Notre ACTUALITé
20-22/05/2026
ABBIA GNSS Technologies a participé au salon NAVITEC 2026 qui s’est tenu à l’ESTEC de l’ESA, à Noordwijk, aux Pays-Bas, au mois de mai.
Nous y avons présenté un article de recherche et développement intitulé « Optimisation robuste en temps réel des graphes de facteurs pour le positionnement GNSS : évaluation des performances dans des conditions dégradées ».
Les environnements urbains posent de sérieux défis à la navigation par GNSS en raison de la dégradation fréquente des mesures, ce qui justifie le besoin de cadres d’estimation robustes. L’optimisation par graphe de facteurs (FGO) s’est récemment imposée comme une alternative convaincante au filtre de Kalman étendu (EKF). Si plusieurs études ont démontré les avantages de la FGO dans des contextes de post-traitement, ses bénéfices potentiels dans des conditions de temps réel restent largement inexplorés. Nos travaux, mettent en œuvre un algorithme de position, vitesse et temps (PVT) basé sur la FGO et compatible avec le temps réel, à l’aide du solveur iSAM2. Le cadre proposé intègre une atténuation robuste des valeurs aberrantes pour faire face aux dégradations des mesures. Nous évaluons l’algorithme avec cinq scénarios de conduite urbaine complexes et comparons ses performances à celles d’un modèle de référence robuste, l’EKF itératif (IEKF). Les résultats expérimentaux montrent que le FGO surpasse systématiquement l’IEKF dans des conditions de temps réel, en particulier lorsque les mesures sont très dégradées. Ces résultats mettent en évidence le FGO comme une alternative solide aux approches basées sur l’EKF pour la navigation GNSS urbaine en temps réel.
Nos travaux proposent un algorithme PVT en temps réel et à faible latence basé sur la méthode FGO, conçu pour rester résilient dans des conditions environnementales urbaines difficiles. La faible latence a été obtenue grâce à l’algorithme iSAM2, configuré avec une fenêtre de lissage à retard fixe. L’algorithme a été évalué avec plusieurs scénarios urbains complexes, démontrant des performances HPE convaincantes, avec un 95e centile de 7,87 mètres sur l’ensemble des scénarios. Une comparaison avec un modèle de référence IEKF robuste a confirmé la supériorité de la méthode FGO, avec une réduction de 46,5 % de l’HPE au 95e centile.
Bien que la robustesse de l’EKF puisse être améliorée par des mises à jour itératives, un lissage ou d’autres choix de modélisation, ces adaptations réduisent progressivement la distinction conceptuelle et pratique avec la méthode FGO. En revanche, la méthode FGO offre nativement un cadre unifié dans lequel le lissage, la relinéarisation et la modélisation flexible sont naturellement intégrés.
Ces résultats soulignent le fort potentiel de la méthode FGO pour un positionnement GNSS robuste et en temps réel dans des environnements urbains difficiles.
Mots-clés — GNSS, optimisation par graphes de facteurs, RTK, iSAM2, navigation robuste, lissage à décalage fixe, environnements urbains
28-30/04/2026
ABBIA DATA SCIENCE a participé à la conférence ENC 2026 qui s’est tenue à Vienne, en Autriche, au mois d’avril.
Nous y avons présenté un article de recherche et développement intitulé « Opportunités de l’apprentissage auto-supervisé pour le GNSS : évaluation d’un algorithme PVT amélioré par l’apprentissage profond ».
Nos travaux proposent un algorithme PVT amélioré par l’apprentissage profond afin d’atténuer les interférences par les multi-trajets dans les zones urbaines denses. Un objectif supervisé prédit conjointement les corrections de distance et l’incertitude, tandis qu’une phase de pré-entraînement auto-supervisée basée sur la méthode JEPA améliore la qualité de la représentation. L’algorithme est évalué avec divers scénarios de conduite et améliore considérablement la précision du PVT, en particulier dans des conditions urbaines difficiles et inédites. Ces résultats soulignent le potentiel des données GNSS non étiquetées pour améliorer les performances de généralisation.
Nos travaux proposent un algorithme de PVT augmenté par le Deep Learning qui améliore considérablement la précision du positionnement, notamment dans des conditions inédites. Les méthodes d’apprentissage supervisé et auto-supervisé se sont révélées efficaces, en particulier lorsqu’elles sont utilisées conjointement : l’objectif supervisé prédit les corrections de code et l’incertitude, tandis que la phase de pré-entraînement SSL améliore la cohérence des prédictions grâce à des représentations de meilleure qualité et à l’utilisation de caractéristiques robustes.
Nos travaux futurs viseront à déterminer si la simple augmentation du volume de données non étiquetées peut permettre d’obtenir des gains supplémentaires en matière de généralisation. Plus fondamentalement, les multi-trajets sont régis par la physique et la géométrie. L’apprentissage auto-supervisé ancre les réseaux neuronaux profonds dans cette réalité physique.
Mots-clés : apprentissage profond, GNSS, apprentissage auto-supervisé, JEPA, multi-trajets
02/01/2026
🎉 Abbia célèbre ses 20 ans ! 🎉
Cela fait désormais 20 ans que Abbia s’engage avec passion à offrir des solutions de qualité et à répondre aux besoins de ses clients. Ce parcours, marqué par des défis relevés et des réussites partagées, témoigne de l’importance de l’innovation, de la rigueur et de l’humain dans tout ce que nous entreprenons.
Au fil des années, nous avons su évoluer, nous adapter et toujours rester à l’écoute de vos attentes pour vous offrir des produits et services à la hauteur de vos exigences. Grâce à votre confiance et à vos retours précieux, Abbia continue d’avancer, d’innover et de se renouveler.
Nous tenons à vous remercier chaleureusement pour votre soutien et votre fidélité. Ce moment de célébration est l’occasion de partager avec vous notre gratitude et notre enthousiasme pour les projets à venir.
Merci à toutes et à tous de faire partie de cette belle aventure !
L’équipe Abbia.
02/09/2025
L’Agence spatiale européenne (ESA) a récompensé le travail d’ABBIA GNSS Technologies en lui remettant un prix lors de l’événement commémoratif « 30 ans de navigation par satellite européenne », qui s’est tenu au Centre européen de recherche et de technologie spatiales (ESTEC) à Noordwijk, aux Pays-Bas, le 2 septembre. Ce prix souligne l’excellence d’ABBIA en matière d’ingénierie GNSS, son engagement et son partenariat de longue date qui ont contribués au succès des programmes européens de navigation par satellite.
Cet événement, qui marquait le trentième anniversaire du lancement de l’initiative européenne de navigation par satellite, a réuni plus d’une centaine de représentants d’institutions, d’États membres et d’entreprises, et a bénéficié de la participation du directeur général de l’ESA, Josef Aschbacher, et du directeur de la navigation de l’ESA, Javier Benedicto.
Bertrand Ekambi, fondateur et directeur d’ABBIA GNSS Technologies, a reçu le prix lors de la cérémonie. L’entreprise a exprimé sa gratitude pour cette reconnaissance, qui reflète son engagement en faveur de l’excellence scientifique et de la collaboration dans les programmes spatiaux européens.
21-23/05/2025
ABBIA DATA SCIENCE a participé à l’ENC 2025 à Wroclaw, en Pologne, au mois de mai.
Nous avons présenté un article de Recherche et Développement intitulé « Toward an Interpretable Multipath Error Model from GNSS Observables through the Application of Deep Learning ».
La dégradation des mesures GNSS causée par le multi-trajet est la principale source d’erreur dans les zones urbaines. La réduction efficace de cette source d’erreur reste un défi pour les récepteurs GNSS autonomes à faible coût. La complexité associée au développement de modèles des dégradations liées au multi-trajet nécessite l’utilisation de méthodes avancées telles que l’apprentissage profond.
Cependant, les méthodes basées sur l’apprentissage profond sont généralement difficiles à déployer en raison d’un manque de confiance général dans leurs prédictions, du fait de leur fonctionnement souvent qualifié de « boîte noire ». Ce travail aborde la notion d’interprétabilité et de généralisation des modèles de dégradation du multi-trajet obtenus à l’aide d’Auto-Encodeurs.
Nous démontrons la capacité des Auto-Encodeurs à générer des représentations interprétables et à généraliser à des situations inédites.
Mots clés : Data Science, GNSS, Deep Learning, Multipath, Self-Supervised Learning, Auto-Encoder, Interpretability