RecherchearXiv cs.RO 7 août 2026

KILVO : odométrie kinématique, inertielle, LiDAR et visuelle avec adaptation multimodale robuste pour robots humanoïdes

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs publient KILVO (Kinematic-Inertial-LiDAR-Visual Odometry), un système de localisation pour robots humanoïdes qui combine quatre capteurs déjà présents sur ces plateformes : encodeurs articulaires, centrale inertielle (IMU), LiDAR et caméra. L'architecture repose sur un filtre de Kalman itéré à état d'erreur (ESIKF) hybride, à la fois asynchrone et séquentiel. Les données inertielles servent à la prédiction, la cinématique des jambes est traitée de façon asynchrone à haute fréquence pour fournir des contraintes proprioceptives, tandis que les données extéroceptives sont intégrées séquentiellement : d'abord les points LiDAR pour des a priori géométriques, puis la caméra via des erreurs photométriques. Un module compact d'estimation de contact au sol vient compléter l'estimation d'état sans capteur supplémentaire. Le système, conçu pour tolérer la dégradation ou la perte de capteurs grâce à une adaptation multimodale, a été testé sur des jeux de données publics et en conditions réelles, sur plusieurs robots humanoïdes, démarches et scénarios. Le code et les jeux de données sont publiés sur GitHub (arXiv:2608.05647, prépublication non encore évaluée par les pairs).

L'odométrie reste un verrou pour l'autonomie des humanoïdes hors laboratoire : contrairement aux robots à roues, la marche bipède introduit glissements, impacts et vibrations qui dégradent vite les estimations purement inertielles ou visuelles. En fusionnant systématiquement quatre modalités déjà embarquées plutôt qu'en ajoutant du matériel, KILVO répond à une contrainte concrète pour les intégrateurs : coût et poids supplémentaires nuls. La robustesse revendiquée face à la dégradation d'un capteur, LiDAR occulté, caméra en contre-jour ou IMU bruitée, touche directement à l'écart entre démonstration en environnement contrôlé et déploiement réel, point sur lequel le secteur reste prudent malgré les annonces répétées de marche omniterrain. Une brique de localisation fiabilisée conditionne ensuite des fonctions en aval comme la navigation, la cartographie ou la manipulation mobile.

L'odométrie visuo-inertielle et l'odométrie LiDAR sont des briques matures en robotique mobile classique, mais leur transposition aux humanoïdes reste récente : la marche bipède complique l'exploitation de la cinématique comme source proprioceptive fiable, contrairement aux robots à pattes quadrupèdes, mieux documentés sur ce plan. KILVO s'inscrit dans cette lignée de travaux de fusion capteurs pour la locomotion à pattes, en revendiquant une précision et une cadence de sortie compétitives face aux méthodes de l'état de l'art. La publication du code et des jeux de données sur GitHub vise une adoption par la communauté robotique, dans un contexte où plusieurs laboratoires et fabricants d'humanoïdes cherchent à standardiser leurs piles de perception et de localisation à mesure que les premiers pilotes de déploiement se multiplient.

Dans nos dossiers

arXiv cs.RO

À lire aussi

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

2arXiv 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

3arXiv cs.RO

PRIME : estimation inertielle et de mouvement physiquement cohérente pour robots à pattes et humanoïdes

Une équipe de chercheurs a présenté PRIME (Physically-consistent Robotic Inertial and Motion Estimation), une méthode d'estimation de mouvement pour robots à pattes et humanoïdes publiée sur arXiv en mai 2026 (arXiv:2605.17681). Là où les pipelines conventionnels basés sur des filtres de Kalman étendus (EKF) ou la capture de mouvement externe ne reconstruisent que la cinématique, PRIME formule le problème comme une estimation MAP (Maximum A Posteriori) qui raffine simultanément les données proprioceptives brutes et les commandes des actionneurs pour produire une trajectoire dynamiquement cohérente. L'algorithme estime conjointement les forces de contact frictionnelles et les paramètres inertiels du robot (masses, centres de masse, moments d'inertie), via une modélisation différentiable de la dynamique de contact avec contraintes de complémentarité lissées et un modèle de friction d'Anitescu. Les validations ont été conduites sur des robots quadrupèdes et sur l'humanoïde Unitree G1, lors de séquences de locomotion à contacts multiples en déploiement réel. Le problème abordé est structurel : les pipelines de perception robotique actuels ignorent les forces de contact et les paramètres inertiels effectifs du système, ce qui entraîne des reconstructions qui violent régulièrement la dynamique des corps rigides, en particulier lors des phases de contact. Cette incohérence dégrade la qualité des données d'entraînement et limite la robustesse des contrôleurs en boucle fermée. PRIME produit des reconstructions de mouvement annotées en forces et contacts directement depuis des robots en déploiement terrain, sans infrastructure de laboratoire. Pour les équipes qui développent des modèles de fondation robotiques ou des architectures Visual-Language-Action (VLA), cette capacité représente une source de données haute qualité exploitable à grande échelle, là où la rareté d'annotations dynamiques fiables reste un goulot d'étranglement reconnu. L'estimation d'état pour robots à pattes est un problème ancien, historiquement traité par EKF couplés à la proprioception, la capture de mouvement restant cantonnée aux laboratoires. PRIME se distingue en proposant une solution embarquée et déployable en conditions réelles, sans dépendance à une infrastructure externe. L'humanoïde Unitree G1, commercialisé autour de 16 000 dollars et très présent dans la recherche académique mondiale, sert de banc de validation représentatif. Dans un contexte où Boston Dynamics, Figure AI, Agility Robotics, 1X et Unitree accumulent des données de déploiement pour alimenter leurs pipelines d'apprentissage, PRIME propose une brique méthodologique transversale pour enrichir ces corpus avec des annotations dynamiques fiables. Les applications naturelles incluent l'imitation learning, le transfert sim-to-real et l'entraînement de modèles de fondation à partir de données terrain.

UELes équipes de recherche européennes en locomotion robotique (INRIA, LAAS-CNRS) pourraient exploiter PRIME pour enrichir leurs pipelines d'entraînement sans infrastructure de laboratoire, mais aucun acteur ou institution européen n'est directement impliqué.

RecherchePaper

1 source

4arXiv cs.RO

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

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.

RecherchePaper

1 source