RecherchearXiv cs.RO 4 septembre 2026

TRaIL-Odom : odométrie radar-IMU-LiDAR à couplage étroit en temps continu avec pondération Doppler adaptative

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Un preprint publié le 4 septembre 2026 sur arXiv (2609.03561) présente TRaIL-Odom, un système d'odométrie à couplage étroit combinant radar, centrale inertielle et LiDAR en temps continu. Le code et un jeu de données associé sont disponibles en accès libre sur GitHub, sous le compte ChiyunNoh. La méthode introduit deux modules de repondération adaptative du Doppler radar: une repondération point par point, qui ajuste chaque contrainte Doppler selon son alignement avec les directions de translation mal contraintes par la géométrie LiDAR, et un ajustement global par scan fondé sur l'anisotropie géométrique du nuage LiDAR, qui renforce la contribution du radar quand le LiDAR est peu fiable et l'atténue sinon. Sur 13 séquences testées, TRaIL-Odom obtient les meilleures performances globales de la comparaison. Sur trois séquences géométriquement dégénérées utilisées en ablation, la combinaison des deux modules réduit l'erreur RMSE de trajectoire absolue (ATE) de 86,0% et l'erreur relative (RTE) de 78,5% par rapport à une pondération fixe.

Le problème visé est connu du secteur: la plupart des méthodes de fusion radar-LiDAR utilisent des poids fixes, alors que l'information exploitable du Doppler radar et de la géométrie LiDAR varie selon le scan et la direction, ce qui disperse mal l'information radar entre les axes de translation. Pour les intégrateurs de robots mobiles autonomes, de véhicules ou de drones opérant dans des environnements géométriquement pauvres (longs couloirs, tunnels, zones sans relief exploitable par le LiDAR), le résultat montre qu'une pondération consciente de la dégénérescence améliore nettement la robustesse de localisation sans capteur supplémentaire, par le seul traitement logiciel de données déjà disponibles. Il conforte l'idée que la fusion radar-LiDAR reste pertinente pour compenser les angles morts du LiDAR seul, notamment en conditions dégradées où le radar conserve un signal Doppler exploitable.

Ce travail s'inscrit dans la lignée des systèmes d'odométrie multi-capteurs qui combinent la précision géométrique du LiDAR et la mesure directe de vitesse du radar, pour limiter la dérive des approches purement LiDAR-inertielles dans les scènes dégénérées. Il s'agit d'une contribution de recherche académique publiée en preprint, sans affiliation industrielle ni déploiement en conditions réelles mentionnés à ce stade, ni intégration chez un fabricant de robots. La publication du code et d'un jeu de données propre sur GitHub vise des comparaisons reproductibles avec les futures méthodes de fusion radar-LiDAR-IMU, dans un domaine où les benchmarks standardisés en environnements géométriquement dégénérés restaient jusqu'ici limités.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv 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

2arXiv cs.RO

TRACE : odométrie proprioceptive apprise pour robots à pattes en conditions de contact imprévisibles

TRACE (Tokenized Robust Attention for Contact-Aware Estimation) est un estimateur d'odométrie proprioceptive entièrement appris pour robots à pattes, conçu pour rester fiable quand les contacts au sol sont incertains. À partir d'un historique récent de mesures inertielles et articulaires embarquées, il prédit directement le déplacement relatif, la rotation relative et la vitesse en référentiel du corps, grâce à un module d'attention croisée qui pondère les signaux IMU et les données cinématiques par patte sans seuils de contact ou de glissement définis manuellement. L'entraînement combine supervision directe, pertes auxiliaires physiques, randomisation de politique en simulation et fine-tuning partiel sur données réelles. Sur des terrains variés, intérieurs et extérieurs, la dérive de position recule nettement face aux filtres classiques, aux approches hybrides et aux méthodes purement apprises. L'odométrie proprioceptive est essentielle à la navigation des robots à pattes quand la vision ou le GPS deviennent peu fiables (poussière, obscurité, terrain instable), un cas fréquent en inspection industrielle ou en intervention. Les filtres classiques dépendent d'une détection de contact au sol explicite, point faible dès qu'un pied glisse ou trébuche. En remplaçant ces seuils fixes par une pondération apprise des signaux, TRACE cible un angle mort connu des pipelines actuels de localisation. Pour les intégrateurs de robotique de terrain, une odométrie plus robuste aux contacts incertains améliore la fiabilité de la localisation sans changement matériel, purement par le logiciel embarqué. Le travail s'inscrit dans la lignée des approches cherchant à dépasser les filtres de Kalman étendus et la détection de contact binaire, à mesure que les politiques de marche apprises par renforcement rendent les dynamiques de contact plus variées et plus difficiles à modéliser par des règles fixes. TRACE répond à ce problème de généralisation en s'entraînant sur des politiques randomisées plutôt que sur une seule démarche fixe, limitant ainsi le surapprentissage documenté dans d'autres travaux d'odométrie apprise. Des études d'ablation confirment l'apport de chaque perte auxiliaire, de la randomisation et du fine-tuning réel. Publiée sur arXiv (2608.05975), sans plateforme commerciale ni partenaire industriel cité, la contribution reste pour l'instant méthodologique plutôt qu'un système prêt à déployer.

RecherchePaper

1 source

3arXiv cs.RO

Extension du calibrage LiDAR-IMU à contrainte de sol aux surfaces inclinées dans un cadre à temps continu

Une équipe de chercheurs propose une nouvelle méthode de calibration LiDAR-IMU sans cible pour véhicules terrestres, capable de fonctionner sur des surfaces inclinées et pas seulement sur sol plat. Le papier, publié en préprint sur arXiv (référence 2608.25135v1), part d'un problème connu du calibrage: pour aligner correctement un LiDAR et une centrale inertielle (IMU), le système doit être soumis à une excitation complète de mouvement, condition rarement remplie par un robot terrestre qui roule surtout à plat, générant un mouvement planaire dégénéré. Les méthodes actuelles contournent ce problème avec des résidus qui supposent que le vecteur de gravité est colinéaire à la normale de la surface physique, ce qui ne fonctionne que si le sol est plat. Les auteurs introduisent des résidus de plan au sol qui abandonnent cette hypothèse, rendant la calibration valide pour un mouvement planaire sur une surface inclinée. La méthode a été testée sur un véhicule Husky, sur le jeu de données public M2DGR ainsi que sur un jeu de données de véhicule tout-terrain, avec code et expériences publiés en open source sur GitHub (vkorotkine/licalibtiltedground). Pour les intégrateurs de robots mobiles autonomes (AMR) et véhicules terrestres, cette avancée réduit une contrainte opérationnelle concrète: jusqu'ici, calibrer un rig LiDAR-IMU exigeait des manœuvres artificielles d'excitation ou l'hypothèse d'un terrain parfaitement plat, un scénario peu réaliste hors entrepôt. Étendre la calibration aux surfaces inclinées ouvre la voie à des déploiements plus fiables sur chantiers, terrains agricoles ou sites miniers, où le sol présente des pentes ou irrégularités. Les résultats montrent une répétabilité améliorée à la fois en conditions inclinées et sur sol plat, avec un gain particulièrement marqué sur terrain incliné, ce qui suggère que la méthode ne dégrade pas les performances dans le cas standard tout en résolvant le cas dégénéré. Ce travail s'inscrit dans la lignée des méthodes de calibration extrinsèque sans cible pour capteurs embarqués sur véhicules à mouvement contraint, un sujet actif en robotique mobile et cartographie SLAM. Il reste à ce stade un résultat académique en accès libre, non intégré à un produit commercial, mais son caractère open source facilite une adoption rapide par les équipes de perception travaillant sur des flottes de robots ou véhicules autonomes tout-terrain.

RecherchePaper

1 source

4arXiv cs.RO

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

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.

RecherchePaper

1 source