C-ARC : le clustering adaptatif continu pour capteurs LiDAR non répétitifs

Des chercheurs ont publié fin juin 2026 sur arXiv (réf. 2606.18948) C-ARC, un framework open source de clustering de nuages de points conçu pour les LiDAR non répétitifs à prismes de Risley, tels que le Livox Mid-360 et le Livox Avia. Ces capteurs génèrent des trajectoires en courbes de Rhodonée avec des distributions de points non uniformes et sans cycle de rotation défini, rendant inopérant le clustering classique par scan lines développé pour les LiDAR mécaniques répétitifs. C-ARC, implémenté en C++17 single-threaded, produit une sortie de clustering en temps réel à 20 Hz sur matériel grand public, via un graphe dual persistant sur fenêtre glissante. Un mécanisme adaptatif de résolution de grille, calibré à l'initialisation par boucle de contrôle exponentielle, équilibre le compromis sparsité-collision sans connaissance préalable du patron de scan.

Pour les équipes SLAM et de tracking multi-objet en robotique mobile, ce framework comble un manque concret : les LiDAR non répétitifs restaient hors scope des stacks de perception temps réel faute d'algorithme adapté. Le découplage insertion haute fréquence / récupération de clusters à la demande est critique pour limiter la latence dans les pipelines de cartographie et de suivi d'objets. Le mécanisme adaptatif améliore par ailleurs la qualité de clustering des méthodes à grille existantes sur données non répétitives, ce qui ouvre une voie d'intégration sans refonte complète du stack de perception. Les auteurs identifient explicitement une limitation : l'occupancy de cellule non bornée pose problème sur les capteurs à pattern de scan fortement concentré, cas du Livox Avia.

Livox, filiale de DJI, domine le segment des LiDAR non répétitifs avec ses capteurs Mid-360 (couverture hémisphérique) et Avia, face aux solutions mécaniques traditionnelles de Velodyne, Ouster et Hesai. Leur attractivité tarifaire a favorisé leur adoption dans les AMR et robots de livraison, mais sans algorithme de clustering natif adapté à leurs spécificités optiques. C-ARC s'insère au niveau du preprocessing bas niveau, en amont des modules de détection et de SLAM. Les approches alternatives par deep learning offrent davantage de robustesse aux distributions irrégulières, mais restent généralement moins adaptées aux contraintes embarquées temps réel. Les auteurs indiquent une prochaine évaluation sur des datasets plus diversifiés et évoquent une extension multi-capteurs.