Onboard Sensing Ambiguë et Dérive de Localisation : Cartographie Sûre du Champ de Flux

Des chercheurs proposent une nouvelle méthode pour cartographier des champs d'écoulement (flow fields) avec des robots mobiles équipés de capteurs embarqués, en s'attaquant à un problème précis : des structures d'écoulement similaires produisent souvent des observations ambiguës, et la dérive de localisation fait que les patches de vitesse prédits localement sont inscrits au mauvais endroit dans la carte globale. Ces erreurs de recalage s'accumulent au fil du temps et forment des structures fantômes persistantes qui polluent la carte. Le framework proposé, baptisé « map-référence-aware conservative fusion », combine un modèle qui prédit un patch de vitesse locale avec un score de sécurité d'écriture appris, lequel atténue en continu les mises à jour incertaines tout en autorisant l'initialisation de la carte lorsqu'aucune référence fiable n'existe encore. Testée sur des environnements synthétiques de jets et de flux croisés (crossflow), la méthode réduit de 42 % la contamination fantôme moyenne par rapport à une fusion sans filtrage. Un test matériel en zero-shot, rejouant des mesures réelles de pression et de flux optique captées dans le sillage d'un propulseur, confirme une réduction de 39 % de la contamination fantôme tout en conservant 81 % de la couverture de la carte.

Ce travail cible un angle mort classique de la cartographie robotique embarquée : la plupart des pipelines de fusion supposent que toute observation plausible mérite d'être écrite dans la carte, ce qui fonctionne mal dès que la localisation dérive, un problème quasi systématique pour les robots sous-marins, aériens ou terrestres évoluant sans GPS fiable. En introduisant un score de confiance dédié spécifiquement à la décision d'écriture, plutôt qu'à la seule qualité de la mesure, l'approche distingue « est-ce que je vois juste » de « est-ce que je sais où je suis », une nuance rarement traitée dans les architectures SLAM classiques appliquées à des champs continus comme l'écoulement fluide. Pour les intégrateurs travaillant sur l'inspection sous-marine, le suivi de sillages de propulseurs ou la navigation en environnement fluide (ventilation industrielle, aérodynamique confinée), c'est une brique utile : elle évite qu'une carte se dégrade silencieusement à l'usage, un risque particulièrement critique pour des applications de sécurité ou de navigation autonome longue durée.

La cartographie de champs de vitesse reste un sous-domaine de niche par rapport au SLAM géométrique classique, mais gagne en importance avec la multiplication des robots évoluant dans des environnements fluides : drones sous-marins d'inspection, robots de surveillance de ventilation industrielle, ou véhicules exposés à des sillages et turbulences. Le problème de la dérive de localisation qui corrompt les cartes n'est pas nouveau en SLAM, mais son application spécifique aux champs d'écoulement, où l'ambiguïté des observations est structurellement plus forte qu'en cartographie géométrique, reste peu traitée dans la littérature existante. Les auteurs valident leur approche à la fois en simulation et via un rejeu matériel zero-shot, une méthode qui permet de tester la généralisation sans déploiement robotique complet. L'article ne précise aucune suite opérationnelle ni déploiement industriel prévu : il s'agit à ce stade d'une contribution de recherche publiée sur arXiv, sans partenaire industriel ni intégrateur nommé.