Aller au contenu principal
BIEVR-LIO : odométrie LiDAR-inertielle robuste via des cartes de voxels enrichies par images de reliefIllustration générée par IA
RecherchearXiv cs.RO 

BIEVR-LIO : odométrie LiDAR-inertielle robuste via des cartes de voxels enrichies par images de relief

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

Les chercheurs à l'origine de BIEVR-LIO présentent une nouvelle méthode d'odométrie LiDAR-inertielle (LIO) conçue pour rester fiable dans les environnements pauvres en géométrie, un scénario où les techniques classiques dérivent ou divergent faute de repères suffisants pour recaler les nuages de points. Le cœur de l'approche repose sur une carte voxelisée haute résolution où chaque voxel stocke une image de hauteur orientée représentant la surface locale, ce qui permet un recalage direct sans passer par le calcul intermédiaire de primitives géométriques (plans, arêtes), tout en conservant des mises à jour de carte efficaces en temps réel. Les auteurs ajoutent une stratégie d'échantillonnage de points guidée par la carte, qui concentre le calcul de recalage sur les zones géométriquement informatives plutôt que d'échantillonner uniformément toute la scène, réduisant le coût de calcul tout en améliorant la robustesse dans les zones dégénérées. Testée sur plusieurs capteurs, plateformes robotiques et environnements, la méthode atteint des performances état de l'art dans les scènes bien contraintes et des gains substantiels là où les méthodes de référence échouent ou divergent.

Pour l'industrie robotique, ce travail s'attaque à un point de friction bien connu des intégrateurs de robots mobiles autonomes: la navigation en environnements géométriquement pauvres, couloirs longs, tunnels, entrepôts vides ou zones industrielles répétitives, où les systèmes LIO classiques perdent en précision faute de contraintes suffisantes pour l'alignement des points. Une odométrie plus robuste dans ces conditions réduit directement le risque de dérive de localisation, un enjeu critique pour les AMR en logistique, l'inspection en tunnels ou souterrains, et les interventions en environnements dégradés. Les auteurs signalent également une application dérivée en cartographie d'élévation pour la locomotion, un signal potentiellement pertinent pour les robots à pattes ou humanoïdes devant planifier leurs appuis sur des terrains irréguliers.

Ce travail s'inscrit dans la lignée des méthodes LIO basées sur cartes voxelisées, qui cherchent depuis plusieurs années à améliorer la robustesse du SLAM LiDAR-inertiel face aux scènes dégénérées, une limite connue des approches par extraction de primitives géométriques classiques. La publication, une version révisée déposée sur arXiv, ne précise ni date de déploiement ni partenaire industriel; il s'agit à ce stade d'une contribution de recherche académique, dont l'adoption dépendra de tests sur plateformes robotiques réelles au-delà des benchmarks présentés.

Dans nos dossiers

À lire aussi

Elevator-LIO : odométrie LiDAR-inertielle robuste pour la navigation multi-étages dans les ascenseurs
Illustration générée par IA
1arXiv cs.RO 

Elevator-LIO : odométrie LiDAR-inertielle robuste pour la navigation multi-étages dans les ascenseurs

Une équipe de chercheurs a publié sur arXiv (arXiv:2605.24495) Elevator-LIO, un framework d'odométrie LiDAR-inertielle conçu pour maintenir la localisation continue d'un robot pendant ses déplacements en ascenseur. Le système repose sur un modèle d'estimation d'état découplé qui modélise séparément le mouvement du robot par rapport à la cabine et le mouvement de la cabine elle-même, intégré dans un filtre de Kalman itératif à erreur d'état dépendant du mode. Un gestionnaire de mode détecte l'entrée et la sortie de l'ascenseur via des statistiques de télémétrie LiDAR, puis déclenche des mises à jour de vitesse nulle et d'accélération nulle lorsque la cabine est à l'arrêt afin de supprimer la dérive verticale accumulée. Une stratégie de sous-échantillonnage voxel adaptatif maintient un nombre stable de points efficaces lors des changements d'échelle environnementale. Les tests portent sur 20 séquences réelles comprenant 79 trajets en ascenseur, couvrant des espaces de grande dimension, de longs déplacements verticaux, des piétons en mouvement et des réflexions sur miroirs. L'erreur de hauteur terminale reste inférieure à 1 cm dans 17 séquences sur 20. Ce résultat est significatif pour les déploiements de robots mobiles autonomes (AMR) en environnement multi-étages, un cas d'usage que les systèmes LIO conventionnels gèrent mal : les accélérations non inertielles d'un ascenseur saturent le filtre IMU standard et provoquent des dérives cumulatives qui corrompent la carte et la pose estimée. Elevator-LIO démontre qu'une modélisation explicite du référentiel non inertiel, plutôt qu'un post-traitement correctif, permet une localisation robuste sans recalage a posteriori. Les auteurs indiquent également que la méthode reste compétitive sur les benchmarks Hilti 2022 et 2023, ce qui suggère qu'elle n'est pas spécialisée au détriment des scénarios intérieurs standards. La navigation multi-étages est depuis plusieurs années l'un des verrous opérationnels majeurs pour les robots de livraison et de service en milieu tertiaire ou hospitalier. Des acteurs comme Boston Dynamics (Spot), Keenon Robotics ou Savioke affrontent ce problème avec des solutions ad hoc souvent dépendantes d'infrastructure. Dans l'écosystème européen, des entreprises comme Enchanted Tools (Miroki) ou Exotec opèrent principalement en environnement mono-niveau, mais la pression vers des déploiements bâtimentaires complets s'intensifie. Elevator-LIO est pour l'instant un prototype académique sans déploiement annoncé, mais son intégration dans des stacks LIO open-source comme FAST-LIO2 ou LIO-SAM serait techniquement directe, ce qui pourrait accélérer l'adoption industrielle.

UELes acteurs français comme Enchanted Tools (Miroki) et Exotec, qui opèrent aujourd'hui principalement en environnement mono-niveau, pourraient s'appuyer sur cette technologie pour étendre leurs déploiements robotiques aux bâtiments multi-étages sans dépendre d'infrastructures dédiées.

RecherchePaper
1 source
Odométrie visuelle-inertielle stéréo robuste aux reflets via estimation de la hauteur du sol par filtre de Kalman
Illustration générée par IA
2arXiv cs.RO 

Odométrie visuelle-inertielle stéréo robuste aux reflets via estimation de la hauteur du sol par filtre de Kalman

Des chercheurs proposent un module frontal léger, conscient des reflets, pour l'odométrie visuelle-inertielle (VIO) stéréo à base de points caractéristiques. Il cible un défaut bien connu des sols intérieurs brillants (carrelage poli, béton ciré, couloirs d'entrepôt ou de centre commercial). Les motifs spéculaires du sol y sont détectés puis triangulés comme de faux points 3D situés sous le plan du sol réel. Ces « points virtuels » produisent des associations de caractéristiques instables et des résidus visuels incohérents, ce qui dégrade l'estimation de trajectoire. La méthode estime la hauteur du sol en temps réel et ne rejette que les candidats dont la position 3D inférée se trouve sous cette hauteur. Un masque de zone de sol limite la validation aux régions sujettes aux reflets. Des mesures de hauteur au niveau de chaque image sont construites à partir de l'incertitude stéréo en hauteur et de l'incertitude de pose. Un filtre de Kalman scalaire, avec contrôle par innovation normalisée au carré (NIS), stabilise l'estimation. Une marge de sécurité tenant compte de l'incertitude sert à rejeter sélectivement les points virtuels. Les essais portent sur des séquences réelles en intérieur à sol réfléchissant. Ils montrent une amélioration générale de la précision de trajectoire dans les environnements dominés par les reflets, des estimations de hauteur de sol exactes et une récupération correcte lors de vrais changements de hauteur. L'article ne fournit pas, dans son résumé, de chiffres d'erreur ni de comparaison chiffrée avec des méthodes concurrentes. L'intérêt est très concret pour la robotique mobile en intérieur, où la localisation visuelle conditionne la fiabilité des AMR, des robots de nettoyage, des chariots autonomes et des humanoïdes appelés à circuler dans des halls logistiques ou commerciaux. Les sols brillants sont la norme dans ces sites, et l'on rencontre souvent des dérives ou des pertes de localisation que seules des campagnes de test sur site révèlent. Le choix de ne pas supprimer toute la zone de sol est notable : cette zone fournit souvent une texture exploitable et des contraintes géométriques utiles, et l'écarter entièrement appauvrit l'estimation. Le critère géométrique (un vrai point ne peut pas se trouver sous le sol) est simple, peu coûteux et s'exécute sur des calculateurs embarqués sans réseau de neurones dédié. La prudence s'impose toutefois : le résumé dit que la méthode améliore la précision « généralement », donc pas dans tous les cas. Les séquences utilisées, leur nombre et leur diversité ne sont pas précisés. Les hypothèses de sol plan et de masque fiable restent des points de fragilité, notamment sur rampes, marches ou sols partiellement mouillés. Ce travail s'inscrit dans la lignée des VIO stéréo ou monoculaires à base de points, comme VINS-Fusion, ORB-SLAM3 ou OpenVINS. Ces systèmes traitent les reflets surtout par des rejets robustes de valeurs aberrantes, par le contrôle RANSAC ou par l'élimination de zones entières. Des approches concurrentes reposent sur la segmentation sémantique des surfaces réfléchissantes ou sur la fusion avec le lidar et la roue, plus coûteuses ou plus lourdes à intégrer. Il s'agit d'une prépublication arXiv (v1), non évaluée par les pairs. Elle ne constitue ni un produit ni un déploiement. Les prochaines étapes logiques sont une intégration dans des piles open source, des tests sur davantage de sites, des comparaisons chiffrées avec les méthodes existantes et une validation sur des robots en exploitation.

RecherchePaper
1 source
EllipseLIO : odométrie inertielle LiDAR adaptative par représentation ellipsoïdale
Illustration générée par IA
3arXiv cs.RO 

EllipseLIO : odométrie inertielle LiDAR adaptative par représentation ellipsoïdale

Des chercheurs de l'Université de Chypre (laboratoire v4rl-ucy) ont publié sur arXiv (preprint 2605.21150, mai 2026) un système d'odométrie inertielle LiDAR baptisé EllipseLIO, conçu pour fonctionner en temps réel sans calibration manuelle selon les scenarios. L'approche repose sur une représentation par ellipsoïdes pour le filtrage et le recalage des nuages de points LiDAR, lui permettant de s'adapter automatiquement aux capacités du capteur et à la géométrie de l'environnement. Évalué sur cinq jeux de données couvrant des scénarios variés et difficiles (environnements intérieurs/extérieurs, capteurs hétérogènes), EllipseLIO affiche une erreur d'odométrie inférieure de 38 % en moyenne par rapport à la deuxième meilleure approche testée. Il est également le seul système parmi tous les concurrents évalués à ne diverger dans aucune expérience. Le code sera publié en open source à l'adresse github.com/v4rl-ucy/ellipselio. La portée pratique de ce résultat est significative pour les intégrateurs de robots mobiles autonomes opérant en environnements GPS-dégradés ou GPS-absents (entrepôts, mines, bâtiments industriels, espaces souterrains). Le verrou actuel de la LIO est précisément la nécessité de re-tuner les paramètres à chaque changement de plateforme ou de site, ce qui freine le déploiement à grande échelle sur des flottes multi-capteurs. EllipseLIO casse ce paradigme en éliminant l'intervention humaine entre scenarios, ce qui est une promesse forte, même si les résultats restent à confirmer hors des cinq datasets retenus. L'absence de divergence sur l'ensemble des expériences est la métrique la plus solide présentée : c'est la robustesse, et non la précision seule, qui conditionne l'exploitabilité industrielle d'un système de localisation. La LIO est un sous-domaine mature de la SLAM (Simultaneous Localization and Mapping), avec des approches de référence comme FAST-LIO2 (Université de Hong Kong), LIO-SAM (MIT), ou encore LOAM. Ces systèmes offrent d'excellentes performances dans leurs conditions nominales mais nécessitent un tuning expert dès que le LiDAR ou l'environnement change. EllipseLIO s'inscrit dans une tendance récente vers des pipelines auto-adaptatifs, parallèlement aux approches d'apprentissage profond pour la localisation (ex. : travaux de Cartographer ou des équipes DeepMind/Google sur la localisation neuronale). Il convient de noter qu'EllipseLIO est pour l'instant un preprint non encore soumis à peer review, et que les benchmarks retenus conditionnent fortement les conclusions : une validation indépendante sur des datasets publics standards (MulRan, Hilti, KITTI-360) sera nécessaire pour consolider les affirmations. La mise en open source annoncée permettra à la communauté de reproduire et d'étendre ces évaluations.

UEL'Université de Chypre (institution UE) porte cette avancée en localisation autonome adaptative, susceptible de bénéficier aux intégrateurs européens de robots mobiles en environnements GPS-dégradés dès la mise en open source du code.

RecherchePaper
1 source
NIF-VIO : odométrie visuelle-inertielle dans des référentiels inertiels et non inertiels
Illustration générée par IA
4arXiv cs.RO 

NIF-VIO : odométrie visuelle-inertielle dans des référentiels inertiels et non inertiels

Des chercheurs ont déposé sur arXiv (référence 2611.13662, novembre 2026) NIF-VIO, un système d'odométrie visuelle-inertielle (VIO) conçu pour fonctionner aussi bien dans un référentiel inertiel que non inertiel. La VIO classique suppose que les observations de la caméra et les mesures de l'IMU sont cohérentes dans un même repère inertiel. Cette hypothèse tombe à l'intérieur d'un porteur qui accélère ou tourne (véhicule, ascenseur, navire) : la caméra, qui observe l'intérieur, perçoit un mouvement relatif au porteur, alors que l'IMU enregistre en plus des composantes dues au mouvement de celui-ci. NIF-VIO adapte la fusion selon la cohérence des mesures. Lorsque les conditions inertielles changent, il isole très tôt les contraintes suspectes et lance une réoptimisation locale pour limiter la propagation d'erreur avant la confirmation de l'incohérence, puis répare la géométrie locale touchée. En régime non inertiel, un modèle compact à paramètres partagés dans le temps représente le mouvement du porteur tout en conservant l'information inertielle qui complète les contraintes visuelles. Les tests couvrent des benchmarks publics et un jeu de données collecté par les auteurs. L'intérêt tient à un angle mort réel de la localisation embarquée. Les AMR prenant un ascenseur, les robots à bord d'un navire, d'un train ou d'un camion, ou un humanoïde évoluant dans un véhicule en mouvement, voient leur IMU contaminée par des accélérations qui ne sont pas les leurs. Le résumé revendique des performances compétitives en conditions inertielles, et surtout une meilleure précision et une meilleure disponibilité en conditions non inertielles. La disponibilité compte pour un intégrateur : un estimateur qui diverge ou se coupe est plus pénalisant qu'une erreur légèrement plus grande. Il faut toutefois rester prudent : le résumé ne chiffre aucun gain, et la validation repose en partie sur un jeu de données interne. Il s'agit d'un prototype de recherche, ni d'un produit livré ni d'un déploiement. Cette approche s'inscrit dans la lignée des pipelines VIO de référence comme VINS-Mono, OpenVINS ou ORB-SLAM3, qui reposent sur l'hypothèse inertielle et traitent le plus souvent les incohérences par le rejet de mesures aberrantes. NIF-VIO propose plutôt de modéliser le mouvement du porteur que de l'écarter. Les suites à surveiller sont la publication du code, la comparaison chiffrée avec ces bases de référence et des essais sur plateformes réelles en environnement mobile.

RecherchePaper
1 source