Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
LEMON-Mapping : fusion et optimisation multi-session de nuages de points à grande échelle pour une cartographie globalement cohérente
RecherchearXiv cs.RO 

LEMON-Mapping : fusion et optimisation multi-session de nuages de points à grande échelle pour une cartographie globalement cohérente

1 source couvre ce sujet·Source originale ↗·
Résumé IASource uniqueImpact UE

LEMON-Mapping (Loop-Enhanced Large-Scale Multi-Session Point Cloud Merging and Optimization) est un framework de cartographie collaborative multi-robots présenté dans un preprint arXiv (2505.10018, version 4). Le système vise à fusionner des nuages de points 3D issus de plusieurs robots opérant en sessions distinctes pour produire une carte globalement cohérente à grande échelle. Trois innovations structurent la contribution: un mécanisme de traitement des fermetures de boucles (loop closures) intégrant le rejet d'outliers et une stratégie de rappel pour récupérer des boucles valides erronément filtrées; un bundle adjustment spatial adapté aux cartes multi-robots, qui réduit divergence et flou dans les zones de recouvrement; et une optimisation de graphe de poses (PGO) propageant la précision locale à l'ensemble de la carte via des contraintes de bundle adjustment raffinées.

L'intérêt tient à une limitation bien documentée des méthodes PGO classiques: celles-ci traitent les loop closures uniquement comme des contraintes entre noeuds de pose, ignorant la structure géométrique du nuage de points, ce qui produit des trajectoires divergentes et des zones floues dans les régions de chevauchement entre robots. En intégrant un bundle adjustment spatial dans la boucle d'optimisation, LEMON-Mapping montre qu'il est possible de corriger ces défauts de manière structurelle. Les auteurs valident leur approche sur plusieurs benchmarks publics et un dataset propriétaire, avec des résultats supérieurs aux méthodes de fusion traditionnelles en termes de précision et de cohérence globale. Des tests de scalabilité confirment que le framework supporte des flottes de robots nombreuses.

La cartographie collaborative multi-robots est un verrou actif pour les AMR d'entrepôt, les drones d'inspection industrielle et la robotique de construction. Le domaine dispose déjà de frameworks comparables: DiSCo-SLAM, Swarm-SLAM ou CoLRIO explorent des approches distribuées avec différentes architectures de communication. LEMON-Mapping se positionne dans la lignée des travaux combinant PGO et bundle adjustment inspiré du structure-from-motion, appliqué aux nuages de points LiDAR multi-sessions. Le preprint en est à sa quatrième révision, signe d'un travail en cours de maturation; aucune disponibilité open-source ni déploiement pilote n'est mentionné à ce stade.

Dans nos dossiers

arXiv cs.RO

À lire aussi

Distributed Model-Based Diffusion pour l'optimisation de trajectoires multi-robots à grande échelle
1arXiv cs.RO 

Distributed Model-Based Diffusion pour l'optimisation de trajectoires multi-robots à grande échelle

Des chercheurs viennent de publier sur arXiv (2607.20992) une méthode baptisée Distributed Model-Based Diffusion (DMBD), conçue pour résoudre l'optimisation de trajectoires pour des flottes de robots évoluant dans des environnements fortement non convexes, non linéaires et non différentiables. Le point de départ est le Model-Based Diffusion (MBD), une approche d'optimisation par échantillonnage qui avait déjà montré des résultats prometteurs pour un robot unique, mais qui devient un problème d'inférence centralisé et de très haute dimension dès qu'on l'étend à plusieurs robots, avec une perte nette d'efficacité d'échantillonnage due à la malédiction de la dimensionnalité, et la nécessité d'un accès global à la dynamique, aux contraintes et aux objectifs de chaque robot. DMBD contourne ce verrou en décomposant le processus de diffusion inverse en processus de diffusion conditionnels locaux : chaque robot débruite sa propre trajectoire dans son sous-espace de commande, en se conditionnant sur les estimations de trajectoires des autres robots, agrégées et redistribuées par un serveur central. Les auteurs valident l'approche sur quatre scénarios de simulation : échange de positions entre robots (goal swapping), couverture multi-étages, stationnement (parking) et trafic dense (rush-hour), avec des temps de résolution annoncés en dessous de la seconde. Cette architecture serveur-robots répond directement à un goulot d'étranglement connu de la planification multi-robots : la coordination centralisée s'effondre en calcul et en bande passante dès que le nombre d'agents augmente, ce qui limite aujourd'hui le déploiement de flottes d'AMR ou de robots mobiles en entrepôt, en logistique ou en coordination aérienne à grande échelle. Si les gains de scalabilité annoncés se confirment au-delà des scénarios simulés, la méthode pourrait intéresser les intégrateurs qui cherchent à faire cohabiter de nombreux robots autonomes sans dépendre d'un planificateur central surchargé, tout en gardant chaque robot capable de calculer localement sa propre trajectoire. Le travail s'inscrit dans la lignée récente des méthodes de diffusion appliquées à la planification robotique, où le MBD a émergé comme alternative aux solveurs d'optimisation classiques pour un seul robot. L'extension au multi-robot reste un champ actif de recherche, avec plusieurs équipes explorant des architectures distribuées ou décentralisées pour éviter l'explosion combinatoire. À ce stade, DMBD reste une contribution académique validée uniquement en simulation, sans démonstration sur robots physiques ni benchmark comparatif détaillé publié dans l'abstract.

RecherchePaper
1 source
I2Nav-Robot : un jeu de données robotique intérieur-extérieur à grande échelle pour la navigation par fusion multi-capteurs
2arXiv cs.RO 

I2Nav-Robot : un jeu de données robotique intérieur-extérieur à grande échelle pour la navigation par fusion multi-capteurs

Chercheurs de l'université de Wuhan (laboratoire i2Nav) ont publié i2Nav-Robot, un jeu de données à grande échelle destiné à la navigation par fusion multi-capteurs pour véhicules terrestres autonomes (UGV), en environnements intérieurs et extérieurs. La plateforme, un véhicule à roues omnidirectionnel, embarque des LiDAR solid-state à vision frontale et à 360 degrés de dernière génération, un radar millimétrique 4D, des caméras stéréo, une centrale inertielle (IMU), un récepteur GNSS et des odomètres à roues, tous synchronisés temporellement via une combinaison de synchronisation matérielle en ligne et de calibration hors ligne. Le jeu de données comprend dix séquences couvrant des scénarios variés (rues extérieures, parkings intérieurs) pour une distance cumulée d'environ 17 060 mètres, avec une vérité terrain de précision centimétrique obtenue par post-traitement de navigation intégrée sur IMU haut de gamme. Quinze méthodes open source de fusion multi-capteurs ont servi à valider la qualité des données. Le tout est accessible sur GitHub (i2Nav-WHU/i2Nav-Robot). Pour la recherche en navigation robotique, ce type de benchmark comble un manque réel: les jeux de données existants pour UGV souffrent souvent de configurations de capteurs limitées, d'une synchronisation imprécise, d'une vérité terrain incomplète ou peu fiable, et d'un manque de diversité de scénarios, ce qui freine le développement et la comparaison rigoureuse des algorithmes SLAM et de fusion de capteurs. Un dataset combinant LiDAR récents, radar 4D et vérité terrain centimétrique dans des environnements mixtes intérieur-extérieur offre aux équipes de recherche et aux intégrateurs un terrain d'évaluation plus représentatif des conditions réelles de déploiement, notamment pour les robots mobiles industriels et logistiques. Ce travail s'inscrit dans la lignée de benchmarks antérieurs comme KITTI ou M2DGR, mais cherche à dépasser leurs limites en matière de synchronisation et de diversité de capteurs, notamment via l'intégration récente du radar millimétrique 4D, technologie de plus en plus utilisée en complément du LiDAR pour la robustesse par mauvaise visibilité. La publication en open source, avec documentation complète sur GitHub, vise à en faire une référence pour les futures évaluations comparatives de méthodes de navigation autonome, un domaine où la disponibilité de données de qualité reste un goulot d'étranglement majeur pour l'industrie.

RecherchePaper
1 source
Exploitation de la parcimonie chordale pour une estimation globalement optimale avec des graphes de facteurs
3arXiv cs.RO 

Exploitation de la parcimonie chordale pour une estimation globalement optimale avec des graphes de facteurs

Une équipe de chercheurs associée au Borg Lab (Georgia Tech) a publié fin mai 2026 un préprint arXiv (2605.30617) présentant une méthode pour rendre l'estimation d'état globalement optimale dans les graphes de facteurs, sans effort de formulation manuelle. Le travail s'intègre directement à GTSAM, la bibliothèque de référence pour le SLAM et la navigation, et repose sur deux contributions : une procédure automatisée de construction de relaxations SDP (semi-definite programming) convexes pour tout graphe de facteurs utilisant les types de variables et de facteurs courants, et l'exploitation de la structure creuse chorale native de l'arbre de Bayes (Bayes tree) de GTSAM pour décomposer le problème SDP. Les deux cas d'usage évalués sont un problème de SLAM 3D par pose-graph en anneau et un problème de localisation 2D en chaîne, sur lesquels le nouvel estimateur démontre une meilleure scalabilité que les solveurs locaux standards. Le code est disponible sur le dépôt borglab/gtsam. L'enjeu est directement lié à la sécurité des systèmes robotiques : les solveurs locaux embarqués dans GTSAM ou g2o peuvent converger vers de mauvais minima locaux, ce qui dans un contexte de navigation autonome ou de perception industrielle représente un risque réel. Les approches par relaxations convexes garantissent l'optimalité globale ou permettent de certifier la solution, mais elles étaient jusqu'ici réservées à des cas formulés manuellement par des spécialistes, et pénalisées par le coût de résolution d'un SDP de grande taille. En automatisant la construction de la relaxation et en exploitant la sparsité du problème, les auteurs réduisent substantiellement ce surcoût computationnel, rendant l'approche crédible pour des applications embarquées ou temps-réel. Les graphes de facteurs sont l'outil dominant en estimation robotique depuis les travaux séminaux de Dellaert et Kaess (iSAM, iSAM2) au début des années 2010, et GTSAM en est l'implémentation la plus utilisée en recherche. Les relaxations SDP pour le SLAM ont été explorées depuis une dizaine d'années, notamment par Rosen et al. avec SE-Sync (2019), qui ciblait spécifiquement la synchronisation de poses. Ce nouveau travail généralise l'approche à des graphes de facteurs arbitraires, ce qui constitue un pas vers une intégration praticable dans des pipelines SLAM existants. Il s'agit d'un préprint non encore soumis à révision par les pairs, et les gains de performance annoncés restent à confirmer sur des benchmarks plus complexes ou des architectures embarquées contraintes.

RecherchePaper
1 source
Optimisation riemannienne décentralisée sur graphe de poses pour le SLAM multi-robots basé objets
4arXiv cs.RO 

Optimisation riemannienne décentralisée sur graphe de poses pour le SLAM multi-robots basé objets

Des chercheurs publient sur arXiv (réf. 2606.24489) un cadre d'optimisation entièrement décentralisé pour le SLAM multi-robots basé sur des objets. Le PGO (Pose Graph Optimization) est le composant d'estimation d'état central des flottes robotiques en réseau : chaque agent doit estimer simultanément sa propre trajectoire et les poses d'objets persistants observés par plusieurs robots. L'algorithme proposé travaille sur la variété SE(d) via l'optimisation riemannienne, couplé à un mécanisme de consensus pour découpler les estimations conjointes. Il intègre également un schéma Newton approché distribué exploitant des informations de second ordre locales afin d'améliorer la convergence sous budgets de communication limités. Les évaluations couvrent des benchmarks publics, des simulations à grande échelle et des expériences multi-robots réelles, avec des gains annoncés en précision, temps d'exécution et passage à l'échelle. Le verrou adressé est directement pertinent en déploiement industriel : les solutions décentralisées existantes supposent que le graphe de communication coïncide avec la topologie physique d'interaction des robots, une hypothèse irréaliste lorsque la communication est intermittente, éparse ou variable dans le temps. En découplant ces deux topologies, le framework devient applicable aux entrepôts avec AMR, aux flottes de drones ou aux convois de véhicules autonomes. L'apport théorique -- convergence prouvée vers des points stationnaires riemanniens de premier ordre et analyse du nombre de conditionnement local justifiant l'avantage du second ordre sur la descente de gradient pure -- distingue ce travail des approches heuristiques. La réduction du nombre d'itérations et de la charge de communication sans perte de précision est le bénéfice opérationnel central, même si la distance entre preuves formelles et performances terrain reste un écart classique dans le domaine. Le SLAM multi-robots décentralisé est un champ actif depuis une décennie, avec des contributions majeures comme SE-Sync (Rosen et al., Brown University), KIMERA-Multi (MIT SPARK Lab) ou DOOR-SLAM. Cette méthode s'inscrit dans leur continuité en ajoutant la gestion explicite des objets partagés entre agents et la robustesse aux pannes de communication. Ce préprint arXiv n'a pas encore été évalué par les pairs et ne correspond à aucun produit ni déploiement commercial annoncé : c'est une contribution algorithmique pure. Les suites naturelles seraient une soumission à ICRA 2027 ou IROS, et des tests de validation sur des flottes denses en environnement réel non contrôlé. Aucun acteur français ou européen n'est mentionné dans les travaux.

RecherchePaper
1 source