RecherchearXiv cs.RO 19 octobre 2026

F-LIVO : un cadre de mesure géométrique au niveau des caractéristiques pour l'odométrie LiDAR-inertielle-visuelle

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

F-LIVO est un cadre d'odométrie LiDAR-inertielle-visuelle (LIVO) à filtre, décrit dans un article déposé sur arXiv (2610.23595v1). Il couple deux sous-systèmes : un module visuel-inertiel et un module LiDAR-inertiel. Le lien entre les deux passe par des contraintes géométriques point-à-plan au niveau des primitives (features), qui relient les points visuels aux plans extraits de la carte LiDAR. Quand la triangulation visuelle est faible, la profondeur d'une primitive visuelle est reconstruite à partir de la carte LiDAR, par ajustement local d'un plan puis intersection rayon-plan. Dans la mise à jour LiDAR, la covariance de chaque résidu point-à-plan est modulée selon la fiabilité planaire locale, ce qui limite les corrections trop confiantes sur des surfaces mal conditionnées. Les auteurs annoncent la plus faible utilisation CPU (moyenne et pic), le plus faible pic de mémoire résidente (RSS) et la plus faible croissance de RSS parmi les implémentations comparées. R2LIVE garde en revanche une RSS moyenne plus basse. Le code sera publié après acceptation.

L'intérêt tient au compromis entre précision et coût de calcul. Beaucoup de systèmes LIVO au niveau mesure associent aux points LiDAR cartographiés des patchs photométriques denses ou des attributs d'apparence, ce qui alourdit le stockage, l'association et la mise à jour de la carte. F-LIVO s'en passe : il n'utilise que des primitives géométriques éparses et garde une carte compacte. Pour un intégrateur qui vise un calculateur embarqué contraint, par exemple sur un AMR, un drone ou un robot mobile, une empreinte CPU et mémoire stable sur la durée compte autant que le score de précision. Les résultats de précision restent toutefois prudents : les auteurs parlent d'une exactitude « compétitive » et « dépendante de la séquence ». Ils ne revendiquent donc pas de gain systématique. Les cas dégradés testés montrent une estimation continue avec une dérive cumulée comparativement faible. Les chiffres détaillés et la configuration matérielle exacte ne figurent pas dans le résumé, et l'avantage en ressources est mesuré « dans la configuration évaluée ». Il faudra donc attendre le code pour une reproduction indépendante.

Cette approche s'inscrit dans la lignée des systèmes de fusion LiDAR-caméra-IMU à filtre, dont R2LIVE, cité comme point de comparaison. Elle se positionne face aux méthodes qui attachent des informations photométriques denses à la carte, plus riches mais plus coûteuses. Les évaluations portent sur plusieurs jeux de données publics. Aucun déploiement industriel ni partenaire commercial n'est mentionné : il s'agit d'un travail de recherche, sans produit ni calendrier. La suite dépend de l'acceptation de l'article et de la publication du code, qui permettra de vérifier les mesures de ressources et la robustesse sur des plateformes réelles.

Impact France/UE

Pas d\'impact direct sur la France/UE

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv 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

2arXiv cs.RO

HandCept : un cadre de fusion visuo-inertielle pour la proprioception précise des mains dextériques

Une équipe de chercheurs a publié sur arXiv en mai 2025 (référence 2505.08213) HandCept, un framework de proprioception visuo-inertielle pour mains dextres robotiques. Le système combine une caméra RGB-D montée au poignet et des IMU à 9 axes (accéléromètre, gyroscope, magnétomètre) pour estimer les angles articulaires en temps réel, via un filtre de Kalman étendu (EKF) sans latence ajoutée. Les erreurs d'estimation se situent entre 2° et 4° sur les angles articulaires, sans dérive observable sur la durée, surpassant selon les auteurs les approches purement visuelles ou purement inertielles. L'approche repose sur un apprentissage zero-shot, sans données réelles annotées, rendu possible par un pipeline de rendu photoréaliste haute fidélité sous Blender, publié en open-source sur GitHub. La proprioception, c'est-à-dire la capacité d'une main robotique à connaître précisément la position de ses propres doigts, reste l'un des verrous techniques de la manipulation dextre généraliste. Les encodeurs magnétiques et capteurs de force embarqués dans des mains multi-DOF imposent des contraintes de volume, de câblage et de calibration souvent incompatibles avec un déploiement à l'échelle. HandCept contourne ces limites en s'appuyant sur des capteurs déjà présents dans de nombreuses plateformes humanoïdes ou cobots, et la fusion EKF temps réel réduit le fossé sim-to-real, point critique pour accélérer le déploiement de politiques d'imitation learning ou de VLA (Vision-Language-Action) apprises en simulation. La précision annoncée de 2 à 4° reste toutefois à contextualiser: les résultats sont issus de conditions de laboratoire contrôlées et le papier n'a pas encore été évalué par les pairs. La course à la manipulation dextre s'est intensifiée en 2024-2025 avec des mains à haute densité d'actionneurs chez Figure (Figure 03), Sanctuary AI, Physical Intelligence (pi0), ou encore LEAP Hand côté recherche ouverte. La précision proprioceptive conditionne directement les performances de ces architectures. HandCept reste à ce stade un résultat de laboratoire: les auteurs n'annoncent ni partenaire industriel, ni timeline de commercialisation, ni intégration sur une plateforme humanoïde spécifique. Le pipeline Blender open-sourcé constitue néanmoins une contribution tangible pour la communauté, en facilitant la génération de données synthétiques pour d'autres équipes travaillant sur des architectures similaires sans accès à un système de capture de mouvement coûteux.

RecherchePaper

1 source

3arXiv cs.RO

Analyse d'observabilité et calibration en ligne de l'odométrie visuelle-inertielle-roues pour robots mobiles 4WIS4WID

Une nouvelle prépublication arXiv (v1, non évaluée par les pairs) décrit un cadre d'odométrie visuelle-inertielle-roues (VIWO) avec calibration en ligne, conçu pour les robots mobiles à quatre roues indépendamment directrices et motrices (4WIS4WID). Les auteurs dérivent un modèle d'odométrie 2D directement à partir des quatre vitesses d'entraînement et des quatre angles de braquage, en combinant les contraintes de roulement longitudinal et de non-glissement latéral de chaque roue. Ils développent aussi un modèle de préintégration et des jacobiens analytiques, afin de rendre le filtrage et la calibration efficaces. La validation repose sur des simulations et sur des essais réels avec un robot 4WIS4WID. L'abstract ne fournit ni erreur de positionnement, ni durée d'essai, ni nom de plateforme, ni comparaison chiffrée avec d'autres méthodes. L'apport principal est théorique, mais il touche un point sensible de la mobilité industrielle. Les bases 4WIS4WID, très manœuvrantes et capables de déplacements latéraux ou diagonaux, équipent de nombreux AMR et manipulateurs mobiles. Leurs décalages de braquage, rarement connus avec précision, dégradent l'odométrie. L'analyse d'observabilité montre qu'un modèle utilisant seulement les vitesses d'entraînement rend tous les décalages de braquage inobservables. Le modèle redondant proposé, qui exploite aussi le non-glissement latéral, les rend observables. Les auteurs identifient quatre directions inobservables classiques des systèmes visuels-inertiels et trois directions supplémentaires liées au placement arbitraire du repère d'odométrie. Il reste treize paramètres intrinsèques de roues à calibrer. Ils précisent aussi les mouvements dégénérés (vitesse de lacet nulle, braquage constant, roue qui ne roule pas) et les conditions d'excitation correspondantes. Pour un intégrateur, cela définit des trajectoires de calibration à exécuter en production et des situations où l'estimation devient peu fiable. Faute de métriques publiées dans le résumé, le gain réel en précision reste à confirmer à la lecture de l'article complet. Ce travail s'inscrit dans la lignée de la fusion visuelle-inertielle (VINS) étendue aux capteurs de roues, déjà étudiée pour les bases différentielles ou de type voiture, bien plus que pour les architectures à braquage indépendant. Il comble un vide à mesure que ces plateformes se généralisent dans les entrepôts et les usines. Aucun acteur commercial, aucun calendrier de déploiement ni aucune publication de code ne sont mentionnés dans l'abstract. Les prochaines étapes probables sont des évaluations sur davantage de plateformes, des comparaisons avec des méthodes de référence et une éventuelle intégration dans les piles de navigation open source.

UEPas d\'impact direct sur la France/UE

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