VeloBins : vitesse et incertitude estimées par classes et gaussiennes liées à l'erreur, en odométrie inertielle aérienne

Un article déposé sur arXiv sous la référence 2608.29720v1 présente VeloBins, une méthode d'odométrie inertielle pour drones qui traite l'estimation de la vitesse comme une classification sur des intervalles de vitesse discrétisés plutôt que comme une régression. La vitesse est déduite de l'espérance de cette distribution et l'incertitude de sa variance, ce qui évite un second décodeur dédié à l'incertitude ; celle-ci est en outre supervisée par une étiquette gaussienne centrée sur la vitesse réelle, dont l'écart-type égale l'erreur mesurée. Testée sur quatre jeux de données aériens, des vols acrobatiques en trajectoire libre à un nano-quadricoptère de 27 grammes et des courses de drones à plus de 21 m/s, la méthode réduit l'erreur de vitesse de 3 à 27 %, l'erreur de trajectoire relative de 8 à 40 % et l'erreur de trajectoire absolue de 6 à 53 % par rapport à la meilleure référence testée. Le code ne sera publié qu'après acceptation de cette prépublication, non encore revue par les pairs.

Pour les concepteurs de systèmes de navigation embarqués, ce travail répond à un problème concret : les caméras perdent en fiabilité lors de manœuvres agressives ou en faible luminosité, rendant l'IMU indispensable sur les drones de course et les nano-drones à charge utile minimale. Le résultat le plus notable porte sur l'incertitude : le modèle atteint la meilleure cohérence dans un filtre de Kalman étendu et la plus faible log-vraisemblance négative, sans jamais optimiser directement de perte NLL, contrairement aux méthodes concurrentes bâties autour de ce critère. Cela suggère qu'une supervision indirecte calibre mieux l'incertitude que l'optimisation directe jusqu'ici jugée nécessaire, un point utile pour toute équipe concevant une fusion capteurs fiable en environnement sans GPS.

Les méthodes classiques d'odométrie inertielle intègrent directement les mesures de l'IMU et dérivent rapidement sous l'effet du bruit accumulé. Les approches récentes par apprentissage corrigent ce défaut en fusionnant des a priori de mouvement appris dans un filtre de Kalman étendu, mais peinent à estimer une incertitude fiable sans décodeur séparé ni perte NLL, complexité que VeloBins vise justement à éliminer. L'article ne précise pas l'affiliation des auteurs, et le code ne sera diffusé qu'après acceptation, ce qui situe ce travail au stade de la recherche plutôt que du produit déployé.