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

Odométrie visuelle-inertielle pour robots terrestres avec calibration extrinsèque dynamique caméra-IMU

Des chercheurs proposent, dans une version révisée d'un article déposé sur arXiv, une méthode d'odométrie visuelle-inertielle (VIO) pour robots terrestres qui lève l'hypothèse d'une caméra et d'une centrale inertielle (IMU) fixées rigidement l'une à l'autre. Leur approche estime en ligne les paramètres extrinsèques variables dans le temps, c'est-à-dire la position et l'orientation relatives de la caméra par rapport à l'IMU. Elle repose sur la convention de Denavit-Hartenberg, qui décrit une chaîne articulée par des paramètres géométriques standardisés, et intègre le modèle cinématique du robot. Une initialisation en deux étapes estime d'abord les angles articulaires initiaux, ce qui fournit un point de départ fiable à l'optimisation des paramètres extrinsèques. La validation se limite à des simulations. Les auteurs affirment que le cadre absorbe les variations d'extrinsèques tout en gardant une précision de localisation « compétitive ». Le résumé ne donne aucun chiffre d'erreur, aucune comparaison nommée et aucun test sur robot réel. L'enjeu est pratique. La plupart des systèmes VIO calibrent les extrinsèques une fois pour toutes, puis les figent. Cela devient problématique dès que le capteur est monté sur un mât télescopique, un bras, une tourelle ou un cou articulé, ce qui est courant sur les robots d'inspection, les plateformes mobiles manipulatrices et certains humanoïdes ou quadrupèdes. Exploiter la cinématique connue plutôt que d'estimer une transformation arbitraire réduit le nombre d'inconnues, donc potentiellement la dérive. Pour un intégrateur, c'est une piste crédible pour garder une localisation fiable quand la tête capteur bouge. Faute de métriques publiées et de données réelles, la robustesse face au bruit, aux jeux mécaniques et aux erreurs de synchronisation reste entièrement à démontrer. L'écart entre simulation et réalité est ici le principal point d'interrogation. Ce travail s'inscrit dans la lignée des cadres VIO fondés sur l'optimisation ou le filtrage, comme VINS-Mono, OKVIS ou OpenVINS. Ceux-ci proposent déjà l'auto-calibration en ligne, mais le plus souvent pour des extrinsèques supposés constants ou lentement variables. L'intégration explicite d'une chaîne cinématique est l'apport distinctif revendiqué. La suite logique serait une validation sur matériel, avec des jeux de données publics ou un robot instrumenté, et une comparaison chiffrée avec ces références. Aucun calendrier, partenaire industriel ni déploiement n'est annoncé à ce stade.

RecherchePaper

1 source

2arXiv 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

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

4arXiv 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