Projet : Voiture Autonome

Projet : Voiture Autonome

Fusion GPS-IMU

Wassim GHACHI Farah GHLISS

start >

Contexte et objectif du projet

• Système visé : voiture autonome embarquée sur NVIDIA Jetson + capteurs
• Notre rôle : localisation / estimation d’état à partir du capteur fusion GPS + IMU
• Objectif IA : exploiter les mesures pour estimer en temps réel :
• Pose : x, y, yaw (position + orientation)
• Vitesse : composantes vn​, ve​

BAse de données : pose-estimation-llio

• Dataset dérivé de KITTI
• Organisation par séquences de conduite
• Un dossier OXTS par séquence
• Un fichier par pas de temps
• Données GPS et IMU synchronisées
• Fusion multi-capteurs

choix du modèle

Présentation des résultats

calcul des métriques

Déploiement sur NVIDIA Jetson : ONNX

• Pipeline

• Code ONNX
• Vérification avant intégration sur la Jetson

AmeliorationS FUTURES

• Fusion avec un filtre EKF
• Travail en body-frame

• Pondération adaptative de l’angle
• Optimisation du fichier onnx
• Fine tunning

Merci!

<

>

LSTM (Long Short-Term Memory)

• Un type de réseau de neurones conçu pour traiter des données séquentielles
• Pourquoi pas un Transformer?
• Données IMU : signaux temporels continus
• Mouvement dépend de l’historique, pas d’une mesure instantanée
• Signaux IMU bruités et de faible dimension
• LSTM fusion :
• LSTM
• GPS MLP
• FILM (Feature-wise Linear Modulation)
• Les entrées temporelles du LSTM fusion :

• entrée = IMU sur 20 pas (t−19..t)
• dernière info GPS (t−1) + mask (1 ou 0)

• Les sorties incrémentales (dx, dy,dz, dyaw)
• sortie = déplacement (t)
• La gestion explicite des coupures GPS

Transformers

- Entrées :

• Position locale : x,y,z en m.
• IMU – Accéléromètre : ax, ay, az
• IMU – Gyroscope : wx, wy, wz

donc : 10 × (x, y, z, ax, ay, az, wx, wy, wz) - Sortie : [dx, dy, sin(dyaw), cos(dyaw)]