Système de télémétrie moto en temps réel avec Arduino, GPS et capteurs

Composants et fournitures

Composant	Quantité
Arduino UNO	1
Module GPS u-blox NEO-7M	1
Capteur de température LM35DT	1
Capteur infrarouge TMP006 (SparkFun)	1
Module Bluetooth HC-05	1
Capteur ultrasonique HC-SR04	2
Accéléromètre ADXL345 (SparkFun)	1
Ducati Monster 695 (véhicule de test)	1
Kit ProtoShield (SparkFun)	1
Plaque d'essai demi-format	1
Batterie 9V	1
Connecteur batterie 9V	1
Fils de connexion	1 lot
Téléphone Lumia 650 (Windows 10 Mobile)	1

Applications et services en ligne

• Microsoft Azure (IoT Hub, Stream Analytics, SQL Database, Web App, Machine Learning)
• Microsoft Visual Studio 2015
• Microsoft Blend
• Arduino IDE
• GIMP
• Fritzing

À propos du projet

Chaque nouveau projet est pour moi l'occasion d'allier mes passions : la moto et l'électronique embarquée avec Arduino. Inspiré par les données télémétriques diffusées lors des courses MotoGP, j'ai conçu un système complet, reproductible et accessible à tous les motards.

L'idée

Le système capture en temps réel les paramètres suivants :

• Vitesse (km/h)
• Position GPS (latitude/longitude)
• Informations satellites (nombre, HDOP)
• Altitude (mètres)
• Angle d'inclinaison (Lean Angle)
• Angle de cabrage (Wheelie Angle)
• Accélérations G sur 3 axes (m/s²)
• Température extérieure (°C)
• Température pneu arrière (°C)
• Débattement amortisseur avant (cm)
• Débattement amortisseur arrière (cm)

Architecture globale

Le flux de données suit 7 phases :

1. Acquisition : la centrale (Arduino + capteurs) échantillonne ~2 fois/seconde.
2. Transmission Bluetooth : envoi vers le téléphone Windows 10 Mobile via HC-05.
3. Affichage & relais 3G/4G : l'application UWP affiche les données et les pousse vers Azure IoT Hub.
4. Stream Analytics : job Azure qui route les messages vers une base SQL Azure.
5. Web App temps réel : application ASP.NET (Entity Framework) visualise les graphiques.
6. Authentification & tableaux de bord : accès sécurisé, graphiques interactifs.
7. Machine Learning : analyse du style de conduite pour suggérer des améliorations.

Configuration matérielle

Étape 1 – Bluetooth (HC-05) : liaison série logicielle (SoftwareSerial) sur broches 10/11. Configuration AT pour renommer le module.

Étape 2 – GPS (NEO-7M) : SoftwareSerial sur broches 12/13 + bibliothèque TinyGPS++ pour parser les trames NMEA.

Étape 3 – Accéléromètre (ADXL345) : interface I2C, calibration « point zéro » au premier cycle, calcul des angles de roulis (lean) et tangage (wheelie) via formules trigonométriques.

Étape 4 – Température pneu (TMP006) : capteur infrarouge sans contact, distance optimale ≤ 40 mm pour un pneu de 160 mm (R/2). Bibliothèque Adafruit_TMP006.

Étape 5 – Température extérieure (LM35DT) : sortie 10 mV/°C, lecture sur entrée analogique A1.

Étape 6 – Débattements suspensions (2× HC-SR04) : mesure temps de vol ultrasons, formule S = 0,034 × t/2. Utilisation de la bibliothèque NewPing pour de meilleures performances.

Application UWP (Windows 10 Mobile)

Interface utilisateur : jauges vitesse/inclinaison/cabrage, composantes G, GPS, températures, débattements. Parsing trames format $START|...|$END| avec séparateur « | ». Déploiement via WinAppDeployCmd (mode développeur, package ARM).

Services Azure

• IoT Hub : point d'entrée télémétrie, stratégie d'accès iothubowner.
• Stream Analytics : entrée IoT Hub, sortie table SQL Azure, requête SELECT * INTO SqlAzureMyTelemetry FROM MyTelemetryInputHub.
• Web App + SQL Azure : plan gratuit F1, base de données, déploiement Entity Framework, domaine personnalisé possible.
• Device ID : création via console C# (SDK Microsoft.Azure.Devices) → clé symétrique pour l'authentification.

Machine Learning (Azure ML Studio)

Expériences d'entraînement : import SQL, conversion types, filtrage qualité, Split Data, Train Model (Two-Class Decision Forest → Accuracy/Precision/Recall/F1 ≈ 1), Evaluate Model. Expérience prédictive : algorithme Multiclass Decision Forest, déploiement service web (endpoint REST), classification style de conduite (SAFE DRIVING, HIGH STRESS HIGH SPEED, etc.).

Montage sur Ducati Monster 695

• Centrale (Arduino, GPS, ADXL345, LM35) derrière la selle.
• TMP006 sur support imprimé/fixé près pneu arrière (≈40 mm).
• HC-SR04 avant sous phare (tête de fourche → garde-boue).
• HC-SR04 arrière sous selle (siège → pneu arrière).

Évolutions futures

• Buffer local sur l'application mobile en cas de perte 3G/4G.
• Portage Xamarin (Android/iOS).
• Capteurs plus précis, centrale miniaturisée (Arduino MKR1000).
• Réseau social motards : partage trajets, alertes virages dangereux.
• Intégration Stream Analytics → ML prédictif en boucle fermée (Event Hub → Cloud Service → ML → IoT Hub → device).

Code source

• Application UWP (C#) : GitHub
• Firmware Arduino : GitHub

Schémas

Fichier Fritzing : MotorbikeProject.fzz (schéma carte embarquée).