
Neurones
MEMS
INS
Plateforme
Inertielle
Plateforme
Inertielle
Rcepteur
GNSS
GNSS
Positions
inertielles
[50Hz]
Positions
hybrides
[50Hz]
+
-
Positions,
vitesses,
attitudes
inertielles
Corrections inertielles [50Hz]
t
Filtre
DHybridation
(prdiction
seulement)
Hybride
Survie
[50Hz]
Figure 5.5 Architecture en phase dapprentissage (correction de la position
uniquement)
0
t ] [s t
app
T
out
T
Cas 1: Simulation successive des outages
out
T
Cas 2: Chevauchement des outages simuls
out
T
ou
app
T
app app
T T <<
Base dapprentissage
plus grande
Figure 5.6 Construction de la base dapprentissage
Rseau
de
Neurones
MEMS
INS
Plateforme
Inertielle
Positions
Inertielles
[50Hz]
Positions
corriges
par NN
[50Hz]
+
-
Positions,
vitesses,
attitudes
inertielles
t
Filtre
DHybridation
(prdiction
seulement)
[50Hz]
Figure 5.7 Architecture en phase de restitution (correction de la position
uniquement)
Phase dapprentissage De mme que prcdemment, lorsque le rseau de
neurones ntait utilis que pour corriger la position, le signal GNSS et, donc,
le systme de navigation hybride doivent tre disponibles durant la phase dap-
prentissage. La solution en survie est alors simule dans une autre plateforme
inertielle et permet dobtenir une estimation de la position, de la vitesse et de
lattitude qui serait obtenue en labsence du signal GNSS. Le fonctionnement
de cette nouvelle architecture (Fig. 5.8) est alors trs similaire au prcdent et
peut se dcrire sous la forme :
1. Les mesures issues des capteurs MEMS (acclromtres et gyromtres)
sont utilises dans deux systmes de navigation, lun hybride et lautre en
survie.
2. La dirence entre les estimes inertielles (positions, vitesses, attitudes)
de ces deux systmes est calcule et place en sortie du rseau de neurones
comme cible atteindre.
3. Les entres du rseau de neurones pralablement choisies (sorties acclro-
mtriques et gyromtriques, positions, vitesses et attitudes en survie et
t
) vont alors
permettre de raliser lapprentissage.
La base dapprentissage peut l aussi tre constitue de deux manires di-
rentes : simulations successives des pertes de signal GNSS ou chevauchement
des simulations (Fig. 5.6).
Phase de restitution Durant la phase de restitution et linstar de la cor-
rection de la position seule, le signal GNSS est indisponible mais le rseau de
neurones aide le systme de navigation en survie. La nouvelle architecture ob-
tenue en phase de restitution et reprsente sur la gure 5.9 est trs similaire
au cas tudi dans la section 5.3.1.
5.4 Rsultats de simulations
Les mthodes exposes prcdemment doivent tre mises en oeuvre au tra-
vers de dirents exemples an danalyser leurs performances. Dans un premier
temps, lintrt sera port sur des trajectoires dont les dynamiques durant la
perte de signal GNSS ont dj t rencontres dans le pass (cas favorable pour
lapprentissage). Par la suite, des cas moins favorables pour lapprentissage du
rseau de neurones seront galement simuls. Ces deux premires sries de tests
seront ralises dans le cas de la correction exclusive de la position. Une dernire
tude sera alors mene sur lutilisation du rseau de neurones pour corriger les
direntes estimes inertielles. Dans tous les cas, les rsultats prsents sont
les racines carres des erreurs quadratiques moyennes aprs 100 itrations de
Monte Carlo en terme de position et, ventuellement, de vitesse et dattitude.
De plus, la base dapprentissage sera constitue de 40 pertes de signal GNSS
simules dune dure de 30s chacune se chevauchant comme expliqu prcdem-
ment (Cas 2, Fig. 5.6).
Filtre
DHybridation
Pseudo-distances GNSS
[5Hz]
Rseau(x)
de
Neurones
MEMS
INS
Plateforme
Inertielle
Plateforme
Inertielle
Rcepteur
GNSS
GNSS
Positions, vitesses,
attitudes hybrides
[50Hz]
+
-
Positions,
vitesses,
attitudes
inertielles
t
Filtre
DHybridation
(prdiction
seulement)
Hybride
Survie
[50Hz]
Figure 5.8 Architecture en phase dapprentissage (correction des estimes
inertielles)
Rseau(x)
de
Neurones
MEMS
INS
Plateforme
Inertielle
Positions,
vitesses,
attitudes
corriges
par NN
[50Hz]
+
-
Positions,
vitesses,
attitudes
inertielles
t
Filtre
DHybridation
(prdiction
seulement)
[50Hz]
Figure 5.9 Architecture en phase de restitution (correction des estimes iner-
tielles)
5.4.1 Cas simple de trajectoires invariantes dans le temps
Cette premire srie de trajectoires propose des cas favorables lutilisation
du rseau de neurones. En eet, la perte de signal GNSS a lieu dans des condi-
tions dj rencontres durant la phase dapprentissage. La phase de restitution
devrait donc logiquement permettre au rseau de neurones de venir corriger la
drive du systme de navigation en survie, et ceci, pour les direntes trajec-
toires tudies (point xe, vitesse constante, acclration constante).
Point xe La premire tude concerne le cas simple dun point xe dune
dure de 600s, la perte du signal GNSS intervenant la 450
e
s et durant 30s.
Les rsultats sont alors reprsents autour de la zone dintrt (Fig. 5.10) et per-
mettent de constater lamlioration fournie par le rseau de neurones au systme
de navigation. En eet, la prcision de lestimation, aussi bien en latitude quen
longitude, se voit fortement augmente. Au terme des 30s de perte de signal
GNSS, la drive denviron 190m (resp. 300m) en latitude (resp. longitude) du
systme GNSS/MEMS est rduite seulement 35m (resp. 75m) laide de la
correction neuronale.
400 450 500
0
50
100
150
200
temps [s]
E
r
r
e
u
r

e
n

l
a
t
i
t
u
d
e

[
m
]

400 450 500
0
50
100
150
200
250
300
temps [s]
E
r
r
e
u
r

e
n

l
o
n
g
i
t
u
d
e

[
m
]

sans RN
avec RN
sans RN
avec RN
Figure 5.10 Racine carre de lerreur quadratique moyenne de position dans
le cas dun point xe
Vitesse constante Une trajectoire de dure 600s et de vitesse constante
(50ms
1
) est maintenant tudie. L encore, les rsultats sont prsents au-
tour de la perte de signal GNSS qui se produit toujours la 450
e
s (Fig. 5.11).
Le rseau de neurones permet nouveau damliorer la prcision de lestimation
en latitude et en longitude. Ainsi, la drive en latitude (resp. longitude) de 120m
(resp. 180m) obtenue aprs 30s de perte de signal GNSS diminue et est alors
gale 40m (resp. 50m).
400 450 500
0
20
40
60
80
100
120
temps [s]
E
r
r
e
u
r

e
n

l
a
t
i
t
u
d
e

[
m
]

400 450 500
0
50
100
150
200
temps [s]
E
r
r
e
u
r

e
n

l
o
n
g
i
t
u
d
e

[
m
]

sans RN
avec RN
sans RN
avec RN
le cas dune trajectoire vitesse constante
Acclration constante Nous tudions dans cette partie un nouveau cas
dtude concernant une trajectoire acclration constante (0.05ms
2
). Lerreur
de position durant la perte du signal GNSS est reprsente sur la Figure 5.12.
La drive observe au bout de 30s de perte de signal GNSS est ramene de 125m
60m en latitude et de 230m 90m en longitude grce lutilisation du rseau
de neurones. Lamlioration de la prcision est donc moins importante que dans
les deux cas prcdents.
5.4.2 Cas de trajectoires voluant dans le temps
Cette seconde srie de trajectoires propose des cas moins favorables luti-
lisation du rseau de neurones. La perte du signal GNSS intervient dsormais
dans des conditions que lapprentissage na pas rencontres. L encore, plu-
sieurs trajectoires seront tudies et peuvent se rpartir en deux familles : celle
o lacclration est nulle (ligne droite suivie dun virage, virage suivi dune ligne
droite et succession de deux virages ) et celle o la vitesse angulaire est nulle
(vitesse constante suivie dune acclration constante, acclration constante
suivie dune vitesse constante et succession de deux acclrations constantes).
Ligne droite suivie dun virage Dans cette premire tude dun cas moins
favorable lusage du rseau de neurones, la trajectoire simule dcrit une ligne
400 450 500
0
50
100
150
temps [s]
E
r
r
e
u
r

e
n

l
a
t
i
t
u
d
e

[
m
]

400 450 500
0
50
100
150
200
250
temps [s]
E
r
r
e
u
r

e
n

l
o
n
g
i
t
u
d
e

[
m
]

sans RN
avec RN
sans RN
avec RN
le cas dune trajectoire acclration constante
droite puis un virage (Fig. 5.13), la phase dapprentissage se droulant exclu-
sivement durant la ligne droite tandis que la phase de test nintervenant que
lors du virage. Les rsultats sont alors reprsents autour de la zone dintrt
(Fig. 5.14) et permettent de constater lamlioration fournie par le rseau de
neurones au systme de navigation. Au terme des 30s de perte de signal GNSS,
la drive denviron 330m (resp. 225m) en latitude (resp. longitude) du systme
GNSS/MEMS est rduite seulement 70m (resp. 175m) laide de la correction
neuronale.
Virage suivi dune ligne droite Un nouveau cas dtude concernant une
trajectoire moins favorable lusage du rseau de neurones est ici propos.
La trajectoire est galement compose dune ligne droite et dun virage mais
commence cette fois-ci par ce dernier (Fig. 5.15). La phase dapprentissage a
donc lieu au cours du virage et la perte de signal GNSS permettant de tester
le rseau de neurones prend place dans la ligne droite. Le rseau de neurones
permet nouveau damliorer la prcision de lestimation en latitude et en
longitude (Fig. 5.16). Ainsi, la drive en latitude (resp. longitude) de 115m
(resp. 155m) obtenue aprs 30s de perte de signal GNSS diminue et est alors
gale 20m (resp. 35m).
Succession de deux virages Lide est maintenant de simuler deux virages
successivement an de gnrer une nouvelle trajectoire peu favorable lutilisa-
tion du rseau de neurones (Fig. 5.17). Lapprentissage du rseau de neurones
se droule durant le premier virage alors que la perte du signal GNSS intervient
0 2000 4000 6000 8000 10000 12000 14000 16000 18000
0
0.5
1
1.5
2
2.5
x 10
4
distance parcourue en longitude [m]
d
i
s
t
a
n
c
e

p
a
r
c
o
u
r
u
e

e
n

l
a
t
i
t
u
d
e

[
m
]
Figure 5.13 Trajectoire simule (Ligne droite suivie dun virage)
400 450 500
0
50
100
150
200
250
300
350
temps [s]
E
r
r
e
u
r

e
n

l
a
t
i
t
u
d
e

[
m
]

400 450 500
0
50
100
150
200
250
temps [s]
E
r
r
e
u
r

e
n

l
o
n
g
i
t
u
d
e

[
m
]

sans RN
avec RN
sans RN
avec RN
le cas dune ligne droite suivie dun virage
0 500 1000 1500 2000 2500 3000
0
0.5
1
1.5
2
2.5
3
x 10
4
d
i
s
t
a
n
c
e

p
a
r
c
o
u
r
u
e

e
n

l
a
t
i
t
u
d
e

[
m
]
Figure 5.15 Trajectoire simule (Virage suivi dune ligne droite)
400 450 500
0
20
40
60
80
100
120
temps [s]
E
r
r
e
u
r

e
n

l
a
t
i
t
u
d
e

[
m
]

400 450 500
0
20
40
60
80
100
120
140
160
temps [s]
E
r
r
e
u
r

e
n

l
o
n
g
i
t
u
d
e

[
m
]

sans RN
avec RN
sans RN
avec RN
le cas dun virage suivi dune ligne droite
dans le second. La drive observe au bout de 30s de perte de signal GNSS est
ramene de 430m 140m en latitude et de 150m 120m en longitude grce
lutilisation du rseau de neurones (Fig. 5.18). A linstar de la ligne droite suivie
dun virage, cette tude donne cependant une faible amlioration de la prcision
en longitude.
0 5000 10000 15000
0
2000
4000
6000
8000
10000
12000
14000
16000
d
i
s
t
a
n
c
e

p
a
r
c
o
u
r
u
e

e
n

l
a
t
i
t
u
d
e

[
m
]
Figure 5.17 Trajectoire simule (Succession de deux virages)
Vitesse constante suivie dune acclration constante Cette nouvelle
tude se place dans un contexte lgrement dirent des prcdents. En eet,
cest dsormais lacclration qui sera non nulle et non plus la vitesse angu-
laire comme dans les cas contenant des virages. Dans cette trajectoire, le mobile
suit une ligne droite commenant vitesse constante (50ms
1
) et qui est ac-
clr constamment (0.1ms
2
) par la suite (Fig. 5.19). Les rsultats sont alors
reprsents autour de la zone dintrt (Fig. 5.20) et permettent de constater
lamlioration fournie par le rseau de neurones au systme de navigation. Au
terme des 30s de perte de signal GNSS, la drive denviron 160m (resp. 260m)
en latitude (resp. longitude) du systme GNSS/MEMS est rduite seulement
50m (resp. 120m) laide de la correction neuronale.
Acclration constante suivie dune vitesse constante Un nouveau cas
dtude concernant une trajectoire moins favorable lusage du rseau de neu-
rones est ici propos. La trajectoire est galement compose dune ligne droite
vitesse constante (50ms
1
) et dune trajectoire acclration constante (0.07ms
2
)
mais commence cette fois-ci par cette dernire (Fig. 5.21). La phase dapprentis-
sage a donc lieu au cours de lacclration constante et la perte de signal GNSS
permettant de tester le rseau de neurones prend place alors que le mobile est
400 450 500
0
50
100
150
200
250
300
350
400
450
temps [s]
E
r
r
e
u
r

e
n

l
a
t
i
t
u
d
e

[
m
]

400 450 500
0
20
40
60
80
100
120
140
160
temps [s]
E
r
r
e
u
r

e
n

l
o
n
g
i
t
u
d
e

[
m
]

sans RN
avec RN
sans RN
avec RN
le cas dune succession de deux virages
0 100 200 300 400 500 600
40
45
50
55
60
65
70
75
80
temps [s]
v
i
t
e
s
s
e

d
u

m
o
b
i
l
e

[
m
.
s
1
]
Figure 5.19 Vitesse du mouvement simul (Vitesse constante suivie dune
acclration constante)
400 450 500
0
20
40
60
80
100
120
140
160
temps [s]
E
r
r
e
u
r

e
n

l
a
t
i
t
u
d
e

[
m
]

400 450 500
0
50
100
150
200
250
300
temps [s]
E
r
r
e
u
r

e
n

l
o
n
g
i
t
u
d
e

[
m
]

sans RN
avec RN
sans RN
avec RN
le cas dune trajectoire vitesse constante suivie dune acclration constante
vitesse constante. Le rseau de neurones permet nouveau damliorer la pr-
cision de lestimation en latitude et en longitude (Fig. 5.22). Ainsi, la drive en
latitude (resp. longitude) de 190m (resp. 245m) obtenue aprs 30s de perte de
signal GNSS diminue et est alors gale 70m (resp. 95m).
Succession de deux acclrations constantes Lide est maintenant de
simuler une trajectoire en ligne droite et alternant deux acclrations constantes
(0.015ms
2
et 0.006ms
2
) an de toujours gnrer une nouvelle trajectoire
peu favorable lutilisation du rseau de neurones (Fig. 5.23). Lapprentissage
du rseau de neurones se droule durant le premier virage alors que la perte
du signal GNSS intervient dans le second. La drive observe au bout de 30s
de perte de signal GNSS est ramene de 160m 60m en latitude et de 255m
50m en longitude grce lutilisation du rseau de neurones (Fig. 5.24). A
linstar de la ligne droite suivie dun virage, cette tude savre donner une faible
amlioration de la prcision en longitude.
5.4.3 Corrections des direntes estimes inertielles
Cette dernire srie de simulations propose de mettre en uvre la correction,
non plus de la position uniquement mais, des direntes estimes inertielles
(position, vitesse et attitude). Point qui a peu t voqu jusquici, larchitecture
interne du rseau de neurones est ici au cur de ltude. En eet, la correction
est calcule en utilisant dirents nombres de neurones par couche (10, 15 puis
20) sur deux couches caches, ou laide de plusieurs rseaux de neurones.
0 100 200 300 400 500 600
15
20
25
30
35
40
45
50
55
temps [s]
v
i
t
e
s
s
e

d
u

m
o
b
i
l
e

[
m
.
s
1
]
Figure 5.21 Vitesse du mouvement simul (Acclration constante suivie
dune vitesse constante)
400 450 500
0
50
100
150
200
temps [s]
E
r
r
e
u
r

e
n

l
a
t
i
t
u
d
e

[
m
]

400 450 500
0
50
100
150
200
250
temps [s]
E
r
r
e
u
r

e
n

l
o
n
g
i
t
u
d
e

[
m
]

sans RN
avec RN
sans RN
avec RN
le cas dune trajectoire acclration constante suivie dune vitesse constante
0 100 200 300 400 500 600
49
50
51
52
53
54
55
56
57
temps [s]
v
i
t
e
s
s
e

d
u

m
o
b
i
l
e

[
m
.
s
1
]
Figure 5.23 Vitesse du mouvement simul (Succession de deux acclrations
constantes)
400 450 500
0
20
40
60
80
100
120
140
160
180
temps [s]
E
r
r
e
u
r

e
n

l
a
t
i
t
u
d
e

[
m
]

400 450 500
0
50
100
150
200
250
temps [s]
E
r
r
e
u
r

e
n

l
o
n
g
i
t
u
d
e

[
m
]

sans RN
avec RN
sans RN
avec RN
le cas dune trajectoire compose de deux acclrations constantes
Notons ici que toutes ces simulations ont t eectues dans un cas favorable
sur une trajectoire vitesse constante (50ms
1
) durant 600s, la perte du signal
GNSS intervenant la 450
e
s et durant 30s.
Premire architecture : 10 neurones par couche Cette premire tude
utilisant le rseau de neurones pour corriger les direntes estimes inertielles
(position, vitesse et attitude) est ralise laide de la mme structure interne
du rseau que celle prcdemment employe dans le cas de la correction exclusive
de la position (dix neurones sur deux couches caches). Les rsultats sont alors
reprsents autour de la zone dintrt (Fig. 5.25, 5.26 et 5.27) et permettent de
constater lamlioration fournie par le rseau de neurones au systme de navi-
gation. En terme de position (Fig. 5.25), la prcision est amliore en latitude
(resp. longitude), passant de 190m (resp. 195m) 55m (resp. 90m) au terme
des 30s de perte de signal GNSS. Il faut cependant noter la prsence dun biais
initial important ( 50m) dans les deux cas. Ce biais va venir impacter direc-
tement les premires secondes de la correction et donc la prcision du systme
de navigation. Ainsi, lapport en terme de position nest pas aussi bon que dans
le cas de la correction unique de la position. Dans lidal, il faudrait russir
parvenir au mme rsultat, ce qui sera lobjet des tudes suivantes. En terme
de vitesse (Fig. 5.26), la prcision est aussi amliore selon laxe n (resp. laxe
e) rduisant la drive de 12ms
1
(resp. 8.1ms
1
) 3.25ms
1
(resp. 3.8ms
1
).
Pour nir, en terme dattitude (Fig. 5.27), les rsultats obtenus avec laide du
rseau de neurones ne sont pas aussi bons, laissant envisager quil na pas t
capable dapprendre correctement le comportement demand. Ceci peut sex-
pliquer par labsence de drive observe en attitude dans le cas dune perte de
signal GNSS. En eet, ce phnomne, prsent pour la position et la vitesse, est
facilement reconnaissable et donc apprhensible pour le rseau de neurones.
Seconde architecture : 15 neurones par couche An de pallier le pro-
blme du biais initial important rencontr dans ltude prcdente, nous aug-
mentons le nombre de neurones par couche. Ceci doit permettre daugmenter
la capacit dapprentissage du rseau et donc de mieux modliser le phnomne
observ lors de pertes de signal GNSS. Lerreur de position est prsente sur
la gure 5.28. La drive observe au bout de 30s de perte de signal GNSS est
ramene de 195m 112m en latitude et de 330m 85m en longitude grce
lutilisation du rseau de neurones. Bien que lgrement plus faible ( 40m), le
biais initial est toujours prsent. Concernant la vitesse (Fig. 5.29), les rsultats
obtenus avec le rseau de neurones sont toujours plus prcis que ceux obtenus
sans sa prsence. Sur laxe n (resp. laxe e), lerreur quadratique moyenne ob-
serve est ramene de 11.3ms
1
(resp. 13.4ms
1
) 4ms
1
(resp. 3.7ms
1
). A
linstar de ltude prcdente, lerreur en attitude (Fig. 5.30) nest pas correcte-
ment corrige par le rseau de neurones.
Troisime architecture : 20 neurones par couche La capacit dappren-
tissage dun rseau comprenant 15 neurones par couche ntant toujours pas
400 450 500
0
50
100
150
200
temps [s]
E
r
r
e
u
r

e
n

l
a
t
i
t
u
d
e

[
m
]

400 450 500
0
50
100
150
200
temps [s]
E
r
r
e
u
r

e
n

l
o
n
g
i
t
u
d
e

[
m
]

sans RN
avec RN
sans RN
avec RN
Figure 5.25 Racine carre de lerreur quadratique moyenne de position avec
10 neurones par couche
400 450 500
0
5
10
15
temps [s]
E
r
r
e
u
r

s
u
r

V
n

[
m
.
s
1
]

400 450 500
0
2
4
6
8
10
temps [s]
E
r
r
e
u
r

s
u
r

V
e

[
m
.
s
1
]

sans RN
avec RN
sans RN
avec RN
Figure 5.26 Racine carre de lerreur quadratique moyenne de vitesse avec
400 450 500
0
5
10
15
20
25
30
temps [s]
E
r
r
e
u
r

s
u
r

l
e

r
o
u
l
i
s

[
]

400 450 500
0
5
10
15
20
25
30
temps [s]
E
r
r
e
u
r

s
u
r

l
e

t
a
n
g
a
g
e

[
]

400 450 500
0
5
10
15
20
25
30
temps [s]
E
r
r
e
u
r

s
u
r

l
e

l
a
c
e
t

[
]

sans RN
avec RN
sans RN
avec RN
sans RN
avec RN
Figure 5.27 Racine carre de lerreur quadratique moyenne dattitude avec
400 450 500
0
50
100
150
200
temps [s]
E
r
r
e
u
r

e
n

l
a
t
i
t
u
d
e

[
m
]

400 450 500
0
50
100
150
200
250
300
350
temps [s]
E
r
r
e
u
r

e
n

l
o
n
g
i
t
u
d
e

[
m
]

sans RN
avec RN
sans RN
avec RN
400 450 500
0
5
10
15
temps [s]
E
r
r
e
u
r

s
u
r

V
n

[
m
.
s
1
]

400 450 500
0
5
10
15
temps [s]
E
r
r
e
u
r

s
u
r

V
e

[
m
.
s
1
]

sans RN
avec RN
sans RN
avec RN
400 450 500
0
5
10
15
20
25
30
temps [s]
E
r
r
e
u
r

s
u
r

l
e

r
o
u
l
i
s

[
]

400 450 500
0
5
10
15
20
25
30
temps [s]
E
r
r
e
u
r

s
u
r

l
e

t
a
n
g
a
g
e

[
]

400 450 500
0
5
10
15
20
25
30
temps [s]
E
r
r
e
u
r

s
u
r

l
e

l
a
c
e
t

[
]

sans RN
avec RN
sans RN
avec RN
sans RN
avec RN
susante, le nombre de neurones est nouveau augment passant de 15 20.
Dans ces conditions, le biais initial constat (Fig. 5.31) sur la correction de la
position semble nouveau diminuer (20m en latitude et 40m en longitude).
Cette diminution nest cependant pas trs rapide et ncessiterait un trs grand
nombre de neurones par couche pour faire tendre le biais vers 0. La dure dap-
prentissage tant directement lie ce nombre, il est ncessaire de trouver une
autre solution pour rsoudre ce problme, ce qui sera lobjet de ltude suivante.
Ceci tant dit, les rsultats obtenus au cours de cette tude (Fig. 5.31, 5.32 et
5.33) correspondent ceux qui avait dj pu tre observs au cours des deux
prcdentes et ne seront donc pas plus dtaills.
400 450 500
0
50
100
150
temps [s]
E
r
r
e
u
r

e
n

l
a
t
i
t
u
d
e

[
m
]

400 450 500
0
50
100
150
200
250
temps [s]
E
r
r
e
u
r

e
n

l
o
n
g
i
t
u
d
e

[
m
]

sans RN
avec RN
sans RN
avec RN
Multi-rseaux Il a t vu dans les tudes prcdentes que la correction des
direntes estimes inertielles (position, vitesse et attitude) dans un seul et
mme rseau de neurones conduisait des erreurs plus importantes en position
que dans le cas de la correction exclusive de la position. Ltude ralise ici
va donc rpartir la charge dapprentissage sur plusieurs rseaux de neurones
an dapprocher au mieux les comportements distincts des direntes estimes
inertielles. Nous avons ainsi mis en uvre trois rseaux de neurones, le premier
ddi la correction de la position, le second ddi la correction de la vitesse et
le dernier ddi la correction de lattitude. Les rsultats sont alors reprsents
autour de la zone dintrt (Fig. 5.34, 5.35 et 5.36) et permettent de constater
lamlioration fournie par le rseau de neurones au systme de navigation. La
prcision de lestimation, aussi bien en latitude quen longitude, se voit fortement
augmente. Au terme des 30s de perte de signal GNSS, la drive denviron 120m
400 450 500
0
2
4
6
8
10
temps [s]
E
r
r
e
u
r

s
u
r

V
n

[
m
.
s
1
]

400 450 500
0
2
4
6
8
10
temps [s]
E
r
r
e
u
r

s
u
r

V
e

[
m
.
s
1
]

sans RN
avec RN
sans RN
avec RN
400 450 500
0
5
10
15
20
25
30
temps [s]
E
r
r
e
u
r

s
u
r

l
e

r
o
u
l
i
s

[
]

400 450 500
0
5
10
15
20
25
30
temps [s]
E
r
r
e
u
r

s
u
r

l
e

t
a
n
g
a
g
e

[
]

400 450 500
0
5
10
15
20
25
30
temps [s]
E
r
r
e
u
r

s
u
r

l
e

l
a
c
e
t

[
]

sans RN
avec RN
sans RN
avec RN
sans RN
avec RN
5.5. CONCLUSION 97
(resp. 200m) en latitude (resp. longitude) du systme GNSS/MEMS est rduite
seulement 35m (resp. 65m) laide de la correction neuronale. Ces rsultats
correspondent ceux obtenus dans le cas de la correction unique de la position
grce, notamment, labsence de biais initial. En terme de vitesse (Fig. 5.35),
la prcision est amliore passant de 7ms
1
(resp. 8ms
1
) selon laxe n (resp.
laxe n) 2.3ms
1
(resp. 2.2ms
1
). Pour ce qui est de lattitude (Fig. 5.36),
les rsultats obtenus avec laide du rseau de neurones ne sont toujours pas
correctement corrigs, conrmant lide que la mthode propose ne permet pas
en ltat dapprendre correctement le comportement demand.
400 450 500
0
50
100
150
temps [s]
E
r
r
e
u
r

e
n

l
a
t
i
t
u
d
e

[
m
]

400 450 500
0
50
100
150
200
temps [s]
E
r
r
e
u
r

e
n

l
o
n
g
i
t
u
d
e

[
m
]

sans RN
avec RN
sans RN
avec RN
un rseau ddi
5.5 Conclusion
Ce chapitre a permis de prsenter une mise en uvre de rseaux de neu-
rones, dans le cas de la navigation hybride GNSS/MEMS, ayant pour objectif
daider le systme de navigation lors de pertes de signal GNSS. Lapproche en-
visage emploie un rseau de neurones qui utilise le pass de la trajectoire
travers un apprentissage en ligne et ne ncessitant pas dapprentissage ad hoc
[DCTL09]. Direntes structures corrigeant respectivement la position unique-
ment ainsi que lensemble des estimes inertielles (position, vitesse et attitude)
ont t proposes et testes travers un grand nombre de simulations. Les r-
sultats prsents ont permis de valider la mthode propose en amliorant la
prcision de lestimation ralise sur la position et la vitesse. Malheureusement,
ces rsultats ne se conrment pas en ce qui concerne lattitude, quil faudrait
alors corriger laide dune autre stratgie.
400 450 500
0
2
4
6
8
10
temps [s]
E
r
r
e
u
r

s
u
r

V
n

[
m
.
s
1
]

400 450 500
0
2
4
6
8
10
temps [s]
E
r
r
e
u
r

s
u
r

V
e

[
m
.
s
1
]

sans RN
avec RN
sans RN
avec RN
un rseau ddi
400 450 500
0
5
10
15
20
25
30
temps [s]
E
r
r
e
u
r

s
u
r

l
e

r
o
u
l
i
s

[
]

400 450 500
0
5
10
15
20
25
30
temps [s]
E
r
r
e
u
r

s
u
r

l
e

t
a
n
g
a
g
e

[
]

400 450 500
0
5
10
15
20
25
30
temps [s]
E
r
r
e
u
r

s
u
r

l
e

l
a
c
e
t

[
]

sans RN
avec RN
sans RN
avec RN
sans RN
avec RN
un rseau ddi
Conclusion
Chapitre 6
Conclusion
Rsum
Cette thse a pour objet de proposer des mthodes permettant la ralisation
dune navigation hybride GNSS/MEMS. Pour ce faire, les tudes menes se
dcomposent en deux parties distinctes mais visant le mme objectif : dune part,
le dveloppement dun ensemble de traitement capteurs cherchant amliorer la
mesure elle-mme et dautre part, loptimisation des algorithmes dhybridation
pour les capteurs MEMS.
Le traitement capteur (ou traitement local) consiste en lestimation de lac-
clration vraie (resp. la vitesse angulaire vraie) partir de la sortie du capteur
acclromtrique (resp. gyromtrique). Ce traitement a t ralis en deux sous-
tapes :
Le calibrage qui consiste en lidentication du systme non-linaire connais-
sant ses entres et ses sorties. Les relations entrant en jeu dans le modle
tant linaires vis--vis des paramtres, on peut alors rsoudre cette par-
tie du problme par lestimateur des moindres carres (aprs extension du
vecteur comprenant les entres an quil comporte les non linarits).
Linversion du modle qui a pour but destimer les entres du modle
connaissant ses sorties et eectuant galement lestimation de ses para-
mtres durant ltape de calibrage. Aprs formalisation de ce problme
sous forme dun modle dynamique, la rsolution se fera laide dalgo-
rithmes issus de la thorie du ltre de Kalman ou du ltre particulaire.
Il est intressant de noter que lestimation des paramtres du modle durant
ltape de calibrage ne pourra tre que grossire (les dpendances par rapport au
temps et la temprature ntant pas prises en compte), le ltre dhybridation
pouvant suivre ces volutions plus nement.
Les algorithmes dhybridation (ou traitement global) ont pour but de lo-
caliser un mobile dans lespace connaissant lestimation de lacclration et de
la vitesse angulaire issue du traitement local ainsi que lestimation de la posi-
tion faite par le GPS. Dans la littrature et pour rsoudre ce problme, plu-
101
102 CHAPITRE 6. CONCLUSION
sieurs ltres ont dj t utiliss (EKF, UKF, PF, . . .). Cette partie peut se
dcomposer en deux sous-problmes quil sera possible de rsoudre de manires
indpendantes :
Lorsque que les signaux GNSS sont disponibles (cas nominal), le but est
damliorer les mthodes de navigation hybride GNSS/INS existantes.
Dans notre cas, la rexion a port sur lapport de lajout dun tat sup-
plmentaire telle la modlisation lordre 2 des biais des capteurs MEMS
(non prsent dans ce manuscrit) et sur la fermeture de la boucle de na-
vigation (correction de la centrale inertielle laide des erreurs issues du
ltre dhybridation).
Dans des scnarii dfavorables (multitrajet et masquage des signaux GNSS),
la qualit des capteurs MEMS ne permet pas dobtenir des rsultats de
navigation satisfaisants. Lide dveloppe ici consiste alors en la mise en
uvre de mthodes dapprentissage. Un algorithme bas sur un rseau de
neurones a ainsi t dvelopp. Durant les phases o le GNSS est dispo-
nible, cet algorithme permet dapprendre lerreur commise par la centrale
inertielle en mode survie par rapport au rsultat de navigation hybride.
Le rseau de neurones ainsi appris fournira alors cet lment de correction
en cas de perte de linformation GNSS.
Ces direntes mthodes sont alors testes sur direntes trajectoires simu-
les et des rsultats statistiques sont prsents et permettent dvaluer lapport
respectif de ces techniques, que ce soit en terme de traitement capteur ou de
rsultat de navigation.
Conclusions
Plusieurs conclusions peuvent tre tires des travaux raliss dans le cadre de
cette thse. Ces dernires sont prsentes, ici, dans lordre de lecture du prsent
manuscrit :
1. Lestimation des paramtres des modles acclromtrique et gyrom-
trique laide de la mthode propose dans cette tude savre plus ou
moins prcise selon la nature du paramtre. Ainsi, lestimation ralise
sur les biais et les erreurs dalignement est meilleure que celle eectue
sur les facteurs dchelles, les erreurs de non-linarit des acclromtres
et la sensibilit aux acclrations des gyromtres.
2. Ltape dinversion des modles MEMS laide dune rsolution dun mo-
dle dynamique permet dobtenir une estimation des acclrations et des
vitesse angulaires ne dpendant plus des modles acclromtrique et gy-
romtrique. Sans contrainte sur lquation dtat du modle dynamique,
la prcision de lestimation est alors directement lie au bruit additif des
capteurs MEMS.
3. Toujours propos de la mthode dinversion du modle, il est possible
de rduire encore lerreur destimation des acclrations et des vitesses
angulaires en diminuant la variance du bruit dtat du modle dynamique
et ainsi faire plus conance lquation dtat.
103
4. En terme de navigation et dans le cas nominal (prsence du signal GNSS),
la mthodologie dinversion du modle des capteurs MEMS propose per-
met de faire tendre les rsultats du systme hybride GNSS/MEMS vers
ceux obtenus par le systme classique GNSS/INS.
5. Durant une perte de signal GNSS, linversion du modle ne permet pas
damliorer de faon susante lestimation de la position. La robustesse
face ces cas de masquage des satellites, caractristique essentielle de la
navigation GNSS/INS, nest alors pas retrouve pour le systme hybride
GNSS/MEMS. Il est ncessaire de mettre en uvre des techniques spci-
ques pour traiter cette perte de signal GNSS.
6. Le principe dun apprentissage par rseau de neurones de lerreur de po-
sition laide du pass de la trajectoire a t valid sur la simulation
de trajectoires simples et invariantes dans le temps (point xe, vitesse
constante et acclration constante). Il est intressant de noter que plus
la trajectoire est simple, plus lamlioration est importante.
7. Ltude de trajectoires voluant dans le temps a permis de montrer que
lapprentissage peut tre ralis dans des conditions direntes de celles
de restitution. Ce point savre critique pour une mise en uvre relle car
aucune prsupposition ne peut alors tre prise sur la trajectoire.
8. La nature de la trajectoire inue sur lamlioration apporte par le r-
seau de neurones lestimation de la position durant une perte de signal
GNSS. En eet, les tudes menes ont permis de constater que les cas du-
rant lesquels lacclration volue (vitesse constante suivie dacclration
constante, acclration constante suivie de vitesse constante et succession
de deux acclrations constantes) sont mieux corrigs par le rseau de neu-
rones que les cas durant lesquels la vitesse angulaire volue (ligne droite
suivie dun virage, virage suivi dune ligne droite et succession de deux
virages).
9. De la mme manire que prcdemment, le principe dun apprentissage
par rseau de neurones des erreurs de position, de vitesse et dattitude
laide du pass de la trajectoire na pu tre que partiellement valid. En
eet, grce la correction apporte par le rseau de neurones, la prcision
des estimations de la position et de la vitesse est augmente, ce qui nest
pas le cas de celle concernant lattitude. Il sera donc ncessaire denvisa-
ger une solution alternative an que lestimation de lattitude puisse tre
galement correctement corrige.
10. De plus, les rsultats obtenus au cours de ltude mene sur la correction
des direntes estimes inertielles prouvent quil est prfrable dutiliser
des rseaux dirents pour la position, la vitesse et lattitude car lam-
lioration apporte est alors sensiblement plus importante.
Ces conclusions, bases sur les rsultats de tests raliss au cours de la thse,
permettent dimaginer un certain nombre de perspectives, qui font lobjet de la
section suivante.
104 CHAPITRE 6. CONCLUSION
Perspectives et recommandations
Bases sur les travaux raliss durant cette thse, plusieurs perspectives et
recommandations pour des travaux futurs peuvent tre proposes. Comme pour
la section prcdente, ces dernires sont prsentes dans lordre de lecture du
prsent manuscrit :
1. La mthodologie employe pour inverser le modle des capteurs MEMS
utilise une modlisation dynamique pour laquelle il est ncessaire de xer
la variance du bruit dtat. En utilisant la connaissance du pass de la
trajectoire, une tude pourrait tre ralise an que la modlisation dyna-
mique soit la plus ne possible, ce qui permettrait dliminer une partie
du bruit de mesure des capteurs MEMS.
2. Le traitement capteur peut tre ralis par un grand nombre de mthodes
plus ou moins complmentaires (dcomposition en ondelettes, dcompo-
sition sur une base orthogonale, . . .). La particularit du modle MEMS
provenant de son aspect non-linaire, une tude future pourrait tre me-
ne sur lexpression de cette dernire en vue de linverser (estimation par
fonction noyau, estimation par srie orthogonale, . . .).
3. Larchitecture des rseaux de neurones utiliss dans cette thse na pas
fait lobjet dune optimisation. Une tude exhaustive pourrait alors tre
ralise en ce sens, laide de mthodes dlagage type algorithme de
Engelbrecht [Eng01].
4. De mme, limportance du choix de la fonction non-linaire de chaque neu-
rone, ou fonction dactivation, na pas non plus t tudie avec attention.
Si une fonction venait mieux correspondre au problme dapprentissage
pos au rseau de neurones, les performances de navigation pourraient
alors tre lgrement amliores.
5. Toujours concernant lutilisation de rseaux de neurones pour corriger les
erreurs de navigation durant une perte de signal GNSS, une base dappren-
tissage optimale, rduisant la fois le temps ncessaire lapprentissage
et lerreur entre la sortie du rseau et la cible atteindre, pourrait tre
dnie.
6. Bien quun peu plus loigne du sujet de cette thse, une tude pour-
rait galement tre mene en prenant en compte dautres capteurs que les
acclromtres et les gyromtres de type MEMS. En eet, dans cette ca-
tgorie de capteurs bas cot, il existe galement des magntomtres et des
baro-altimtres permettant respectivement de limiter les erreurs de cap et
daltitude.
Les travaux supplmentaires recommands concernant les rseaux de neurones
devraient conduire de lgres amliorations des performances qui sont prsen-
tes travers les rsultats exposs dans cette thse.
Bibliographie
Bibliographie
[AH04] W. Abdel-Hamid. An ANFIS-based modeling of thermal drift of
MEMS-based inertial sensors. Proc. of ION-GNSS, 2004.
[AH05] W. Abdel-Hamid. Accuracy Enhancement of Integrated MEMS-
IMU/GPS Systems for Land Vehicular Navigation Applications.
PhD thesis, University of Calgary, 2005.
[AHNES07] W. Abdel-Hamid, A. Noureldin, and N. El-Sheimy. Adapta-
tive fuzzy prediction of low-cost inertial-based positionning errors.
IEEE Transactions on Fuzzy Systems, 15(3) :519529, June 2007.
[AM05] B. D. O. Anderson and J. B. Moore. Optimal Filtering (Dover
Books on Engineering). Dover Publications, 2005.
[Ayl01] A. Aylie. The development of airborne dead reckoning. part I :
Before 1940 - nding the wind. The Journal of Navigation, 54 :223
233, May 2001.
[Bri71] K. R. Britting. Inertial Navigation Systems Analysis. Wiley-
Interscience, New York, rst edition, 1971.
[Bro02] O. S. Brown. One Day Celestial Navigation for Oshore Sailing.
Washington Book Distributors, Washington, second edition, 2002.
[Chi04] K.-W. Chiang. INS/GPS Integration Using Neural Network for
Land Vehicular Navigation Applications. PhD thesis, University of
Calgary, 2004.
[Cyb89] G. Cybenko. Approximation by superpositions of a sigmoidal func-
tion. Mathematics of Control, Signals and Systems, 2(4) :303314,
December 1989.
[DCTL08] J.-R. De Boer, V. Calmettes, J.-Y. Tourneret, and B. Lesot. Per-
formance improvement of integrated MEMS/GNSS systems. Proc.
of ION-GNSS, 2008.
[DCTL09] J.-R. De Boer, V. Calmettes, J.-Y. Tourneret, and B. Lesot. Outage
mitigation for GNSS/MEMS navigation using neural networks.
Proc. of EUSIPCO, 2009.
[DDG01] A. Doucet, N. De Freitas, and N. Gordon. Sequential Monte Carlo
Methods in Practice (Statistics for Engineering and Information
Science). Springer, rst edition, June 2001.
107
108 BIBLIOGRAPHIE
[DG04] R. Dorobantu and C. Gerlach. Investigation of a navigation-grade
rlg simu type inav-rqh. Technical report, Institut fr Astrono-
mische und Physikalische Geodsie, Technische Universitt Mn-
chen, 2004.
[DGA00] A. Doucet, S. Godsill, and C. Andrieu. On sequential Monte Carlo
sampling methods for Bayesian ltering. Statistics and Computing,
10(3) :197208, 2000.
[Dou98] A. Doucet. On sequential simulation-based methods for Bayesian
ltering. Technical report, Dept. of Engineering, University of
Cambridge, 1998.
[DT08] F. Duvallet and A.D. Tews. WIFI position estimation in industrial
environments using Gaussian processes. Proc. of IROS, 2008.
[EDER03] M. El-Diasty and A. El-Rabbany. Adaptive noise reduction model
for MEMS-based inertial sensors. Proc. of ION-NTM, 2003.
[Eng01] A. P. Engelbrecht. A new pruning heuristic based on variance
analysis of sensitivity information. IEEE Transactions on Neural
Networks, 12(6) :13861399, 2001.
[ESAHL04] N. El-Sheimy, W. Abdel-Hamid, and G. Lachapelle. An adaptive
neuro-fuzzy model for bridging GPS outages in MEMS-IMU/GPS
land vehicle navigation. Proc. of ION-GNSS, 2004.
[ESN04] N. El-Sheimy and S. Nassar. Wavelet de-noising for IMU aligne-
ment. IEEE A&E Systems Magazine, pages 3239, October 2004.
[ESNSN06] N. El-Sheimy, S. Nassar, E.-H. Shin, and X. Niu. Analysis of
various Kalman lter algorithms with dierent inertial systems
for inertial navigation system/global positioning system integra-
ted systems. Canadian Aeronautics and Space Journal, 52(2), June
2006.
[FB98] J. Farrell and M. Barth. The Global Positioning System & Inertial
Navigation. McGraw-Hill, New York, 1998.
[FWB05] W. S. Flenniken, J. H. Wall, and D. M. Bevly. Characterization
of various IMU error sources and the eect on navigation perfor-
mance. Proc. of of ION-GNSS, 2005.
[Gag98] J.-J. Gagnepain. La variance de B. Picinbono. Traitement du
Signal, 15(6) :477482, 1998.
[GESS08] C. Goodall, N. El-Sheimy, and Z. Syed. On-line tuning of an ex-
tended Kalman lter for INS/GPS navigation applications. Proc.
of of ION-GNSS, 2008.
[Gir05] A. Giremus. Apports des techniques de ltrage non linaire pour
la navigation avec les systmes de navigation inertiels et le GPS.
PhD thesis, Ecole Nationale Suprieure de lAronautique et de
lEspace, Universit de Toulouse, 2005.
BIBLIOGRAPHIE 109
[GSES06] C. Goodall, Z. Syed, and N. El-Sheimy. Improving INS/GPS na-
vigation accuracy through compensation of Kalman lter errors.
Proc. of IEEE Vehicle and Technology Conference, 2006.
[GWA07] M. Grewal, L. Weill, and A. Andrews. Global Positioning System,
Inertial Navigation, and Integration. John Wiley & Sons, New
York, second edition, 2007.
[Hay99] S. Haykin. Neural Networks : A Comprehensive Foundation. Pren-
tice Hall, New York, second edition, 1999.
[HMS97] M. Hellembrandt, R. Mathar, and M. Scheibenbogen. Estima-
ting position and velocity of mobiles in a cellular radio network.
IEEE Transactions on Vehicular Technology, 46(1) :6571, Fe-
bruary 1997.
[HN80] M. Hata and T. Nagatsu. Mobile location using signal strength
measurements in a cellular system. IEEE Transactions on Vehicu-
lar Technology, 29(2) :245252, May 1980.
[Hop82] J. Hopeld. Neural networks and physical systems with emergent
collective computational abilities. PNAS, 79(8) :25542558, april
1982.
[HSS03] A. Howard, S. Siddiqi, and G. S. Sukhatme. An experimental study
of localization using wireless ethernet. Proc. of FSR, 2003.
[Jaz70] A. H. Jazwinski. Stochastic Processes and Filtering Theory. Aca-
demic Press, 1970.
[JU96] S. J. Julier and J. K. Uhlmann. A general method for approxima-
ting nonlinear transformations of probability distributions. Tech-
nical report, Dept. of Engineering Science, University of Oxford,
1996.
[JU97] S. J. Julier and J. K. Uhlmann. A new extension of the Kalman
lter to nonlinear systems. Proc. of Int. Symp. Aerospace/Defense
Sensing, Simul. and Controls, 3068 :182193, 1997.
[Kal60] R. E. Kalman. A new approach to linear ltering and prediction
problems. Transactions of the ASMEJournal of Basic Enginee-
ring, 82 :3545, 1960.
[KB61] R. E. Kalman and R. S. Bucy. New results in linear ltering and
prediction theory. Transactions of the ASME. Series D, Journal
of Basic Engineering, 83 :95107, 1961.
[Kin98] A. D. King. Inertial navigation - forty years of evolution. GEC
Review, 13(3) :140149, 1998.
[MP43] W. Mcculloch and W. Pitts. A logical calculus of the ideas im-
manent in nervous activity. Bul letin of Mathematical Biology,
5(4) :115133, December 1943.
[MP69] M. Minsky and S. Papert. Perceptrons. MIT Press, Cambridge,
1969.
110 BIBLIOGRAPHIE
[Nas03] S. Nassar. Improving the Inertial Navigation System (INS) Error
Model for INS and INS/DGPS Applications. PhD thesis, Univer-
sity of Calgary, 2003.
[NNAES06] S. Nassar, X. Niu, P. Aggarwal, and N. El-Sheimy. INS/GPS sen-
sitivity analysis using dierent Kalman lter approaches. Proc. of
ION-NTM, 2006.
[PDGC08] B. Priot, J.-R. De Boer, R. Guidoux, and V. Calmettes. Perfor-
mance assessment of integrated MEMS/GNSS systems. Proc. of
ENC-GNSS, 2008.
[Pet06] S. Pethel. Test and evaluation of high performance micro electro-
mechanical system based inertial measurement units. Proc. of
IEEE/ION-PLAN, 2006.
[RHW86] D. E. Rumelhart, G. E. Hinton, and R. J. Williams. Learning
representations by back-propagating errors. Nature, 323 :533536,
October 1986.
[Rog00] R. M. Rogers. Applied Mathematics in integrated Navigation Sys-
tems. American Institute of Aeronautics and Astronautica, Inc.,
Reston, Virginia, USA, 2000.
[Ros58] F. Rosenblatt. The perceptron : A probabilistic model for informa-
tion storage and organization in the brains. Psychological Review,
65 :386408, June 1958.
[SAG
+
07] Z.F. Syed, P. Aggarwal, C. Goodall, X. Niu, and N. El-Sheimy. A
new multi-position calibration method for MEMS inertial naviga-
tion systems. Measurement Science and Technology, 18(7) :1897
1907, July 2007.
[SBS99] J. Skaloud, A. M. Bruton, and K. P. Schwarz. Detection and lte-
ring of short-term (1/f
) noise in inertial sensors. Journal of The

Institute of Navigation, 46(2) :97107, Summer 1999.
[SCKJ07] M. Spangenberg, V. Calmettes, D. Kubrak, and O. Julien. Opti-
mized low-cost HSGPS/IMU/WSS land vehicle navigation system
for urban navigation. Proc. of ION-GNSS, 2007.
[SCT07] M. Spangenberg, V. Calmettes, and J.-Y. Tourneret. Fusion of
GPS, INS and odometric data for automotive navigation. Proc. of
EUSIPCO, 2007.
[SNES05] E.-H. Shin, X. Niu, and N. El-Sheimy. Performance comparison of
the extended and the unscented kalman lter for integrated GPS
and MEMS-based inertial systems. Proc. of ION-NTM, 2005.
[SO06] R. Sutherland and L. M. Overstreet. Characterization of non-
linear error terms for vibrating beam accelerometers. Proc. of
IEEE/ION-PLAN, 2006.
[SS09] S. Saeedi and F. Samadzadegan. Vision-aided inertial navigation
for pose estimation of aerial vehicles. Proc. of ION-GNSS, 2009.
BIBLIOGRAPHIE 111
[Sta06] J.-M. Stauer. Current capabilities of MEMS capacitive accelero-
meters in harsh environment. Proc. of IEEE/ION-PLAN, 2006.
[SW00] K. P. Schwarz and M. Wei. INS/GPS integration for geodectic
applications : Lecture notes engo 623. Technical report, Dept. of
Geomatics Engineering, University of Calgary, 2000.
[WKD09] J.J. Wang, S. Kodagoda, and G. Dissanayake. Vision aided
GPS/INS system for robust land vehicle navigation. Proc. of ION-
GNSS, 2009.
[WMM
+
06] J. Wendel, J. Metzger, R. Moenikes, A. Maier, and G. F. Trommer.
A performance comparison of tightly coupled GPS/INS navigation
systems based on extended and sigma point Kalman lters. Journal
of The Institute of Navigation, 53(1) :2131, Spring 2006.
[WWSW06] J. J. Wang, J. Wang, D. Sinclair, and L. Watts. Designing a neural
network for GPS/INS/PL integration. Proc. of IGNSS Symposium,
2006.
Annexes
Annexe A
Modlisation complte des
MEMS
Dans la littrature, un grand nombre de travaux ont ports sur la modlisa-
tion des capteurs acclromtriques et gyromtriques. Bass sur ceux de [FB98],
[GWA07], [Rog00] et [SW00], le rapport technique de Dorobantu et Gerlach
[DG04] proposent un modle faisant notamment intervenir la temprature.
Figure A.1 Vue densemble des erreurs lies aux systmes inertiels [GWA07]
115
116 ANNEXE A. MODLISATION COMPLTE DES MEMS
Erreurs acclromtriques
Pour rappel, lacclromtre est modlis de la manire suivante
S
a
= (I
SFa

MAa
)(
Ba

NLa

a
)
o
_
_
est le vecteur acclrations R
3
,
S
a
est le vecteur sorties acclromtriques R
3
,
Ba
est le vecteur biais acclromtriques R
3
,
SFa
est la matrice diagonale 3 3 des erreurs de facteurs dchelles,
NLa
est le vecteur contenant les erreurs de non-linarit R
3
,
MAa
est la matrice hors-diagonale 3 3 des erreurs dalignements,
a
est le vecteur des bruits acclromtriques R
3
.
Ces termes peuvent tre plus prcisment dnis par les quations A.1, A.2 et
A.3.
Biais
Ba
Ba
=
Ba,biais
+
Ba,derive
+
Ba,temp
(A.1)
o
_
Ba,biais
est un biais compos dun oset constant et dun oset
dirent chaque mise sous tension,
Ba,derive
est une drive compose notamment dune marche alatoire,
dun processus de Gauss Markov dordre 1 et dun bruit de
icker,
Ba,temp
=
4
k=1
Ba,temp(k)
(T T
cal
)
k
reprsente la dpendance du biais
Ba
la temprature T,
T
cal
tant la temprature de calibration.
Facteur dchelle
SFa
SFa
=
SFa,biais
+
SFa,derive
+
SFa,temp
(A.2)
o
_
SFa,biais
SFa,derive
est une drive voluant avec le temps,
SFa,temp
=
4
k=1
SFa,temp(k)
(T T
cal
)
k
reprsente la dpendance du facteur dchelle
SFa
la
temprature T, T
cal
Dsalignement
MAa
MAa
=
4
k=1
MAa,temp(k)
(T T
cal
)
k
(A.3)
o
MAa,temp(k)
reprsente la dpendance du dsalignement
MAa
la temp-
rature T, T
cal
117
The term:

is an off-diagonal matrix which accounts for the
misalignments between the accelerometer reference
system (materialized by the a
and the SIMU reference frame (orthogonal triad). All these
coefficients are temperature dependent and must be
compensated in the same manner as the accelerometer
scale factors and biases, thro

The link between the acceleromet
Figure A.2 Description des erreurs dalignement dans les systmes inertiels
[Bri71]
118 ANNEXE A. MODLISATION COMPLTE DES MEMS
Erreurs gyromtriques
De mme, le modle mathmatique du gyromtre est
S
g
= (I
SFg

MAg
)(
Bg

Kg

g
)
o
_
_
est le vecteur vitesses angulaires R
3
,
S
g
est le vecteur sorties gyromtriques R
3
,
Bg
est le vecteur biais gyromtriques R
3
,
SFg
est la matrice diagonale 3 3 des erreurs de facteurs dchelles,
MAg
est la matrice hors-diagonale 3 3 des erreurs dalignements,
Kg
est la matrice 3 3 de sensibilit aux acclrations,
g
est le vecteur des bruits gyromtriques R
3
.
Ces termes peuvent tre plus prcisment dnis par les quations A.4 et A.5.
Biais
Bg
Bg
=
Bg,biais
+
Bg,derive
+
Bg,temp
(A.4)
o
_
Bg,biais
Bg,derive
est une drive compose notamment dune marche alatoire,
dun processus de Gauss Markov dordre 1 et dun bruit de
icker,
Bg,temp
reprsente la dpendance du biais
Bg
la temprature T.
Facteur dchelle
SFg
SFg
=
SFg,biais
+
SFg,derive
+
SFg,temp
(A.5)
o
_
SFg,biais
SFg,derive
est une drive voluant avec le temps,
SFg,temp
reprsente la dpendance du facteur dchelle
SFg
la
temprature T.
Annexe B
Variance dAllan
Dnition
La variance dAllan est dnie par
2
AL,y
() =
1
2
( y
k+1
y
k
)
2
_
(B.1)
o
_
y
k
=
1
_
t
k
+
t
k
y(t)d
t
,
y
k
=
1
N
N
k=1
y
k
.
Daprs [Gag98], sous contrainte de stationnarit et dergodicit lordre 1
et 2, la variance vraie
2
y
peut scrire sous la forme
2
y
() =
_
y
2
k
y
k
2
_
.
Remarquons alors que lcriture de y
k
peut tre simplie et devient alors
y
k
=
1
_
t
k
+
t
k
y(t)d
t
=
1
_
+

T
(t t
k

2
)y(t)d
t
avec
T
(t) = 1 si t [
2
,

2
],
=
1
_
+

T
(t
k
+

2
t)y(t)d
t
car
T
(t) est paire,
=
1
(
T
y)(t
k
+

2
),
ce qui donne dans le domaine frquentiel
Y (f) = e
jf
sinc(f)Y (f),
soit nalement en terme de densit spectrale de puissance
S
Y
(f) = sinc
2
(f)S
Y
(f).
La puissance de y
k
, qui est alors gale la variance vraie
2
y
(), peut alors
scrire
2
y
() = P
Y
() =
_
+
0
sinc
2
(f)S
Y
(f)d
f
. (B.2)
119
120 ANNEXE B. VARIANCE DALLAN
Daprs lquation B.1 et suivant le mme raisonnement que prcdemment,
il est possible dexprimer la variance dAllan
2
AL,y
() par une expression proche
de B.2 sous la forme
2
AL,y
() = 2
_
+
0
sin
4
(f)
(f)
2
S
Y
(f)d
f
. (B.3)
Bruit Blanc
Un bruit blanc se caractrise par une densit de spectrale de puissance
constante (S
w
(f) = h
0
). La variance dAllan scrit alors dans ce cas
2
AL,w
() = 2
_
+
0
sin
4
(f)
(f)
2
h
0
d
f
,
=
2h0
_
+
0
sin
4
(u)
u
2
d
u
,
=
2h0
4
,
soit nalement
2
AL,w
() =
h
0
2
. (B.4)
En chelle logarithmique,
2
AL,w
() sera donc une droite de pente 1 (Fig.
B.1, log(
2
AL,w
()) = log(
h0
2
) log()).
log(h0/2)
tau=1
10
1
0.1
0.01
0.1
0.01
10 100 1000 1
Figure B.1 Variance dAllan dun bruit blanc
121
Bruit de icker
Un bruit de icker se caractrise par une densit de spectrale de puissance
S
f
(f) =
h1
f
). La variance dAllan scrit alors dans ce cas
2
AL,f
() = 2
_
+
0
sin
4
(f)
(f)
2
h1
f
d
f
,
= 2h
1
_
+
0
sin
4
(u)
u
2

u
du
,
= 2h
1
_
+
0
sin
4
(u)
u
3
d
u
,
soit nalement
2
AL,f
() = 2h
1
ln(2). (B.5)
2
AL,f
() sera donc une droite de pente 0 (log(
2
AL,f
()) =
log(2h
1
ln(2))).
Marche alatoire
Une marche alatoire se caractrise par une densit de spectrale de puissance
S
ma
(f) =
h2
f
2
. La variance dAllan scrit alors dans ce cas
2
AL,ma
() = 2
_
+
0
sin
4
(f)
(f)
2
h2
f
2
d
f
,
= 2h
2
_
+
0
sin
4
(u)
u
2

2
2
u
2
du
,
= 2h
2
_
+
0
sin
4
(u)
u
4
d
u
,
soit nalement
2
AL,ma
() =
2
3
h
2
2
. (B.6)
2
AL,ma
() sera donc une droite de pente 1 (Fig.
B.2, log(
2
AL,ma
()) = log(
2
3
h
2
2
) + log()).
Processus de Gauss Markov dordre 1
Une processus de Gauss Markov lordre 1 se caractrise par une autocor-
rlation R
gm
=
2
gm
e
||
gm
. La densit de spectrale de puissance S
gm
(f) scrit
alors dans ce cas
gm
(f) = TF [R
gm
] ,
= TF
_
2
gm
e
||
gm
_
,
=
2
2
gm
gm
(
1
gm
)
2
+4
2
f
2
,
ce qui permet alors de calculer la variance dAllan
2
AL,gm
2
AL,gm
() = 4
2
gm
gm
_
+
0
sin
4
(f)
(f)
2
1
(
1
gm
)
2
+ 4
2
f
2
d
f
. (B.7)
122 ANNEXE B. VARIANCE DALLAN
log(2h2pi)
tau=3
100
10
1
0.1
0.01
0.01
0.1 1 10 100 1000
Figure B.2 Variance dAllan dune marche alatoire
1
0.1
0.01
0.01 0.1 1 10 100 1000
Figure B.3 Variance dAllan dun processus de Gauss Markov dordre 1
Annexe C
Rtropropagation du
gradient
Propos par Rumelhart, Hinton et Williams en 1986 [RHW86], lalgorithme
de rtropropagation du gradient permet doptimiser les paramtres dun rseau
de neurones plusieurs couches. La dmarche est la suivante :
_
_
_
_
_
_
_
_
_
_
Initialisation des poids synaptiques,
Prsentation des donnes dentre au rseau de neurones,
Calcul des sorties du rseau correspondantes,
Estimation de la proportion de lerreur se rapportant chaque entre,
Attribution des nouvelles valeurs aux poids synaptiques.
Ci-aprs, une trs bonne explication, en image et pas aprs pas, dune itration
de cet algorithme trouv sur http ://galaxy.agh.edu.pl.
123
124 ANNEXE C. RTROPROPAGATION DU GRADIENT
125
127
129

Deboer

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Deboer

Uploaded by

Copyright:

Available Formats

T

(t) = (t) (t) sont alors obtenues en

) noise in inertial sensors. Journal of The

You might also like