← Drone Dynamics

DYNAMICS LAB · ENGINE01

Comparaison de modèles de trajectoire

Tous les modèles sont évalués sur les mêmes neuf vols civils réservés au test. Les graphiques montrent les écarts d’erreur et la proportion des observations couvertes par les régions d’incertitude.

Aller au replay du vol ↓

Comparer les neuf vols enregistrés

Le graphique compare neuf vols enregistrés avec le même drone. Choisissez un vol pour le mettre en évidence et afficher ses coordonnées GPS et les résultats des modèles.

Vol de test 9 · Lap030 · 8:55

Aéronef utilisé
Volantex Ranger 2400 · SpeedyBee F405 / INAV
Modèle avec l’erreur moyenne la plus faible
Filtre de Kalman · 10,43 m
Position GPS à l’instant sélectionné
Latitude 39,299810° · Longitude -0,611382°
Tous les modèles testés

Les six modèles et leur combinaison ont été comparés aux positions GPS observées à 1, 3 et 5 secondes. Les résultats concernent le vol sélectionné.

ModèleErreur moyenne (ADE)Racine de l’erreur quadratique moyenne (RMSE)
Filtre de Kalman (KF)10,43 m17,56 m
Marche aléatoire corrélée (CRW)10,68 m17,21 m
Combinaison des modèles (ENSEMBLE)10,81 m16,81 m
Vitesse constante (CV)14,31 m23,52 m
Accélération constante (CA)20,30 m31,66 m
Marche aléatoire (RW)31,36 m38,98 m
Ornstein–Uhlenbeck (OU)184,66 m212,40 m

Les trajectoires partagent le même repère géographique. La lecture est accélérée. Les coordonnées WGS84 proviennent des mesures GPS d’origine affichées dans le graphique.

DME-001

Résultats de l’expérience

Sur neuf vols de test, le filtre de Kalman affiche l’erreur moyenne de position la plus faible (9,12 m), devant la marche aléatoire corrélée (9,27 m). L’ensemble de modèles obtient le meilleur RMSE (15,12 m), avec une erreur moyenne de 9,60 m.

Limites de l’étude. Les vols utilisent la même plateforme et le même circuit. Le GNSS est une référence bruitée. Le classement pourrait changer sur d’autres vols.

DME-001 · Données expérimentales réelles

Erreurs des modèles sur le même jeu de test.
Erreurs des modèles sur le même jeu de test.
Couverture effective des régions d’incertitude sur le jeu de test.
Couverture effective des régions d’incertitude sur le jeu de test.
Trajectoire enregistrée en coordonnées locales.
Trajectoire enregistrée en coordonnées locales.

Les intervalles d’incertitude ont été estimés en rééchantillonnant des vols entiers. Les vols utilisent le même appareil et le même circuit, et les dates d’enregistrement sont inconnues, ce qui limite leur indépendance. La comparaison évalue l’intérêt des modèles plus complexes.

Données et fichiers techniques

Les détails techniques contiennent les tableaux et les limites de l’étude. Les données et les instructions d’origine sont disponibles en téléchargement.

Détails techniques et reproductibilité

Study context

Problem addressed
Which motion estimates perform best on the same held-out historical flights?
Contribution relative to existing methods
The benchmark puts established methods and a validation-fitted ensemble under one protocol.
Potential commercial use
Select candidate estimators for offline evaluation on a civil fleet’s own telemetry.

Market context and value assumptions on the engine page

Computed 2026-11-06T10:25:09.902316+00:00 · reproducible scientific prototype

Measured and computed results

modelADE_mFDE_mRMSE_mMAE_coordinate_mcoverage95
RW34.79599357.40528241.42632820.4674110.96096
CV12.74391920.82719422.1855878.2067630.90653
CA18.12908935.42205529.65208211.4919210.883761
KF9.12169517.24209815.832155.7986830.904366
CRW9.27140817.24023515.4396845.926360.909744
OU180.270339237.539602208.814684116.086710.98021
ENSEMBLE9.5996117.40035515.115736.1198570.926349

Paired comparison and uncertainty

modelreferencemean_ADE_difference_mtwo_sided_exact_signflip_punitsholm_adjusted_p
RWCV22.0520750.00390690.023438
CACV5.3851710.00390690.023438
KFCV-3.6222230.00390690.023438
CRWCV-3.4725110.00390690.023438
OUCV167.526420.00390690.023438
ENSEMBLECV-3.1443080.00390690.023438

Robustness

conditionmodelADE_mmatched_baseline_ADE_morigins
context_noise2mRW34.98976134.795993439
context_noise2mCV13.18690412.743919439
context_noise2mCA23.08131318.129089439
context_noise2mKF23.9340849.121695439
context_noise2mCRW23.2605769.271408439
context_noise2mOU180.268998180.270339439
context_noise2mENSEMBLE22.6866699.59961439
context_missing30percentRW35.76946234.874378435
context_missing30percentCV12.86528712.78599435
context_missing30percentCA18.33421818.112987435
context_missing30percentKF9.2439759.115594435
context_missing30percentCRW9.5046229.270341435
context_missing30percentOU182.589058179.941936435
context_missing30percentENSEMBLE9.8308669.594352435

Scientific result SHA-256: 1f0238e055f9f9a1d601982e68e3e6406f6148a4e768ca17fd0cdfed30427280. Numerical correctness is evaluated with independent controls and source replay; scientific validity remains bounded by source quality and model assumptions.

Limits

Recorded GNSS is a noisy reference, not known true state. Physical sensor calibration is unavailable.
Flights share platform and circuit; recording-day groups are unavailable. File-disjoint splits prevent row leakage but do not prove external generalization or independent days.
Gaussian nominal regions and validation scaling are empirically evaluated, not guaranteed confidence coverage.
ADE averages sampled1/3/5second horizons, actual timestamp offsets recorded; no interpolation.
All parameter and ensemble fitting use development/validation only; test outcomes are not tuning inputs.
Original software Apache License2.0. Third-party source data retains its own licence. AI hypotheses do not generate these measurements. Offline research, no operational control.
Model-by-model results
RW
Random-walk reference: 34.80 m mean error, above constant velocity.
CV
Constant velocity: 12.74 m mean error, a useful simple baseline.
CA
Constant acceleration: 18.13 m mean error, above CV in this test.
KF
Kalman: lowest mean error, 9.12 m.
CRW
Correlated random walk: 9.27 m mean error, close to Kalman.
OU
Ornstein–Uhlenbeck: highest mean error, 180.27 m. High coverage did not offset poor accuracy.
Ensemble
Model combination: lowest RMSE, 15.12 m.
HMM
Groups motion patterns into descriptive states. The states have no verified intent labels.
EKF
Extended Kalman filter: available in the core, without a measured result in DME-001.
Particle Filter
Available in the core, without a measured result in DME-001.
Monte Carlo
In DME-003, 100 synthetic random-walk replicates produced a distribution of final outcomes.