📍 Article principal de la série : Drones et UAV : panorama technologique pour ingénieurs
Pré-requis : Contrôle PID en aérospatial.

Cadre éditorial. Cet article expose la théorie de la fusion de capteurs au niveau enseigné en master automatique. Aucun guide d’intégration matériel sur drone réel — uniquement les algorithmes, les propriétés mathématiques, et les implémentations open-source disponibles pour la simulation et l’apprentissage.

Le contrôleur PID a besoin de connaître l’état du drone : son orientation, sa vitesse, sa position. Aucun capteur seul ne fournit ces grandeurs avec assez de précision. Le gyroscope mesure les vitesses angulaires mais dérive ; l’accéléromètre mesure l’accélération mais inclut la gravité ; le magnétomètre donne le cap mais subit les perturbations ferromagnétiques ; le GPS donne la position absolue mais à 10 Hz seulement avec quelques mètres d’incertitude. La fusion combine ces mesures complémentaires pour reconstruire l’état complet avec moins d’incertitude que chaque capteur seul.

Prérequis

Algèbre linéaire : matrices, vecteurs, produit matriciel, inversion.
Probabilités : densité gaussienne, espérance, variance, matrice de covariance.
Calcul différentiel : équations différentielles ordinaires, jacobiens.
Niveau : avancé (master automatique ou troisième année ingénieur).
Temps estimé : 120 minutes pour parcourir, plus le temps des exercices.

Étape 1 — Pourquoi un seul capteur ne suffit pas

Considérons l’estimation de l’angle de roulis (roll). Le gyroscope mesure la vitesse angulaire ω_x. Pour obtenir l’angle, on intègre dans le temps. Mais le gyroscope a un biais qui dérive, et l’intégration accumule cette dérive.

L’accéléromètre mesure l’accélération. En statique, le vecteur gravité projeté donne directement l’angle. C’est précis à long terme — pas de dérive — mais bruité à court terme parce que toute accélération du drone perturbe la mesure.

Aucun seul ne suffit. Le gyroscope est précis à court terme, l’accéléromètre est précis à long terme. La fusion exploite cette complémentarité.

Étape 2 — Le filtre complémentaire (approche pédagogique)

Avant le Kalman, on commence par le filtre complémentaire — plus simple, suffisant pour beaucoup d’applications. Le principe : on combine les deux estimations avec des poids fréquentiels opposés.

φ(t) = α · (φ(t-Δt) + ω_x · Δt) + (1 - α) · φ_acc

avec α typiquement entre 0,95 et 0,99

Le coefficient α pondère la confiance entre court terme (gyro) et long terme (accéléromètre). Le filtre complémentaire est utilisé dans Betaflight et certains firmwares simples.

Étape 3 — Introduire le filtre de Kalman

Le Kalman est l’approche statistique optimale pour les systèmes linéaires gaussiens. Il modélise l’état du système comme une variable aléatoire gaussienne, propage la prédiction selon le modèle dynamique, et corrige avec les mesures pondérées par leur incertitude relative.

L’algorithme se découpe en deux phases qui s’enchaînent à chaque pas de temps. Prédiction (avec le modèle de propagation) et Mise à jour (avec la mesure). Le gain de Kalman K est dynamique : il accorde plus de poids à la prédiction quand P est faible (estimation précise) ou à la mesure quand R est faible (capteur précis). C’est cette adaptation automatique qui rend le Kalman puissant.

Étape 4 — Le filtre de Kalman étendu (EKF) pour le drone

Le drone n’est pas un système linéaire — la dynamique d’attitude implique des matrices de rotation, donc des termes en sin/cos. Le Kalman standard ne s’applique pas. Solution : l’EKF (Extended Kalman Filter) qui linéarise localement autour du point de fonctionnement courant à chaque pas de temps.

L’EKF utilise les mêmes équations que le Kalman, mais F et H sont remplacées par les jacobiens du modèle non-linéaire évalués à l’état courant. L’état complet d’un drone en EKF embarque typiquement 12 à 24 variables : position (3), vitesse (3), attitude quaternions (4), biais gyroscope (3), biais accéléromètre (3), parfois biais magnétomètre (3) et hauteur baromètre (1).

Étape 5 — L’EKF de PX4 et d’ArduPilot

Les deux firmwares libres majeurs implémentent un EKF dédié, suffisamment robuste pour la production. PX4 utilise EKF2 (puis EKF3 plus récent), code maintenu par le projet ECL. ArduPilot utilise EKF3, code maintenu en parallèle. Les deux algorithmes sont open-source, lisibles, abondamment documentés — c’est une mine de pédagogie pour qui veut comprendre l’EKF en pratique.

Étape 6 — Représenter l’attitude : quaternions vs angles d’Euler

Question récurrente en TD. Les angles d’Euler sont intuitifs mais souffrent du gimbal lock — quand le pitch atteint ±90°, deux des trois axes deviennent confondus. Les quaternions (4 composantes avec contrainte unitaire) n’ont pas de singularité, calculs élégants pour la composition de rotations. C’est la représentation utilisée en production. Tous les EKF de drones modernes utilisent les quaternions en interne.

Étape 7 — Le bruit de mesure et la calibration

Le Kalman demande de connaître R (covariance du bruit de mesure) et Q (covariance du bruit de modèle). Pour R, on caractérise expérimentalement chaque capteur. Pour Q, c’est plus subtil — c’est un paramètre de tuning qui reflète la confiance dans le modèle. Le magnétomètre demande une procédure différente : rotation 3D pour identifier les déformations dues aux aimantations résiduelles du drone (hard iron / soft iron calibration).

Étape 8 — Détecter et rejeter les outliers

Les capteurs réels produisent occasionnellement des mesures aberrantes. La protection standard est le chi² gating : on calcule la « distance statistique » entre la mesure observée et la mesure prédite. Si cette distance dépasse un seuil (typiquement 3 ou 5 sigma), on rejette la mesure. PX4 et ArduPilot implémentent ce mécanisme.

Étape 9 — Implémentation en simulation

Pour pratiquer la fusion de capteurs sans matériel : Python avec FilterPy implémente Kalman, EKF, UKF en quelques lignes. ROS 2 avec robot_localization permet de fusionner plusieurs sources hétérogènes en pratique. Gazebo + PX4 SITL exécute l’EKF complet en simulation, avec capteurs simulés bruités selon vos paramètres.

Étape 10 — Vérifier votre compréhension

Quatre questions. Premier : pourquoi l’intégration directe du gyroscope dérive-t-elle ? Deuxième : différence intuitive entre Kalman et filtre complémentaire ? Troisième : pourquoi un EKF plutôt qu’un Kalman standard pour un drone ? Quatrième : que représentent les matrices Q et R, et comment les estime-t-on ?

Erreurs fréquentes

Erreur	Cause	Solution
Confondre angles d’Euler et quaternions dans le code	Conversion implicite oubliée	Toujours travailler en quaternions en interne, convertir uniquement à l’affichage.
Q et R fixés au hasard	Manque de calibration	Mesurer expérimentalement R, ajuster Q par tuning empirique.
Gimbal lock en vol acrobatique	Représentation Euler interne	Passer en quaternions partout dans la chaîne.
EKF qui diverge sur outlier GPS	Pas de chi² gating	Implémenter le rejet d’outliers avec seuil 3σ.
Convergence très lente après initialisation	P0 trop pessimiste	Initialiser P0 avec une covariance moyenne, pas infinie.
Biais magnétomètre non corrigé	Calibration ferromagnétique manquante	Procédure rotation 3D avant chaque vol.

Adaptation au contexte ouest-africain

Pour les laboratoires d’automatique des écoles d’ingénieur ouest-africaines, le sujet de la fusion de capteurs est d’autant plus riche qu’il combine théorie probabiliste, programmation embarquée et simulation. Plusieurs sujets de mémoire master sont envisageables : adaptation des paramètres EKF en environnement tropical, comparaison de filtres en présence de perturbations magnétiques typiques, benchmarking d’EKF embarqué sur microcontrôleurs ARM Cortex-M abordables.

Pour la formation continue, l’approche la plus économique est Python + FilterPy : aucun coût logiciel, aucun matériel, des datasets publics disponibles (KITTI, EuRoC MAV pour la robotique) qui se prêtent à l’apprentissage.

Pour le secteur agritech ouest-africain, les compétences fusion de capteurs sont directement valorisables sur les véhicules terrestres autonomes (suivi de cultures), sur les stations météo connectées, sur la géolocalisation indoor des entrepôts.

Pour la pédagogie hands-on accessible aux écoles, plusieurs ateliers concrets s’organisent autour de matériels low-cost. Une carte Arduino + module IMU MPU-9250 (15 USD le tout) suffit pour implémenter un filtre complémentaire et observer la fusion en temps réel. Pour une étape plus avancée, une Raspberry Pi 4 + IMU + GPS u-blox NEO-M9N permet de tester un EKF complet en Python ou C++. Total matériel : moins de 100 USD par poste.

Une dernière piste pédagogique : exploiter les datasets publics de robotique mobile pour évaluer ses propres implémentations EKF. Le dataset EuRoC MAV de l’ETH Zurich fournit des trajectoires de drone réel avec vérité terrain Vicon — l’étudiant qui code son EKF peut directement comparer son estimation à la mesure de référence et quantifier son erreur.

Pour aller plus loin

🔝 Retour au panorama : Drones et UAV : panorama technologique
FilterPy library : github.com/rlabbe/filterpy
Code source EKF2 PX4 : github.com/PX4/PX4-ECL

FAQ

Le filtre complémentaire est-il obsolète ?
Non, il reste utilisé pour des applications simples ou contraintes en CPU. Pour un drone éducatif ou un système IoT, c’est suffisant.

UKF ou EKF ?
EKF est le standard industriel pour les drones. UKF (Unscented Kalman Filter) gère mieux les fortes non-linéarités, mais son coût calcul est plus élevé.

Comment teste-t-on un EKF en simulation ?
On simule des trajectoires connues, on génère des mesures bruitées synthétiques, on fait tourner l’EKF et on compare l’estimation à la vérité terrain.

Que se passe-t-il sans GPS en intérieur ?
L’EKF dérive en position. Solutions : flow optique, VIO (Visual-Inertial Odometry), SLAM.

Existe-t-il des alternatives au Kalman pour la fusion ?
Oui : factor graph optimization, particle filter, réseaux de neurones récurrents pour des cas spécifiques.

En conclusion, la fusion de capteurs est l’une des disciplines les plus formatrices de la robotique aérienne moderne — elle mobilise statistiques, algèbre linéaire, programmation embarquée et compréhension des systèmes physiques. Maîtriser cet ensemble est un atout durable en ingénierie.

Mots-clés secondaires : fusion capteurs, EKF, Kalman étendu, IMU, magnétomètre, quaternions, biais, calibration.

Fusion de capteurs : IMU, magnétomètre, EKF pour UAV (2026)