La décennie en cours a marqué l’arrivée irrésistible et irréversible des systèmes GNSS dans la société en le rendant accessibles à tous et indispensable à de nombreuses utilisateurs. L’amélioration des performances et de la fiabilité des systèmes GNSS est parmi les facteurs qui concourent au développement exponentiel du champ des applications et de services GNSS. Cette amélioration repose sur l’utilisation des méthodes d’estimation de la géo-position qui assure un niveau d’intégrité très élevé. Pour cela, ces méthodes doivent intégrer une couche de surveillance d’intégrité bien élaborée. Dans ce travail, nous proposons des approches de contrôle et de surveillance d’intégrité d’une estimation d’une géo-position avec des mesures GNSS. Nous avons fait le choix de développer des approches basées sur un formalisme informationnel : filtre informationnel d’une part, et outils de la théorie de l’information d’autre part. Des résidus basés sur l’information mutuelle sont développés. Avec un seuillage adéquate, ces résidus permettent de détecter et d’exclure des mesures GNSS erronées. Dans ce contexte, d’autres idées ont été également mises à profit afin de robustifier les méthodes développées comme la projection des observations GNSS dans l’espace informationnel ainsi que des fonctions d’optimisation de la prédiction d’un filtre.Les méthodes proposées sont testées et validées avec des données réelles acquises avec un véhicule expérimental équipé de plusieurs systèmes GNSS ouverts. / The current decade has marked the irresistible and irreversible arrival of the GNSS systems in society by making it accessible and essential to many users. Improved performance and reliability of GNSS systems is among the factors that contribute to the exponential development of the field of GNSS applications and services. This improvement is based on the use of estimation methods of geo-positioning which ensures a very high level of integrity. For this, these methods must incorporate a layer of well-developed autonomous integrity monitoring. In this work, we propose approaches for autonomous integrity monitoring of position estimation using GNSS measurements. We have chosen to develop approaches based on an informational formalism: Informational filter on the one hand and tools of the information theory of the other. Residuals based on mutual information are developed. With an appropriate thresholding, these residuals can detect and exclude GNSS erroneous measurements. In this context, other ideas were also developed in order to robustify the developed methods as the projection of GNSS observations in the information space and the development of optimization function in order to ameliorate the prediction of a filter. The proposed methods are tested and validated with real data acquired with an experimental vehicle with several open GNSS systems.

L'intérêt des recherches dans le domaine de la fusion de données multi-capteurs est en plein essor en raison de la diversité de ses secteurs d'applications. Plus particulièrement, dans le domaine de la robotique et de la localisation, l'exploitation des différentes informations fournies par les capteurs constitue une étape primordiale afin d'assurer une estimation fiable de la position. Dans ce contexte de fusion de données multi-capteurs, nous nous attachons à traiter le diagnostic, menant à l'identification de la cause d'une défaillance, et la tolérance de l'approche proposée aux défauts de capteurs, peu abordés dans la littérature.Nous avons fait le choix de développer une approche basée sur un formalisme purement informationnel : filtre informationnel d'une part, et outils de la théorie de l'information d'autre part. Des résidus basés sur la divergence de Kullback-Leibler sont développés. Via des méthodes optimisées de seuillage, ces résidus conduisent à la détection et à l'exclusion de ces défauts capteurs. La théorie proposée est éprouvée sur deux applications de localisation. La première application concerne la localisation collaborative, tolérante aux défauts d'un système multi-robots. La seconde application traite de la localisation en milieu ouvert utilisant un couplage serré GNSS/odométrie tolérant aux défauts. / The interest of research in the multi-sensor data fusion field is growing because of its various applications sectors. Particularly, in the field of robotics and localization, the use of different sensors informations is a vital step to ensure a reliable position estimation. In this context of multi-sensor data fusion, we consider the diagnosis, leading to the identification of the cause of a failure, and the sensors faults tolerance aspect, discussed in limited work in the literature. We chose to develop an approach based on a purely informational formalism: information filter on the one hand and tools of the information theory on the other. Residuals based on the Kullback-Leibler divergence are developed. These residuals allow to detect and to exclude the faulty sensors through optimized thresholding methods. This theory is tested in two applications. The first application is the fault tolerant collaborative localization of a multi-robot system. The second application is the localization in outdoor environments using a tightly coupled GNSS/odometer with a fault tolerant aspect.

Environ un tiers des personnes âgées vivant à domicile souffrent d'une chute chaque année. Les chutes les plus graves se produisent lorsque la personne est seule et incapable de se lever, ce qui entraîne un grand nombre de personnes âgées admis au service de gériatrique et un taux de mortalité malheureusement élevé. Le système PAL (Personally Assisted Living) apparaît comme une des solutions de ce problème. Ce système d’intelligence ambiante permet aux personnes âgées de vivre dans un environnement intelligent et pro-actif. Le travail de cette thèse s’inscrit dans le cadre de suivi des personnes âgées avec un maintien à domicile, la reconnaissance quotidienne des activités et le système automatique de détection des chutes à l'aide d'un ensemble de capteurs non intrusifs qui accorde l'intimité et le confort aux personnes âgées. En outre, une méthode de fusion tolérante aux fautes est proposée en utilisant un formalisme purement informationnel: filtre informationnel d’une part, et outils de la théorie de l’information d’autre part. Des résidus basés sur la divergence de Kullback-Leibler sont utilisés. Via un seuillage adéquat, ces résidus conduisent à la détection et à l’exclusion des défauts capteurs. Les algorithmes proposés ont été validés avec plusieurs scénarii différents contenant les différentes activités: marcher, s’asseoir, debout, se coucher et tomber. Les performances des méthodes développées ont montré une sensibilité supérieure à 94% pour la détection de chutes de personnes et plus de 92% pour la discrimination entre les différentes ADL (Activités de la vie quotidienne). / About one third of home-dwelling older people suffer a fall each year. The most painful falls occur when the person is alone and unable to get up, resulting in huge number of elders which are associated with institutionalization and high morbidity-mortality rate. The PAL (Personally Assisted Living) system appears to be one of the solutions of this problem. This ambient intelligence system allows elderly people to live in an intelligent and pro-active environment. This thesis describes the ongoing work of in-home elder tracking, activities daily living recognition, and automatic fall detection system using a set of non-intrusive sensors that grants privacy and comfort to the elders. In addition, a fault-tolerant fusion method is proposed using a purely informational formalism: information filter on the one hand, and information theory tools on the other hand. Residues based on the Kullback-Leibler divergence are used. Using an appropriate thresholding, these residues lead to the detection and the exclusion of sensors faults. The proposed algorithms were validated with many different scenarios containing the different activities: walking, sitting, standing, lying down, and falling. The performances of the developed methods showed a sensitivity of more than 94% for the fall detection of persons and more than 92% for the discrimination between the different ADLs (Activities of the daily life).