Aller au contenu principal
Amélioration du SLAM par graphes en environnement sans GNSS grâce à l'odométrie des jambesIllustration générée par IA
RecherchearXiv cs.RO 

Amélioration du SLAM par graphes en environnement sans GNSS grâce à l'odométrie des jambes

1 source couvre ce sujet·Source originale ↗·

Compilé et résumé par IA · sources vérifiables en un clic · publié sans lecture humaine préalable · méthodologie

Résumé IASource unique

Des chercheurs ont publié sur arXiv (2605.20484) une architecture de graphe de facteurs qui améliore significativement la précision verticale du SLAM LiDAR-inertiel pour robots à pattes en environnement sans GNSS. Le système augmente le framework LIO-SAM avec une voie cinématique parallèle, alimentée par l'odométrie proprioceptive des jambes, couplée à la voie LiDAR-inertielle principale via une contrainte de pose relative avec modèle de bruit sélectif. Testé sur un quadrupède Linxai D50 lors de deux boucles extérieures totalisant plus d'un kilomètre, l'approche réduit la dérive en élévation de plus de 30 mètres à moins de 30 centimètres, soit une réduction de deux ordres de grandeur. Sur un scénario où le pipeline de référence échoue complètement à converger, la méthode proposée maintient la localisation.

Ce résultat est significatif parce qu'il exploite une source de données déjà disponible à bord, calculée pour le contrôle de la locomotion, sans capteur supplémentaire. Le problème de la dérive verticale du LiDAR est bien documenté dans les environnements géométriquement pauvres ou répétitifs (couloirs, forêts, parkings), où les points de correspondance sont insuffisants pour contraindre l'axe Z. Utiliser l'odométrie des pattes comme ancre verticale légère est une approche pragmatique : elle s'insère dans les pipelines existants sans reconfiguration hardware, ce qui en facilite le déploiement sur des plateformes commerciales comme Unitree, Boston Dynamics Spot, ou ANYmal. Pour les intégrateurs et les équipes déployant des robots en inspection industrielle ou en environnements souterrains, c'est une piste concrète pour améliorer la robustesse SLAM sans surcoût matériel.

LIO-SAM est un framework SLAM LiDAR-inertiel développé par Ji Zhang et Sanjiv Singh (Carnegie Mellon), largement adopté dans la communauté robotique depuis 2020, notamment pour les robots terrestres et aériens. Le couplage proprioception-SLAM n'est pas nouveau en théorie, mais son intégration efficace dans un graphe de facteurs en conditions réelles reste un sujet actif. Côté concurrence, les approches actuelles s'appuient généralement sur la fusion IMU renforcée (LOAM, LEGO-LOAM) ou l'ajout de capteurs barométriques pour corriger la dérive verticale. La prochaine étape naturelle serait de tester l'approche sur des terrains avec dénivelé marqué, et d'évaluer la robustesse face aux glissements de pattes, cas limite non abordé dans cette version préliminaire.

À lire aussi

Apprentissage de la représentation du contact pour l'odométrie des jambes
Illustration générée par IA
1arXiv cs.RO 

Apprentissage de la représentation du contact pour l'odométrie des jambes

Une équipe de chercheurs a publié sur arXiv (référence 2606.05501) une approche d'apprentissage de représentation auto-supervisée pour la détection de contact dans les robots à pattes, visant à améliorer l'odométrie locomotrice sans recourir à des capteurs de force aux extrémités. Le système repose exclusivement sur les encodeurs articulaires standard, présents sur la quasi-totalité des plateformes commerciales existantes. En modélisant les phases d'appui et de vol (stance et swing) de façon probabiliste, le framework permet d'estimer la vitesse du corps principal à partir de la chaîne cinématique des membres, en s'appuyant sur l'hypothèse classique que la vitesse du pied par rapport au monde est nulle en phase d'appui. Les résultats expérimentaux indiquent des performances supérieures aux méthodes supervisées nécessitant des capteurs additionnels et aux approches probabilistes de référence. Le code est publié en open source. L'enjeu est concret : l'odométrie par jambes est une brique fondamentale pour la navigation autonome des robots quadrupèdes et bipèdes, notamment lorsque le GNSS ou la vision sont dégradés. Or, les capteurs de réaction au sol (GRF sensors) alourdissent les pieds, augmentent la complexité mécanique et sont souvent aveugles aux glissements en contact, ce qui produit des dérives d'estimation même lorsque le pied est techniquement "posé". En éliminant cette dépendance sensorielle, cette approche ouvre la voie à un déploiement sur des plateformes à budget contraint, et surtout améliore la robustesse sur surfaces glissantes ou irrégulières, scénario typique des environnements industriels ou d'inspection. La nature auto-supervisée supprime également le coût d'annotation de données, un frein classique dans les pipelines de locomotion. Le problème de la détection fiable de la phase d'appui est étudié depuis l'essor des robots quadrupèdes comme ANYmal (ANYbotics) et Go1/Go2 (Unitree), ainsi que des bipèdes comme Spot (Boston Dynamics) ou Atlas. La majorité des stacks d'odométrie actuels, y compris ceux utilisés dans des frameworks open source comme Legged Gym ou OCS2, conservent une dépendance aux GRF sensors ou à des heuristiques de seuillage. Cette contribution s'inscrit dans une tendance plus large visant à rendre la locomotion avancée accessible sur des plateformes sans instrumentation de pointe, une direction également explorée par des labos européens comme le DLR ou l'INRIA. La prochaine étape naturelle sera la validation sur plusieurs morphologies de robots et dans des conditions de terrain dégradé, un benchmark que les auteurs n'ont pas encore publié.

UEL'approche intéresse directement des équipes comme l'INRIA qui travaillent sur la locomotion avancée, et pourrait être intégrée sans modification matérielle sur des plateformes européennes à budget contraint.

RecherchePaper
1 source
GaRLILEO : odométrie radar-jambes-inertielle améliorée et alignée sur la gravité
Illustration générée par IA
2arXiv cs.RO 

GaRLILEO : odométrie radar-jambes-inertielle améliorée et alignée sur la gravité

Des chercheurs ont publié sur arXiv (référence 2511.13216v2) GaRLILEO, un framework d'odométrie à temps continu fusionnant radar Doppler embarqué (radar SoC), cinématique des jambes et centrale inertielle (IMU) pour les robots à pattes évoluant sur terrains complexes, escaliers, pentes, environnements non structurés. Le système introduit deux contributions principales : une spline de vitesse ego-motion construite en continu à partir des mesures Doppler du radar et des données proprioceptives des jambes, découplant ainsi l'estimation de vitesse de l'intégration IMU ; et un facteur de gravité à contrainte douce sur la sphère S2, permettant d'estimer le vecteur gravité avec précision sans recourir à LiDAR ni caméra. L'algorithme a été évalué sur un dataset réel multimodalités collecté par l'équipe, couvrant des trajectoires intérieures et extérieures variées. Les auteurs revendiquent des performances état de l'art en odométrie verticale sur escaliers et pentes. Le code et le dataset sont publiés en open source. La dérive verticale est le talon d'Achille des systèmes d'odométrie proprioceptive pour robots bipèdes ou quadrupèdes : les impacts de contact répétés, le glissement des pieds et les vibrations accumulent des erreurs sur les angles de roulis et tangage, rendant la localisation peu fiable dès que le terrain n'est plus plan. Les approches existantes compensent avec du LiDAR ou des caméras, mais ces capteurs extéroceptifs se dégradent dans les scènes pauvres en features ou répétitives (couloirs, tunnels, zones enneigées). GaRLILEO propose une alternative robuste : le radar Doppler, peu sensible aux conditions d'éclairage et aux surfaces texturées, fournit une mesure directe de vitesse sans double intégration, ce qui élimine la source principale d'erreur IMU. Pour les intégrateurs déployant des robots d'inspection ou de logistique en environnement industriel réel, cette combinaison radar-pattes-IMU représente un profil de robustesse différent des stacks LiDAR-SLAM dominants. L'odométrie pour robots à pattes s'est structurée autour de quelques frameworks proprioceptifs de référence, TSIF, Pronto, DRIFT, et de pipelines LiDAR-inertiel comme LIO-SAM ou FAST-LIO. L'ajout du radar comme modalité principale reste marginal dans la littérature legged robotics, contrairement au domaine automobile où les radars 4D SoC (Texas Instruments, Vayyar, Arbe) ont connu une forte adoption. GaRLILEO s'inscrit dans une tendance récente visant à exploiter ces puces radar embarquées bas coût pour la navigation en intérieur dégradé. Les prochaines étapes naturelles incluent la validation sur des plateformes commerciales (Spot de Boston Dynamics, ANYmal de ANYbotics, Unitree B2) et l'intégration dans des pipelines SLAM complets. La mise en open source du dataset multimodale constitue en soi une contribution pour le benchmarking communautaire.

UELe code et le dataset open-source pourraient être exploités par des équipes de recherche européennes travaillant sur la navigation de robots à pattes (ex. ANYbotics en Suisse, labos SLAM EU), mais aucun acteur français ou européen n'est directement impliqué dans les travaux.

RecherchePaper
1 source
Prior-SG : segmentation de régions par tâche et a priori pour graphes de scène dans des environnements arbitraires
Illustration générée par IA
3arXiv cs.RO 

Prior-SG : segmentation de régions par tâche et a priori pour graphes de scène dans des environnements arbitraires

Une équipe de recherche présente Prior-SG, un nouveau framework pour construire des graphes de scène 3D hiérarchiques destinés au raisonnement spatial des robots mobiles autonomes. Publié sur arXiv cette semaine (2608.06170), le système traite la génération du graphe comme un problème d'alignement probabiliste. Pendant qu'il explore, le robot agrège en continu son flux RGB-D dans un Instance Graph ancré physiquement, via une fusion de features multi-échelle à vocabulaire ouvert. Il infère ensuite la sémantique fonctionnelle des lieux par une estimation Maximum A Posteriori, guidée par un Prior Graph généré dynamiquement par un grand modèle de langage. Un champ aléatoire de Markov fusionne experts visuels, géométriques et objets discrets avec ces priors pour lever les ambiguïtés locales. Testé sur des environnements simulés et réels à plan ouvert, Prior-SG dépasse les références récentes en précision de segmentation sémantique. L'enjeu dépasse la performance brute. Les méthodes existantes de graphes de scène reposent sur du clustering visuel local ou sur des heuristiques géométriques strictes, comme la séparation des pièces par des murs, qui échouent dès que l'environnement sort du schéma classique : entrepôt logistique, loft, plateau de bureaux en open space. Pour les intégrateurs de robotique de service, ce verrou limitait le déploiement hors des démonstrations en appartements standards. Prior-SG montre qu'un robot peut délimiter des frontières fonctionnelles distantes sans murs physiques, un pas concret contre l'écart classique entre démo et déploiement réel. Plus notable, le système offre une flexibilité ontologique en zero-shot : le robot restructure entièrement son découpage spatial selon la tâche demandée, sans réentraînement, une capacité clé pour la planification de tâches en environnements non structurés. Ce travail s'inscrit dans la lignée des recherches sur les graphes de scène 3D hiérarchiques, un axe porté par la généralisation des capteurs RGB-D et des modèles de vision à vocabulaire ouvert. Les approches précédentes restaient dépendantes de règles géométriques figées, adaptées aux logements standards mais peu robustes face aux environnements réels hétérogènes. L'apport principal de Prior-SG est de déléguer à un LLM la génération dynamique des priors structurels, plutôt que de les coder à la main, une tendance de fond en robotique qui place les grands modèles de langage en couche de raisonnement au-dessus de la perception brute. Les auteurs ne mentionnent ni partenariat industriel ni calendrier de déploiement : il s'agit pour l'instant d'une contribution académique, dont l'adoption dépendra de son intégration dans des frameworks de navigation plus larges.

RecherchePaper
1 source
Collaboration hétérogène entre robots dans des environnements non structurés grâce à l'IA générative ancrée
Illustration générée par IA
4arXiv cs.RO 

Collaboration hétérogène entre robots dans des environnements non structurés grâce à l'IA générative ancrée

Les chercheurs a l'origine de SPINE-HT ont publie une version mise a jour de leur article sur arXiv (référence 2510.26915v2) présentant un framework de collaboration pour des équipes de robots hétérogènes évoluant dans des environnements non structures. Le système s'appuie sur des grands modèles de langage (LLM) et des modèles vision-langage (VLM) pour déduire les sous-taches nécessaires a partir d'une spécification de mission formulée en langage naturel et du contexte de l'environnement. Le processus se déroule en trois étapes: un LLM infère d'abord les sous-taches requises a partir de la mission et des capacités déclarées de l'équipe, ces sous-taches sont ensuite validées pour vérifier leur faisabilité avant d'être assignées aux robots selon des critères comme la franchissabilite du terrain ou les capacités de perception, puis le framework les met a jour en continu grâce aux retours collectes sur le terrain (cartes sémantiques, résultats des taches). En simulation, avec perception et contrôle en boucle fermée, SPINE-HT obtient un taux de réussite près de deux fois supérieur aux approches antérieures de teaming hétérogène basées sur des LLM. En conditions réelles, l'équipe a teste le système sur une flotte composée d'un robot a roues Clearpath Jackal, d'un robot a roues Clearpath Husky, du quadrupède Spot de Boston Dynamics et d'un drone volant a haute altitude, atteignant un taux de réussite de 87,5% sur des missions exigeant un raisonnement sur les capacités de chaque robot et un ajustement des sous-taches via retour d'information en ligne. Ce résultat s'attaque directement a une limite récurrente des méthodes de teaming multi-robots pilotées par LLM: la plupart supposent des environnements bien structures et connus a l'avance, ce qui dégradé leurs performances des que le terrain devient incertain ou changeant. Pour les intégrateurs travaillant sur des flottes mixtes (drones, robots a roues, robots a pattes) destinées a l'inspection, la recherche et sauvetage ou la surveillance de sites industriels, la démonstration montre qu'une spécification de mission en langage naturel peut remplacer une bonne partie de l'ingénierie manuelle de taches, a condition que le système puisse vérifier la faisabilité et se corriger en temps réel plutôt que de suivre un plan fige. Il s'agit toutefois d'un prototype de recherche, teste sur un nombre limite de plateformes et de scenarios de mission, et non d'un produit commercialise ni d'un déploiement opérationnel a grande échelle. Aucune entreprise ni financement n'est mentionne dans l'article; les auteurs renvoient vers un site dédié au projet pour plus de détails. La progression par rapport aux méthodes antérieures de teaming hétérogène base sur LLM situe ce travail dans un courant de recherche actif visant a ancrer le raisonnement des modèles génératifs dans le contexte physique et évolutif de robots réels, plutôt que dans des simulations idéalisées.

RecherchePaper
1 source