Une entreprise britannique spécialisée en technologies géospatiales, Envisage Space Ltd., a présenté une nouvelle approche analytique visant à résoudre l’un des problèmes les plus persistants du positionnement GNSS : la dégradation de la précision dans les environnements urbains denses. Développée en collaboration avec la Cranfield University et soutenue par le programme NAVISP de l’Agence spatiale européenne, cette solution cible des défis opérationnels réels où les erreurs de positionnement impactent directement la performance des services.
Le système, baptisé RelyMap Connect, a récemment été présenté lors d’un événement organisé par l’ESA, mettant en avant son application dans les écosystèmes de micromobilité tels que les trottinettes et vélos en libre-service, où un positionnement fiable est essentiel pour le géorepérage, le respect des zones de stationnement et le suivi des flottes.
Comment la modélisation GNSS prédictive résout les défis de dégradation du signal en milieu urbain
Les environnements urbains restent parmi les scénarios les plus complexes pour le positionnement par satellite en raison du blocage des signaux, des réflexions multi-trajets et de la visibilité incohérente des satellites au niveau de la rue. Le traitement GNSS traditionnel peine à maintenir la précision dans ces conditions, entraînant des violations erronées de géorepérage et des inefficacités opérationnelles.
RelyMap Connect répond à ce défi en combinant modélisation prédictive et données GNSS en temps réel. La plateforme s’appuie sur des modèles urbains 3D à haute résolution pour simuler la visibilité des satellites et anticiper les performances de positionnement avant l’apparition des erreurs. Cette couche prédictive est ensuite fusionnée avec des mesures GNSS multi-constellations en direct et la télémétrie des appareils.
Les algorithmes de machine learning analysent les écarts entre le comportement attendu et réel du signal, permettant au système de détecter la dégradation de la fiabilité du positionnement. Au lieu de réagir après coup, les opérateurs disposent d’une visibilité anticipée sur le moment et les zones où les performances GNSS deviendront peu fiables.
Des indicateurs de confiance en temps réel pour des décisions de géorepérage plus intelligentes
L’un des résultats les plus concrets du système est un « facteur de confiance » dynamique attribué à chaque solution de positionnement. Cette métrique quantifie la fiabilité des données GNSS en temps réel, permettant aux opérateurs de déterminer si la précision répond aux exigences opérationnelles.
Lors de démonstrations sur le terrain dans plusieurs villes britanniques, cette fonctionnalité s’est révélée particulièrement utile pour les opérateurs de micromobilité. En identifiant les zones sujettes à une dégradation GNSS prévisible, les entreprises ont pu ajuster les limites de géorepérage, réduire les infractions de stationnement erronées et améliorer la conformité réglementaire.
Cela marque une transition du géorepérage statique vers des modèles adaptatifs, où les règles sont ajustées dynamiquement en fonction de la fiabilité du positionnement plutôt que sur des coordonnées fixes.
Une plateforme d’analytique GNSS cloud évolutive à l’échelle des villes
RelyMap Connect fonctionne comme une plateforme analytique basée sur le cloud, capable d’évaluer en continu les performances GNSS sur de vastes zones urbaines. Plutôt que de s’appuyer uniquement sur les calculs embarqués, le système agrège la modélisation environnementale, les données historiques et les mesures en temps réel dans une couche d’intelligence centralisée.
Cette architecture permet une visibilité à l’échelle de la ville sur la fiabilité du positionnement, ouvrant la voie à des applications bien au-delà de la micromobilité. Parmi les cas d’usage potentiels figurent les systèmes de livraison autonome, la robotique urbaine, les infrastructures de villes intelligentes et les services de navigation critiques pour la sécurité.
Pourquoi cela compte pour l’avenir du GNSS
D’un point de vue technique, cette avancée confirme une tendance majeure : le GNSS seul ne suffit plus dans les environnements complexes. L’avenir du positionnement repose sur des approches hybrides combinant données satellitaires, contexte environnemental, analytique prédictive et couches de validation pilotées par l’intelligence artificielle.
Ce que développe Envisage Space s’inscrit dans l’évolution vers des systèmes de positionnement axés sur l’intégrité. Plutôt que de se concentrer uniquement sur la précision, l’industrie évolue vers des métriques de fiabilité et de confiance, notamment dans les applications où une erreur de positionnement peut entraîner des conséquences financières, réglementaires ou de sécurité.
Cela est particulièrement pertinent pour des secteurs comme l’agriculture de précision, les machines autonomes et la mobilité urbaine, où les décisions reposent de plus en plus sur la qualité validée du positionnement plutôt que sur de simples coordonnées.
De la micromobilité aux systèmes autonomes
Bien que l’accent initial soit mis sur la micromobilité, les implications vont bien au-delà. Tout système opérant dans des environnements contraints pour le GNSS peut bénéficier d’une modélisation prédictive de la fiabilité.
Par exemple :
- les robots de livraison urbaine naviguant dans des rues étroites ;
- les véhicules autonomes opérant dans des villes denses ;
- les flux de travail en construction et en topographie à proximité de bâtiments de grande hauteur ;
- même l’agriculture de précision dans des zones avec obstruction partielle du signal.
À mesure que les environnements urbains deviennent plus connectés et automatisés, des solutions comme RelyMap Connect pourraient devenir une couche fondamentale de l’infrastructure de positionnement, à l’image de la transformation apportée par les réseaux RTK dans les environnements ouverts.
À propos d’Envisage Space
Envisage Space Ltd. est une entreprise britannique spécialisée en analytique géospatiale, axée sur la modélisation des performances GNSS et l’intelligence de positionnement. Sa plateforme principale, RelyMap, utilise une cartographie 3D haute résolution et la simulation satellitaire pour prédire le comportement GNSS au niveau de la rue avec une grande précision spatiale.
Le projet RelyMap Connect a été développé dans le cadre du programme NAVISP de l’Agence spatiale européenne, qui finance des innovations avancées en positionnement, navigation et synchronisation à travers l’Europe. La collaboration avec la Cranfield University apporte une expertise académique supplémentaire en traitement du signal GNSS et en machine learning.
Points clés :
- développement soutenu par l’ESA dans le cadre de l’initiative NAVISP ;
- intégration de données GNSS multi-constellations ;
- utilisation de modèles urbains 3D détaillés pour l’analytique prédictive ;
- architecture cloud évolutive à l’échelle des villes ;
- validation en conditions réelles dans plusieurs environnements urbains au Royaume-Uni.
Avec des discussions de commercialisation déjà en cours avec des opérateurs et des autorités urbaines, le projet progresse au-delà de la phase de recherche vers des scénarios de déploiement concrets.
