Fusion de capteurs : comment croiser les mesures pour améliorer la fiabilité des données

Fusion de Capteurs : Croiser les Mesures pour Fiabiliser les Données #

Qu’est-ce que la Fusion de Capteurs ? Définition, Principes et Objectifs #

Sur le plan technique, la fusion de capteurs désigne l’intégration de données hétérogènes issues de plusieurs capteurs, dans le but d’améliorer la précision des estimations, la fiabilité globale du système et la connaissance de la situation[1][3][5][9]. Les domaines de prédilection sont les véhicules autonomes, la robotique industrielle, les systèmes de vidéosurveillance intelligente, les plateformes de positionnement GNSS de haute précision ou encore les solutions de surveillance de sites sensibles. La technologie repose sur des algorithmes capables de modéliser l’incertitude, le bruit de mesure et les biais des capteurs, tout en produisant une estimation cohérente de variables telles que la position, la vitesse, l’orientation ou l’état de l’environnement.

Les objectifs opérationnels de la fusion sont clairs. Nous cherchons à réduire le bruit de mesure, compenser les faiblesses de chaque capteur, exploiter la complémentarité, organiser la redondance et rendre le système plus robuste en conditions difficiles – pluie, brouillard, faible luminosité, environnement urbain dense ou zone industrielle encombrée[1][3][8]. Un LiDAR haute résolution permet une cartographie 3D précise, mais reste sensible aux conditions météorologiques et aux surfaces fortement absorbantes. Un radar reste efficace sous la pluie et dans le brouillard, mais sa résolution spatiale est inférieure à celle d’une caméra. La fusion permet d’utiliser simultanément ces forces et de compenser ces limites.

Les architectures avancées exploitent un large spectre de capteurs :

À lire Comment préparer efficacement ses données d’images pour entraîner un modèle précis

• Caméras (vision RGB, IR, stéréo) pour la détection de marquages au sol, panneaux, piétons, obstacles, avec une forte densité d’information visuelle[3][8].
• LiDAR (Light Detection and Ranging) pour une cartographie 3D de l’environnement, très utilisé par Waymo dans ses robotaxis déployés à Phoenix, Arizona et à San Francisco, Californie[2][4][8].
• Radars longue portée, indispensables pour le suivi de véhicules à grande distance, notamment sur autoroute, intégrés massivement dans les systèmes ADAS des constructeurs comme BMW Group et Mercedes-Benz Group AG[3][4].
• GNSS (Global Navigation Satellite Systems) pour la localisation absolue, combiné à des systèmes différentiels (RTK) dans les solutions de Hexagon pour le guidage d’engins de chantier ou d’équipements miniers[5].
• Capteurs inertiels (IMU) – gyromètres, accéléromètres – pour la mesure de vitesse angulaire et d’accélération, essentiels pour la navigation des drones et véhicules autonomes en environnement GNSS dégradé[5].
• Capteurs ultrasoniques et de proximité, très présents dans les systèmes de parking automatisé et les manœuvres à faible vitesse[4].
• Capteurs environnementaux (pluie, luminosité, température, pollution) qui contextualisent les mesures et permettent d’adapter la stratégie de fusion.

La notion de complémentarité et de redondance est centrale. Chaque technologie de capteur possède ses forces et ses limites – portée, résolution, sensibilité aux conditions extérieures –, la fusion vise à exploiter cette complémentarité tout en introduisant une redondance décisionnelle[3][4][8]. Les architectures de véhicules autonomes de niveau SAE 4 ou SAE 5, telles que celles expérimentées par Waymo et Cruise aux États-Unis, reposent sur au moins trois familles de capteurs majeures (vision, LiDAR, radar), complétées par GNSS/IMU, pour disposer de plusieurs sources en cas de désaccord entre capteurs ou de panne.

Sur le plan algorithmique, nous distinguons plusieurs niveaux de fusion de données[1][5][9] :

• Fusion au niveau signal : combiner les signaux bruts (par exemple, intensités LiDAR et images brutes caméra) pour produire un flux homogène, utilisé dans certaines architectures de perception profonde.
• Fusion au niveau caractéristiques (features) : fusionner des attributs extraits des différents capteurs – contours, points d’intérêt, obstacles – avant la prise de décision.
• Fusion au niveau décision : combiner des sorties déjà interprétées (objets détectés, pistes surveillées) pour produire une décision finale.

Nous retrouvons ici des algorithmes classiques comme les filtres de Kalman, les filtres particulaires, les réseaux bayésiens, ainsi que des approches d’apprentissage automatique qui apprennent directement la stratégie de fusion à partir des données.

Applications de la Fusion de Capteurs dans les Véhicules Autonomes #

Les véhicules autonomes constituent aujourd’hui le cas d’école le plus emblématique de la fusion de capteurs. La nécessité de percevoir finement l’environnement, de prendre des décisions en quelques millisecondes et d’atteindre des niveaux de sécurité proches voire supérieurs à la conduite humaine impose une architecture multi-capteurs sophistiquée[2][3][4][5][8]. Les robotaxis de Waymo, les navettes autonomes deployées en Europe par des acteurs comme Navya ou EasyMile, mais aussi les systèmes Autopilot et Full Self-Driving (FSD) de Tesla, constructeur basé à Austin, Texas, reposent sur des stacks de perception où la fusion des données est au cœur de la performance.

À lire Vision industrielle : comment le contrôle automatisé garantit la qualité des pièces

Le stack de perception typique combine caméras, LiDAR, radar, GNSS et capteurs inertiels pour construire une représentation 3D dynamique de la scène[2][4][5][8]. Les caméras fournissent une richesse visuelle indispensable pour détecter les piétons, cyclistes, panneaux et marquages au sol. Les LiDARs, utilisés massivement par Waymo et Aurora Innovation, offrent une cartographie 3D de haute précision, avec des nuages de points exploitables pour la détection d’obstacles et la segmentation de chaussée. Les radars longue portée, intégrés dans les plateformes d’ADAS (Advanced Driver Assistance Systems) de constructeurs comme Volkswagen Group, complètent cette perception en détectant la présence de véhicules à grande distance, avec une bonne robustesse par mauvais temps. GNSS et IMU assurent, via la fusion, un positionnement robuste même en zone urbaine dense.

Dans ce cadre, la fusion de capteurs est centrale pour des tâches concrètes telles que :

• Détection et suivi d’objets (tracking) : fusion des pistes générées par radar, LiDAR et vision pour suivre la trajectoire des véhicules, camions ou piétons en temps réel[2][3][8].
• Estimation de la trajectoire : combinaison des données GNSS, IMU et cartographie HD pour prédire la trajectoire du véhicule, le maintien dans la voie et la réalisation de changements de voie sécurisés[5].
• Freinage d’urgence automatisé et conduite sur autoroute : utilisation conjointe de radars avant, caméras frontales et capteurs inertiels pour déclencher des manœuvres d’évitement et des freinages adaptatifs, présents dans les systèmes Adaptive Cruise Control et Lane Keeping Assist de nombreux constructeurs.
• Manœuvres complexes en milieu urbain : fusion LiDAR + caméra + ultrason pour franchir des intersections, gérer les piétons imprévisibles, les véhicules stationnés et les obstacles temporaires.

Sur le plan économique, le rapport publié par Fortune Business Insights estime le marché mondial de la fusion de capteurs à plus de 6 milliards de dollars au milieu des années 2020, avec une croissance annuelle supérieure à 10%[3]. Cette progression est directement liée à la montée en puissance des systèmes d’ADAS et des plateformes de conduite autonome, l’adoption de la fusion multi-capteurs étant corrélée à une réduction statistique des accidents dans les flottes équipées de fonctions de freinage d’urgence et de maintien dans la voie[3][4].

Nous défendons l’idée que la fusion de capteurs n’est pas seulement une brique technique, mais un véritable avantage concurrentiel. Les constructeurs capables d’architecturer une perception plus fine et plus robuste offrent une expérience de conduite autonome plus fluide, réduisent les interventions humaines, et se positionnent mieux pour atteindre des niveaux d’autonomie élevés (SAE 4 ou 5). Les choix de Tesla, qui a progressivement abandonné le LiDAR pour se concentrer sur la vision et le radar, illustrent une stratégie différenciée, tandis que Waymo mise sur une fusion très riche incluant LiDAR haute résolution, caméras multiples et radars, combinée à des cartes HD détaillées de l’environnement urbain[2][4][8].

Algorithmes de Fusion de Données – Le Rôle Central des Filtres de Kalman #

Pour que la fusion de capteurs produise une estimation exploitable, nous avons besoin d’algorithmes de fusion de données capables de transformer des flux de mesures brutes en une représentation cohérente de l’état du système[1][5][9]. Un algorithme de fusion de données prend en entrée des mesures imparfaites, bruitées et parfois contradictoires, et calcule une estimation optimisée de variables comme la position, la vitesse, l’orientation ou la trajectoire. La modélisation probabiliste de l’incertitude est au cœur de cette démarche.

Le filtre de Kalman occupe ici un rôle central. Développé dans les années 1960 par Rudolf Emil Kalman, mathématicien et ingénieur en contrôle automatique, cet algorithme récursif d’estimation combine un modèle de prédiction (dynamique du système) et les mesures des capteurs pour produire une estimation optimisée, en minimisant la variance de l’erreur sous hypothèse de bruit gaussien[1][5]. Le filtre de Kalman réalise deux étapes : une phase de prédiction, basée sur le modèle dynamique (par exemple, équations du mouvement du véhicule), puis une phase de mise à jour, où les nouvelles mesures sont intégrées en pondérant leur fiabilité. Les matrices de covariance de bruit de processus et de bruit de mesure permettent de modéliser l’incertitude.

Pour les systèmes non linéaires, ce qui est la norme dans les véhicules autonomes, nous utilisons des variantes :

• Filtre de Kalman étendu (EKF) : linéarisation du modèle autour de l’état courant, très utilisé pour la fusion GNSS + IMU dans les plateformes de positionnement de Hexagon[5].
• Filtre de Kalman unscented (UKF) : propagation d’un ensemble de points sigma pour mieux approcher les distributions non linéaires, apprécié dans la robotique mobile et la navigation de drones.
• Filtres particulaires : utilisation de particules pour représenter la distribution de probabilité, adaptés aux environnements fortement non linéaires ou présentant des ambiguïtés de perception[1].

Les cas d’usage sont nombreux : positionnement de haute précision par fusion GNSS + IMU dans les solutions de guidage d’engins miniers en Australie ou de tracteurs agricoles en Amérique du Nord[5], navigation de drones civils et militaires, robotique logistique dans les entrepôts de Amazon.com Inc., systèmes de surveillance périmétrique par radar et caméra, ou encore suivi de cibles pour la gestion du trafic aérien.

Sur le plan narratif, un comparatif des principaux algorithmes permet de clarifier les choix techniques :

• Filtres de Kalman / EKF : rapides, peu coûteux en calcul, largement documentés et intégrés dans les outils de simulation comme MATLAB ou Simulink. Leur performance dépend fortement de la qualité du modèle dynamique et des paramètres de bruit. En pratique, une mauvaise calibration des matrices de covariance conduit à des estimations instables ou biaisées.
• Filtres particulaires : plus flexibles, capables de traiter des non-linéarités fortes et des distributions multimodales. Ils sont utilisés dans des scénarios complexes de localisation et cartographie simultanée (SLAM) pour des robots mobiles en environnements non structurés. Le coût de calcul reste élevé, ce qui limite leur utilisation dans les systèmes embarqués fortement contraints.
• Approches IA de fusion (réseaux neuronaux de fusion, architectures multimodales) : ces modèles apprennent directement la combinaison optimale des capteurs à partir de grandes bases de données. Des projets comme Waymo Open Dataset ou le nuScenes Dataset ont permis de développer des réseaux neuronaux capables de fusionner vision + LiDAR + radar. Les performances sont souvent très élevées, mais ces modèles nécessitent de vastes volumes de données annotées et posent des questions d’explicabilité, ce qui reste sensible dans les systèmes soumis à régulation.

Nous considérons que les filtres de Kalman conservent des avantages majeurs : robustesse, simplicité relative, adoption massive dans l’industrie, et possibilité de certification dans des cadres normatifs exigeants. Les inconvénients tiennent à la dépendance au modèle et à la difficulté de gérer des capteurs très hétérogènes sans travail approfondi de calibration et de modélisation.

Les Défis de la Fusion de Capteurs – Limites, Risques et Bonnes Pratiques #

La fusion de capteurs n’est pas qu’une discipline algorithmique, c’est une problématique d’architecture système, avec des défis techniques de premier plan. La synchronisation temporelle des capteurs constitue l’un des sujets les plus sensibles : chaque capteur possède sa fréquence propre, ses latences, ses chemins de traitement, et un décalage de quelques dizaines de millisecondes peut suffire à introduire des incohérences dans l’estimation de l’environnement[3][5][8]. L’alignement spatial – calibration extrinsèque et intrinsèque des capteurs – est tout aussi critique : une erreur de quelques degrés dans la pose d’une caméra ou d’un LiDAR sur le véhicule entraîne des décalages dans la superposition des données et donc des erreurs de fusion.

Nous devons aussi gérer les données manquantes ou corrompues, les biais de capteurs, et le coût de traitement de gros volumes de données. Les architectures de perception de véhicules autonomes peuvent générer plusieurs gigabits de données par seconde, impliquant des processeurs dédiés (SoC de type NVIDIA Drive, Qualcomm Snapdragon Ride) et des GPU puissants, avec des contraintes de consommation énergétique et de refroidissement[3][4]. Les défis systèmes incluent la complexité logicielle, l’orchestration de multiples pipelines de traitement, la gestion de la redondance matérielle et l’intégration dans une architecture globale incluant le contrôle, la connectivité et la cybersécurité.

Les cas d’échec de la fusion sont documentés et doivent être traités avec sérieux. Un capteur défaillant non détecté, une pondération mal ajustée dans l’algorithme, ou des scénarios extrêmes (tempête de neige, tunnel non cartographié, environnements GNSS dégradés) peuvent produire des estimations trompeuses[3][8]. L’accident mortel impliquant un véhicule d’Uber Advanced Technologies Group à Tempe, Arizona en 2018 a mis en lumière les risques liés à une perception défaillante et à une mauvaise prise en compte de la réalité environnementale, même si la fusion de capteurs n’était pas le seul enjeu en cause.

Pour répondre à ces risques, nous observons des solutions technologiques et des bonnes pratiques structurantes :

• Validation croisée des capteurs : utilisation d’au moins trois capteurs pour trancher en cas de désaccord, comme le recommande Altium pour les architectures de véhicules autonomes, cette stratégie permet d’identifier le capteur défaillant lorsque deux capteurs concordent et un troisième diverge[4].
• Détection de pannes par contrôle de cohérence : surveillance en continu des valeurs de chaque capteur, des dérivées temporelles, et des cohérences physiques (par exemple, vérifier qu’une accélération mesurée reste compatible avec la dynamique du véhicule).
• Mise à jour dynamique du modèle : ajustement des matrices de covariance, des paramètres de modèle, voire changement d’algorithme en fonction des conditions environnementales (jour/nuit, météo, trafic).
• Calibration automatisée : procédures de calibration en usine et en service, avec des routines de recalage périodique basées sur la détection de motifs ou l’exploitation de cartes HD.
• Surveillance continue de la qualité des données et introduction de mécanismes de fallback : passage à des modes de secours (par exemple ADAS renforcé au lieu de conduite autonome complète) en cas de dégradation significative de la fusion.

Une étude de cas significative concerne les ajustements d’architecture de perception réalisés par Tesla au cours des années 2020–2022, avec la transition vers une approche dite Tesla Vision. Le constructeur a dû revoir la pondération des capteurs restants et renforcer ses algorithmes de vision pour compenser la disparition du radar dans certaines générations de véhicules, illustrant l’impact concret des choix de capteurs sur la stratégie de fusion et la nécessité de redondance logicielle.

Innovations et Tendances Futures dans la Fusion de Capteurs (IA, IoT, Edge) #

L’Intelligence Artificielle transforme en profondeur la fusion de capteurs. Des sensor fusion networks multimodaux, capables de traiter simultanément des images caméra, des nuages de points LiDAR et des signaux radar, sont développés par des équipes comme celles de Waymo, Baidu Apollo en Chine, ou les laboratoires de recherche liés au projet Autonomous Driving de Volkswagen[1][4]. Ces réseaux neuronaux apprennent directement à estimer l’état du système à partir de données brutes, sans passer par une séparation stricte entre perception et fusion. L’apprentissage profond permet de capturer des corrélations complexes entre les modalités, à condition de disposer de volumes de données massifs et annotés.

L’IoT et les systèmes connectés élargissent le champ de la fusion de capteurs. Les architectures V2V (Vehicle-to-Vehicle) et V2X (Vehicle-to-Everything) permettent aux véhicules d’échanger des informations sur leur position, leur vitesse ou les dangers détectés, ce qui ouvre la voie à une fusion de capteurs distribuée à l’échelle d’une flotte ou d’une ville[4][5]. Des plateformes cloud opérées par des acteurs comme Microsoft Azure, Amazon Web Services ou Google Cloud Platform hébergent déjà des systèmes de fusion à grande échelle pour la gestion de flottes logistiques, la supervision de véhicules connectés et la mise à jour de cartes HD. Dans les villes intelligentes, des capteurs routiers (boucles magnétiques, caméras de trafic, radars de vitesse) peuvent être fusionnés avec les données des véhicules pour optimiser la mobilité.

La tendance edge computing est tout aussi structurante. Le traitement et la fusion des données au plus près des capteurs – sur des unités de calcul embarquées – réduisent la latence, améliorent la résilience et limitent la dépendance au cloud dans les applications critiques[4][5]. Les systèmes autonomes utilisés dans les mines à ciel ouvert en Afrique du Sud ou en Canada, ou les robots d’inspection d’infrastructures énergétiques, doivent continuer à fonctionner même en l’absence de connectivité de qualité. Les architectures hybrides combinant edge et cloud permettent de réaliser la fusion temps réel à bord, tout en exploitant des ressources cloud pour l’optimisation de modèles et la mise à jour de cartes HD.

Sur le plan du marché, Fortune Business Insights et d’autres cabinets d’analyse indiquent une forte croissance de la demande en solutions de fusion de capteurs dans l’automobile, la robotique et l’électronique grand public. Le segment automobile, tiré par les fonctions ADAS et la conduite autonome, représente une part significative de ce marché, avec une croissance à deux chiffres à l’horizon 2030[3][4]. Dans l’électronique grand public, la fusion des capteurs de smartphones – caméras, capteurs de mouvement, GNSS – alimente des applications de réalité augmentée et de jeux mobiles.

Les angles prospectifs sont nombreux :

• Fusion de capteurs avec données cartographiques HD : combinaison des mesures temps réel avec des cartes HD fournies par des acteurs comme HERE Technologies ou TomTom, pour améliorer la localisation de voie et la compréhension de la scène urbaine.
• Intégration de capteurs non conventionnels : capteurs biométriques pour le suivi de l’état du conducteur, capteurs environnementaux avancés pour la qualité de l’air et les conditions météorologiques fines, intégrés dans les architectures de véhicules intelligents.
• Systèmes de fusion explicables : développement de modèles capables de fournir des justifications compréhensibles, en réponse aux exigences réglementaires en matière de transparence et de responsabilité, notamment en Union européenne avec les travaux autour de l’AI Act.

Nous sommes convaincus que la convergence entre IA, IoT, edge computing et exigences réglementaires va imposer de nouvelles architectures de fusion, plus adaptatives et plus explicables, tout en renforçant la place des approches probabilistes traditionnelles dans les couches de sécurité.

Études de Cas – Réussites de la Fusion de Capteurs dans l’Industrie #

L’exemple de Tesla illustre une approche singulière. Le constructeur américain, dirigé par Elon Musk, directeur général de Tesla Inc., a longtemps combiné caméras, radar et capteurs ultrasoniques pour son système Autopilot, avant de migrer vers une stratégie centrée sur la vision. Les véhicules récents reposent sur un ensemble de huit caméras, des capteurs inertiels et des capteurs de proximité, avec une fusion avancée des flux de vision pour estimer la scène routière[2][3][8]. Cette stratégie met l’accent sur les réseaux neuronaux de perception et de fusion, entraînés sur des milliards de kilomètres parcourus par la flotte. Malgré les controverses sur la terminologie de conduite entièrement autonome ?, nous devons reconnaître que Tesla a démontré qu’une architecture de fusion sans LiDAR peut atteindre une performance significative sur autoroute et dans certains environnements urbains.

Le cas de Waymo offre une perspective différente. La filiale d’Alphabet Inc. a déployé des robotaxis à Phoenix, San Francisco et dans d’autres villes, en s’appuyant sur une intégration de LiDAR haute résolution, caméras multiples, radars, GNSS et systèmes inertiels[2][4][8]. Ces véhicules utilisent une fusion très riche pour construire des cartes détaillées de l’environnement, couplées à des cartes HD préalablement générées. L’architecture de fusion combine des filtres probabilistes, des algorithmes de SLAM et des réseaux neuronaux multimodaux. Les résultats opérationnels – milliers de trajets réalisés sans conducteur sur le siège avant – illustrent la capacité de la fusion multi-capteurs à atteindre un niveau de fiabilité compatible avec des services commerciaux.

D’autres acteurs renforcent cette tendance. Les constructeurs traditionnels comme BMW Group et Mercedes-Benz Group AG intégrent des architectures de fusion avancées dans leurs systèmes ADAS de dernière génération, avec des capteurs caméra frontale, radar, parfois LiDAR, couplés à des IMU et GNSS. Le groupe Hexagon, via ses marques spécialisées dans le positionnement, propose des solutions fusionnant GNSS, inertiel et LiDAR/RADAR pour la navigation autonome d’engins agricoles, de machines de construction ou de robots logistiques[4][5]. Dans ces cas, la fusion permet d’améliorer la fiabilité du positionnement, d’optimiser les trajectoires et de réduire la consommation énergétique grâce à une planification plus fine.

Les résultats concrets sont mesurables :

• Réduction des accidents dans les flottes équipées de systèmes ADAS reposant sur la fusion multi-capteurs, avec des baisses de sinistralité pouvant atteindre plusieurs dizaines de pourcents selon les études publiées par des assureurs et des organismes de sécurité routière[3][4][5].
• Amélioration des niveaux d’autonomie : passage de systèmes de niveau SAE 2 à des expérimentations SAE 4 dans certaines villes, grâce à une perception de l’environnement plus fiable.
• Optimisation des trajectoires : dans le secteur minier, des opérateurs utilisant les solutions de positionnement de Hexagon rapportent des gains d’efficacité et une réduction des incidents liés aux collisions de véhicules lourds.

Nous notons aussi la montée en puissance de témoignages d’experts sur le sujet. Des ingénieurs comme Tomer Sela, spécialiste de la fusion de capteurs dans les véhicules autonomes, insistent sur le rôle clé de la fusion multi-capteurs pour la sécurité, la redondance et la robustesse face aux scénarios inattendus[8]. Le consensus est que seules des architectures combinant expertise algorithmique, ingénierie des capteurs et conception système peuvent répondre aux exigences des applications critiques.

Conclusion : Vers une Fiabilité Renforcée grâce à la Fusion de Capteurs #

Nous pouvons affirmer que la fusion de capteurs s’impose désormais comme un pilier de la fiabilité des données dans les véhicules autonomes, la robotique, les solutions de positionnement et l’industrie connectée. En croisant les mesures de caméras, LiDAR, radars, GNSS, capteurs inertiels et capteurs de proximité, les systèmes modernes atteignent des niveaux de précision, de robustesse et de connaissance de l’environnement difficilement accessibles autrement[1][4][5][9]. Cette démarche répond directement aux impératifs de sécurité, de performance et de conformité réglementaire qui structurent les marchés de la mobilité autonome et de l’automatisation industrielle.

Notre avis est que croiser les mesures de plusieurs capteurs n’est plus une option, mais un prérequis pour toute architecture visant des usages autonomes ou semi-autonomes critiques[3][4][5][8]. La généralisation des approches IA pour la fusion, l’intégration massive dans les architectures IoT et edge, et la croissance continue du marché rendent cette compétence incontournable pour les équipes d’ingénierie. Les prochaines générations de véhicules, d’équipements industriels intelligents et de systèmes de transport reposent déjà, dans les feuilles de route des grands acteurs, sur des stacks de fusion multi-capteurs sophistiqués.

Nous encourageons les ingénieurs, architectes systèmes et décideurs à approfondir le sujet, en explorant des ressources techniques (publications scientifiques, white papers de fournisseurs comme Hexagon, NVIDIA, Qualcomm), en analysant les retours d’expérience des pionniers comme Tesla et Waymo, et en organisant une veille régulière sur les innovations en matière d’algorithmes de fusion et d’IA multimodale. S’abonner à une newsletter spécialisée dédiée aux tendances futures de la fusion de capteurs, à l’IA embarquée et aux architectures IoT/edge constitue un moyen concret de suivre l’évolution rapide de ce domaine, afin de prendre des décisions éclairées pour les projets à venir.

• Enjeu clé : fiabiliser les données dans des systèmes autonomes et connectés.
• Axes d’action : maîtriser les algorithmes (Kalman, particulaires, IA), investir dans la calibration et la synchronisation, structurer des architectures edge/cloud résilientes.
• Perspective : une place centrale de la fusion de capteurs dans les stratégies industrielles d’automobile, de robotique, d’énergie et de transport intelligent à l’horizon 2030.