RecherchearXiv cs.RO 17 septembre 2026

NanoBench : un jeu de données multitâche pour l'identification, le contrôle et l'estimation d'état des nano-quadrirotors

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

NanoBench est un jeu de données benchmark open-source multitâches consacré aux nano-quadrotors, construit à partir du Crazyflie 2.1, plateforme commerciale de 27 grammes au décollage, testée dans une arène équipée d'un système de capture de mouvement Vicon à précision millimétrique. Le dataset regroupe 172 enregistrements de vol répartis en trois catégories : excitation multi-fréquence, suivi de trajectoires géométriques à trois régimes de vitesse, et vol stationnaire longue durée jusqu'à décharge complète de la batterie. Chaque enregistrement synchronise, par corrélation gyroscopique sur une grille de recherche de 1 milliseconde, la vérité terrain Vicon, les données IMU brutes, les estimations du filtre de Kalman étendu embarqué, les variables internes du contrôleur PID et les commandes PWM des moteurs, échantillonnées à 100 Hz, ainsi que la télémétrie batterie à 10 Hz. Le papier, publié sur arXiv (2603.09908v2, version révisée), définit des protocoles d'évaluation standardisés, des répartitions train/test et des lignes de base open-source pour trois tâches : identification de système non linéaire, benchmarking de contrôleurs en boucle fermée, et évaluation de l'estimation d'état embarquée.

L'enjeu tient au vide identifié dans les benchmarks aériens existants, calibrés sur des véhicules de plusieurs centaines de grammes à quelques kilogrammes et limités à des données d'état de haut niveau. À l'échelle nano, l'aérodynamique à faible nombre de Reynolds, les non-linéarités des moteurs DC sans noyau et les contraintes de calcul embarqué sévères invalident les modèles et contrôleurs conçus pour des drones plus lourds, sans qu'aucun jeu de données public ne permette jusqu'ici de les recaler avec des signaux au niveau actionneur. Selon les auteurs, NanoBench est le premier dataset public à réunir commandes moteurs, variables internes de contrôleur et sorties d'estimateur avec une vérité terrain millimétrique sur une plateforme nano-aérienne commerciale, ce qui en fait une référence potentielle pour la recherche en contrôle et estimation d'état appliquée aux essaims de micro-drones ou à l'inspection en espaces confinés.

Le choix du Crazyflie 2.1 comme plateforme de référence s'explique par son statut de standard de facto dans les laboratoires de robotique aérienne, en raison de son faible coût et de sa large diffusion, ce qui permet une reproductibilité directe des résultats sans matériel propriétaire. La mention "replace" sur arXiv signale une version révisée d'un travail déjà soumis. Les auteurs annoncent la mise à disposition ouverte du dataset complet, des protocoles d'évaluation et des baselines, posant les bases d'une comparaison future des méthodes de modélisation, de contrôle et d'estimation d'état spécifiques aux nano-quadrotors, un segment jusqu'ici sous-desservi par les benchmarks génériques de la robotique aérienne.

Impact France/UE

Aucun acteur européen n'est cite, mais le Crazyflie, plateforme standard dans de nombreux laboratoires de robotique aérienne européens, pourrait bénéficier indirectement de ce benchmark.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

GrandTour : un jeu de données de robotique à pattes en conditions réelles pour la perception multimodale et l'estimation d'état

Des chercheurs publient GrandTour, un jeu de données massif dédié à la perception multimodale et à l'estimation d'état pour robots quadrupèdes, disponible sur grand-tour.leggedrobotics.com au format HuggingFace (indépendant de ROS) ainsi qu'en formats ROS. La plateforme utilisée est un ANYmal-D d'ANYbotics équipé de la charge utile capteurs Boxi, combinant LiDAR rotatif, plusieurs caméras RGB aux caractéristiques complémentaires, capteurs proprioceptifs et caméras de profondeur stéréo, le tout synchronisé temporellement. Les données ont été collectées sur des sites très variés : environnements alpins, forêts, bâtiments démolis et zones urbaines, couvrant une large gamme d'échelles, de conditions d'éclairage et de météo. Point clé pour la fiabilité scientifique : les trajectoires de référence (ground truth) proviennent de GNSS RTK par satellite et d'une station totale Leica Geosystems, offrant une précision de localisation bien supérieure aux méthodes d'estimation embarquées classiques. Selon les auteurs, il s'agit du plus grand jeu de données en accès libre jamais publié pour la robotique à pattes. Ce type de ressource comble un manque criant dans la recherche en robotique légère : jusqu'ici, aucun jeu de données public à grande échelle ne permettait de développer et de comparer rigoureusement des algorithmes de SLAM, d'estimation d'état et de fusion de capteurs pour des quadrupèdes évoluant en conditions réelles, hors laboratoire. Pour les équipes travaillant sur la navigation autonome de robots à pattes, en particulier dans des environnements non structurés (chantiers, sites industriels accidentés, terrains extérieurs), GrandTour offre un benchmark commun et une vérité terrain de précision géodésique, rare dans ce domaine. C'est un signal que la communauté cherche à standardiser l'évaluation des systèmes de perception embarqués, plutôt que de se fier à des démonstrations isolées difficiles à reproduire. Le projet s'inscrit dans la lignée des travaux du Robotic Systems Lab, à l'origine de la plateforme ANYmal, aujourd'hui commercialisée par ANYbotics, acteur suisse reconnu de la robotique quadrupède industrielle aux côtés de Boston Dynamics (Spot) et Unitree. La publication constitue une mise à jour (version 3) d'un article déposé sur arXiv sous la référence 2602.18164. Les auteurs annoncent la mise à disposition d'outils et de ressources de démonstration pour faciliter l'adoption du jeu de données par la communauté SLAM et apprentissage multimodal, sans toutefois préciser de calendrier pour d'éventuelles extensions futures du corpus.

UECe jeu de données en accès libre, issu du Robotic Systems Lab (ETH Zurich) et d'ANYbotics (Suisse), constitue une ressource directement utile aux équipes de recherche françaises et européennes travaillant sur le SLAM et l'estimation d'état pour robots a pattes.

RecherchePaper

1 source

2arXiv cs.RO

Cadre d'apprentissage par tranches pour l'identification en ligne des perturbations dans le contrôle d'attitude SO(3) d'un quadrotor

Des chercheurs ont publié sur arXiv (identifiant 2508.14422, version 4) un framework d'apprentissage géométrique appelé "Sliced Learning", conçu pour l'identification en ligne de perturbations dans le contrôle d'attitude des quadrotors selon le groupe de rotations SO(3). Le coeur du système est le module SANM (Sliced Adaptive-Neuro Mapping), qui décompose le problème d'identification de haute dimension en plusieurs sous-mappings de faible dimension, chacun traité par un réseau de neurones peu profond combiné à des lois adaptatives. Ces composants sont mis à jour en ligne via une adaptation basée sur les fonctions de Lyapunov, à une fréquence de 400 Hz, sur des microcontrôleurs à ressources limitées de type STM32. La convergence exponentielle du système est démontrée mathématiquement malgré des perturbations variables dans le temps et des incertitudes sur les moments d'inertie, et les résultats sont validés par des expériences en conditions réelles. L'intérêt principal de ce travail réside dans la capacité d'adaptation neuronale en temps réel à 400 Hz sur un MCU embarqué classique, un seuil rarement atteint dans la littérature sur le contrôle adaptatif des drones. Contrairement aux approches conventionnelles qui apprennent à partir des états du système, la stratégie "learning-from-error" exploite la représentation d'erreur en algèbre de Lie, ce qui préserve la structure géométrique intrinsèque de SO(3) et autorise une décomposition axiale du problème. Pour les intégrateurs de systèmes drones et les équipes de contrôle embarqué, cela représente un module d'identification de perturbations à la fois léger, interprétable et certifiable sur le plan de la stabilité, trois critères déterminants pour des applications industrielles ou de défense. Le contrôle d'attitude géométrique des quadrotors sur SO(3) est un domaine actif depuis les années 2010, avec des travaux fondateurs de Lee, Leok et McClamroch qui ont formalisé des contrôleurs évitant les singularités des angles d'Euler. L'identification de perturbations en ligne reste un verrou face aux vents, variations de charge et dérives d'inertie, et les approches neuronales existantes sont généralement trop lourdes pour tenir sur MCU embarqué, forçant le recours à des calculateurs plus puissants. Ce travail se positionne dans cet espace de contrainte, avec une validation hardware sur STM32, mais sans annoncer de déploiement commercial ni de partenariat industriel à ce stade, ce qui le situe clairement au niveau de la preuve de concept académique.

RecherchePaper

1 source

3arXiv cs.RO

MUSE : quantification multimodale de l'incertitude dans l'estimation d'état

Une équipe de chercheurs a déposé sur arXiv (référence 2605.17421, mai 2026) un cadre d'apprentissage automatique baptisé MUSE (Multimodal Uncertainty Quantification of State Estimation), conçu pour quantifier en temps réel l'incertitude dans l'estimation d'état visuel. La contribution centrale porte sur l'odométrie visuelle-inertielle (VIO), technique qui fusionne données de caméra et unité de mesure inertielle (IMU) pour localiser un robot sans GPS. MUSE exploite l'architecture Mamba, modèle séquentiel à état discret proposé en 2023 comme alternative efficace aux Transformers, pour traiter plusieurs flux de capteurs asynchrones simultanément. Les expériences ont été conduites sur des jeux de données publics et des données propriétaires ; les auteurs rapportent une fiabilité et une robustesse supérieures aux méthodes existantes, sans fournir dans l'abstract de métriques chiffrées précises permettant une comparaison directe avec l'état de l'art. L'enjeu dépasse la simple précision de localisation : savoir quand ne pas faire confiance à une estimation est aussi critique que l'estimation elle-même. En navigation autonome, en conduite sans conducteur et en vol autonome, une erreur non détectée peut provoquer une collision ou un abandon de mission. Le problème est particulièrement difficile en VIO car la distribution des erreurs est hétéroscédastique (la variance évolue selon les conditions lumineuses, les textures, la vitesse) et multimodale (plusieurs hypothèses de pose simultanément plausibles). Une quantification d'incertitude fiable ouvre la voie à des mécanismes embarqués de détection de défaillance et de dégradation gracieuse, deux capacités très recherchées par les intégrateurs de systèmes autonomes en industrie. L'estimation d'état visuel est un domaine très actif, où filtres de Kalman étendus, graphes de facteurs (GTSAM, g2o) et méthodes neuronales récentes (DPVO, DROID-SLAM) se concurrencent sur des benchmarks standard comme EuRoC ou TUM-VI. Mamba gagne du terrain dans les tâches de séquences longues, et MUSE s'inscrit dans cette tendance en l'appliquant à la fusion sensorielle multi-modale. Aucune affiliation institutionnelle ni partenariat industriel n'est mentionné dans l'abstract, et le papier n'a pas encore été soumis à une revue à comité de lecture confirmée. Les performances annoncées restent donc à valider indépendamment avant toute intégration dans un pipeline de production.

RecherchePaper

1 source

4arXiv cs.RO

UMCP : un réseau collaboratif multitâche unifié pour l'estimation de pose des chariots à bagages

Des chercheurs présentent UMCP (Unified Multi-Task Collaborative Perception network), un réseau de perception conçu pour la collecte robotisée et autonome de chariots à bagages, dans un article publié sur arXiv (2607.17950v1). Le problème visé est concret : dans un aéroport, des robots doivent localiser en continu des chariots dispersés dans des environnements encombrés et changeants, ce qui exige à la fois précision et fonctionnement en temps réel. Jusqu'ici, les systèmes de vision pour cette tâche s'appuyaient sur des chaînes de plusieurs modèles exécutés en cascade (détection, puis points-clés, puis orientation), ce qui allonge la latence d'inférence et alourdit le coût de déploiement. UMCP unifie ces trois tâches, détection du chariot, détection de points-clés et estimation de l'orientation, dans un seul réseau, construit sur l'architecture YOLOv12. Les caractéristiques de points-clés sont fusionnées avec celles d'orientation puis traitées par un module dédié, l'Orientation Feature Enhancement Module (OFEM), et l'orientation est en outre modélisée par une distribution de probabilité circulaire optimisée via une fonction de perte à divergence de Kullback-Leibler. Un site dédié présente les travaux (sites.google.com/view/robot-umcp). Pour l'industrie de la logistique aéroportuaire et robotique, l'intérêt est avant tout d'ordre pratique : remplacer une chaîne de modèles séquentiels par un seul réseau multi-tâches réduit la complexité de calcul et le coût de déploiement embarqué, un facteur décisif pour équiper des robots mobiles à budget de calcul limité. Les auteurs annoncent une précision globale compétitive avec cette approche unifiée, tout en réduisant sensiblement la charge computationnelle par rapport aux méthodes existantes, sans toutefois préciser à ce stade de tests en conditions aéroportuaires réelles à grande échelle. Ce travail s'inscrit dans la tendance plus large de la perception robotique vers des architectures multi-tâches partagées, en s'appuyant sur les avancées récentes de la famille YOLO pour la détection et l'estimation de pose combinées. Il reste, à ce stade, une contribution de recherche académique plutôt qu'un produit déployé : les gains annoncés proviennent de benchmarks internes, et l'étape suivante logique serait une validation sur flotte robotique réelle en environnement aéroportuaire.

RecherchePaper

1 source