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

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 uniqueImpact UE

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.

Impact France/UE

Le 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.

Dans nos dossiers

Boston Dynamics Unitree arXiv cs.RO

À lire aussi

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

Illustration générée par IA

1arXiv cs.RO

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

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.

RecherchePaper

1 source

Odométrie inertielle apprise étendue, fondée sur un modèle

Illustration générée par IA

2arXiv cs.RO

Odométrie inertielle apprise étendue, fondée sur un modèle

Des chercheurs proposent une version étendue de l'odométrie inertielle apprise pour quadrirotors, publiée sur arXiv (2611.09584) avec le code, le pipeline de données et les modèles entraînés en accès libre. L'odométrie inertielle estime la pose d'un drone à partir de ses seules mesures inertielles (IMU). Elle séduit pour son faible coût, son faible poids et sa robustesse aux dégradations de la perception (fumée, obscurité, scènes sans texture). Mais l'intégration brute des mesures dérive vite, à cause des erreurs de capteur et des biais variables dans le temps. Les travaux récents ont rendu cette approche praticable en course de drones, mais leur généralisation à des trajectoires absentes de l'entraînement reste limitée. Les auteurs adoptent une représentation dans le repère du corps et intègrent la dynamique des couples (torques) dans le pipeline d'apprentissage. Le modèle prédit des déplacements relatifs à court horizon, fusionnés avec les mesures IMU dans un filtre de Kalman étendu (EKF). Pour les intégrateurs et les équipes qui développent des drones agiles, l'enjeu est la capacité à voler sans dépendre d'une caméra ou d'un GNSS. Selon les auteurs, la méthode surpasse l'état de l'art précédent en odométrie inertielle apprise sur des trajectoires inédites. Une évaluation complémentaire sur quatre jeux de données publics, où des formes entières de trajectoires sont exclues de l'entraînement, montre une erreur de vitesse plus faible sur chaque jeu retenu. Le résultat le plus utile en pratique concerne l'entrée de couple : elle apporte le plus d'information lorsqu'elle est dérivée des signaux des rotors. Cela suggère que l'état de la commande moteur est un signal sous-exploité, et que les gains viennent autant de la physique injectée dans le modèle que de la taille du réseau. L'abstract ne donne toutefois aucun chiffre d'erreur, de gain relatif ou de durée de vol. L'ampleur de l'amélioration ne peut donc pas être évaluée sans lire les résultats détaillés. Ce travail s'inscrit dans la lignée des méthodes d'odométrie inertielle apprise nées pour la course de drones, où les vols rapides et agressifs rendent la vision fragile (flou de mouvement, changements d'éclairage). Il se positionne comme une amélioration directe de cette référence, par modélisation explicite de la physique du véhicule plutôt que par apprentissage purement bout en bout. Il s'agit d'une publication de recherche et non d'un produit : aucun déploiement industriel n'est annoncé. La publication du code et des modèles facilite la reproduction par d'autres laboratoires et pourrait servir de base à des fusions avec la vision ou à des tests sur des plateformes réelles. Les prochaines étapes à surveiller sont la validation en vol hors des jeux de données publics et la tenue de la méthode face à des véhicules ou charges différents.

RecherchePaper

1 source

DB-VIO : odométrie visuelle-inertielle à double branche avec représentation visuelle-inertielle améliorée

Illustration générée par IA

3arXiv cs.RO

DB-VIO : odométrie visuelle-inertielle à double branche avec représentation visuelle-inertielle améliorée

Résumé rédigé, sans travail d'outil nécessaire. DB-VIO est un nouveau système d'odométrie visuo-inertielle développé pour estimer précisément la pose à six degrés de liberté (6-DoF) des robots mobiles, présenté dans un preprint publié sur arXiv (arXiv:2607.22123v1). Contrairement aux approches d'apprentissage existantes qui fusionnent vision et inertie dans une représentation unique traitée par un seul modèle temporel, DB-VIO sépare le problème en deux branches dédiées, une pour la rotation, une pour la translation. Le système enrichit la perception visuelle monoculaire avec des indices de profondeur et injecte un a priori d'attitude intégré pour renforcer les signaux rotationnels souvent implicites dans les données brutes de la centrale inertielle (IMU). Testé sur les benchmarks KITTI (conduite autonome) et EuRoC (robot aérien), DB-VIO améliore les méthodes de référence de 20% sur KITTI et de 33% sur EuRoC, avec un gain de 65,7% sur la métrique rotationnelle dans les scénarios de mouvement agile d'EuRoC. Ces résultats, à ce stade limités à des benchmarks académiques standardisés et non à un déploiement réel, illustrent une tendance de fond dans la navigation robotique: la décomposition explicite des tâches de perception plutôt que des architectures monolithiques tend à mieux capturer des dynamiques physiques hétérogènes. Pour les intégrateurs travaillant sur des drones, des véhicules autonomes ou des robots mobiles, ce type d'avancée conditionne directement la fiabilité du suivi de trajectoire en environnement GPS-dégradé, un enjeu critique pour la navigation en intérieur ou en essaim. L'odométrie visuo-inertielle reste un champ actif depuis les approches classiques comme VINS-Mono jusqu'aux méthodes apprises plus récentes, ces dernières cherchant à dépasser les limites des pipelines géométriques traditionnels face au bruit capteur et aux mouvements rapides. DB-VIO s'inscrit dans cette lignée en ciblant spécifiquement la faiblesse connue des features monoculaires, l'absence de structure géométrique explicite. Aucune date d'intégration industrielle ni partenariat n'est mentionné à ce stade, le travail restant une contribution de recherche.

RecherchePaper

1 source

Odométrie décentralisée radar-LiDAR-inertielle résiliente pour les environnements souterrains difficiles

Illustration générée par IA

4arXiv cs.RO

Odométrie décentralisée radar-LiDAR-inertielle résiliente pour les environnements souterrains difficiles

Une équipe de recherche publie sur arXiv un cadre de localisation décentralisé baptisé LRIO (LiDAR Radar Inertial Odometry), conçu pour les tunnels souterrains privés de GPS et envahis de fumée, de poussière ou de brouillard. Le système fusionne un LiDAR, plusieurs radars FMCW (onde continue modulée en fréquence) et une centrale inertielle. Deux briques le composent: un mécanisme d'Adaptive Residual Thresholding (ART), qui détecte la dégradation temporelle d'un capteur et ajuste la fusion pour écarter les mesures peu fiables, et un filtre d'information optimal robuste aux erreurs, le RETOIF. Ce filtre combine l'estimation LiDAR-inertielle et plusieurs estimations radar-inertielles, en tenant compte des pannes. Testé sur des données réelles collectées dans des tunnels, avec et sans fumée, le RETOIF obtient en conditions sans fumée une erreur quadratique moyenne de 2,1733, contre 2,9929 pour l'approche LRIO centralisée classique, soit 27,4 % de réduction. Les auteurs affirment aussi que l'estimation de pose tient sous fumée, mais le résumé ne donne aucun chiffre pour ce cas. L'intérêt pratique tient à l'architecture. Dans une fusion centralisée, un capteur aveuglé par la fumée peut contaminer l'estimation globale. En traitant chaque chaîne d'odométrie séparément puis en pondérant leur fusion selon leur fiabilité, le système isole la panne au lieu de la propager. Cela concerne les robots d'inspection minière, de secours en tunnel ou de maintenance d'infrastructures, où la perte de localisation interrompt la mission. Il faut toutefois rester prudent: l'unité de l'erreur n'est pas précisée dans le résumé, le jeu de données semble limité à un type d'environnement, et le résultat sous fumée n'est pas quantifié. Il s'agit d'un préprint, pas encore revu par les pairs, et rien n'indique un déploiement sur un robot commercial. Le travail s'inscrit dans la lignée des recherches nées des compétitions de robotique souterraine, comme le DARPA SubT Challenge, qui ont fait de la résilience à la dégradation perceptive un critère central. Les méthodes LiDAR-inertielles restent la référence en précision, tandis que le radar millimétrique gagne du terrain malgré ses mesures éparses et bruitées. La suite logique serait une validation sur davantage de sites et de densités de fumée, avec des métriques comparables à celles de la littérature, puis des essais embarqués sur plateformes mobiles. Ces essais diront si le gain annoncé se confirme hors du jeu de données initial.

RecherchePaper

1 source