KNOXVILLE, TN, 11 juillet 2025 /24-7PressRelease/ -- Naviguer dans des tunnels ou des structures de parking souterraines est un point aveugle notoire pour les systèmes basés sur le GPS. Désormais, des chercheurs ont développé un nouveau cadre amélioré par apprentissage profond qui permet aux smartphones d'estimer avec précision la position d'un véhicule dans de tels environnements dépourvus de système de positionnement global (GPS).

La navigation des véhicules a longtemps reposé sur des systèmes basés sur des satellites comme le système mondial de navigation par satellite (GNSS), mais ces signaux flanchent souvent dans les zones couvertes comme les tunnels, les garages souterrains et les canyons urbains. Alors que les véhicules haut de gamme utilisent une suite de capteurs sophistiqués pour combler cette lacune, les smartphones dépendent de capteurs inertiels à faible coût, qui souffrent d'une dérive et d'inexactitudes importantes au fil du temps. Avec l'essor de l'apprentissage profond, les chercheurs ont commencé à utiliser l'intelligence artificielle pour déduire le mouvement directement à partir de données bruyantes des unités de mesure inertielle (IMU). Pourtant, atteindre à la fois précision et robustesse avec une entrée aussi limitée reste une tâche formidable. En raison de ces défis, il y a un besoin urgent d'une solution de navigation autonome, améliorée par l'IA, qui fonctionne même lorsque les satellites ne le peuvent pas.

Une équipe collaborative de l'Université de Wuhan et de l'Université de Chongqing a dévoilé un cadre de navigation inertielle uniquement pour smartphone publié (DOI : 10.1186/s43020-025-00168-7) dans Satellite Navigation en juin 2025. Leur approche, baptisée DMDVDR (Data- and Model-Driven Vehicle Dead Reckoning), utilise un réseau de neurones profond conçu sur mesure—AVNet—pour extraire des indices de mouvement des données des capteurs inertiels et les intégrer dans un filtre de Kalman invariant pour une estimation précise de la trajectoire. Le système fonctionne sans aucune entrée du système de positionnement global (GPS), ce qui le rend particulièrement adapté aux environnements dépourvus de GNSS comme les tunnels souterrains ou les installations de parking.

Au cœur de ce nouveau cadre se trouve AVNet, une architecture d'apprentissage profond hybride combinant des couches convolutives et récurrentes. AVNet traite les données brutes de l'IMU d'un smartphone pour estimer l'orientation et la vitesse du véhicule en temps réel. Ces pseudo-mesures sont ensuite fusionnées dans un filtre mathématique connu sous le nom de filtre de Kalman étendu invariant (InEKF), qui compense le bruit et la dérive des capteurs en intégrant à la fois des données basées sur des modèles et des données déduites par l'IA.

Pour affiner davantage les performances du système, les chercheurs ont introduit un adaptateur de paramètres de filtre piloté par les données qui apprend dynamiquement les profils de bruit optimaux, permettant au système de s'adapter à diverses conditions de conduite. Testé dans un parking à l'aide de smartphones grand public, la méthode a surpassé les solutions existantes par une large marge, atteignant une erreur de translation horizontale de seulement 0,4%. Même dans des scénarios plus complexes—comme le stationnement en marche arrière ou les virages répétés—le système a maintenu sa stabilité et sa précision. Au-delà des expériences locales, les chercheurs ont validé leur système sur des données réelles de tunnel provenant du Google Smartphone Decimeter Challenge. Les résultats ont montré seulement 0,64% de dérive positionnelle après 578 mètres de perte de signal GPS, un témoignage de la résilience du cadre. En fusionnant l'IA avec la théorie classique du contrôle, l'étude offre une solution convaincante pour la localisation robuste des véhicules lorsque les signaux satellites échouent.

"Notre objectif était de permettre aux smartphones ordinaires de fournir une navigation extraordinaire—même là où le GPS cesse de fonctionner," a déclaré le Dr. Ruizhi Chen, auteur principal de l'étude. "En combinant l'apprentissage profond avec des techniques de filtrage éprouvées, nous avons créé un système qui ne fonctionne pas seulement en théorie—il performe de manière fiable dans des conditions réelles comme les tunnels et les parkings souterrains. C'est un bond en avant pour la mobilité pilotée par l'IA utilisant des appareils grand public quotidiens."

Le cadre DMDVDR proposé pourrait révolutionner les systèmes de navigation basés sur smartphone en étendant leur utilisabilité dans les zones privées de GPS. Les applications potentielles incluent l'assistance au stationnement autonome, la gestion de flotte dans les installations couvertes, et une navigation plus sûre dans les tunnels ou les environnements urbains denses. Parce que le système fonctionne uniquement sur les capteurs des smartphones, il offre une alternative évolutive et à faible coût au matériel de navigation complexe embarqué dans les véhicules. De plus, sa compatibilité avec le GNSS et d'autres capteurs en fait un candidat idéal pour les plates-formes de localisation hybrides intérieur-extérieur. Alors que la mobilité intelligente continue d'évoluer, des solutions comme DMDVDR joueront un rôle crucial pour assurer une navigation ininterrompue, précise et intelligente pour les transports personnels et commerciaux.

Références
DOI
10.1186/s43020-025-00168-7

URL de la source originale
https://doi.org/10.1186/s43020-025-00168-7

Informations sur le financement
Cette étude a été soutenue par le Programme national clé de recherche et développement de Chine (numéros de subvention 2023YFB3906600), et le NSFC (numéro de subvention 42201460).

Journal
Satellite Navigation

Chuanlink Innovations, où les idées révolutionnaires rencontrent leur véritable potentiel. Notre nom, enraciné dans l'essence de la transmission et de la connexion, reflète notre engagement à favoriser l'innovation et à faciliter le parcours des idées de la conception à la réalisation.

Lien connexe :
http://chuanlink-innovations.com

Avertissement : Cette traduction a été générée automatiquement par NewsRamp™ pour 24-7 Press Release (collectivement désignés sous le nom de "LES ENTREPRISES") en utilisant des plateformes d'intelligence artificielle génératives accessibles au public. LES ENTREPRISES ne garantissent pas l'exactitude ni l'intégralité de cette traduction et ne seront pas responsables des erreurs, omissions ou inexactitudes. Vous vous fiez à cette traduction à vos propres risques. LES ENTREPRISES ne sont pas responsables des dommages ou pertes résultant de cette confiance. La version officielle et faisant autorité de ce communiqué de presse est la version anglaise.