Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
Estimation en temps réel du vecteur normal au sol pour la cartographie 3D mobile sphérique par odométrie LiDAR-inertielle
RecherchearXiv cs.RO 

Estimation en temps réel du vecteur normal au sol pour la cartographie 3D mobile sphérique par odométrie LiDAR-inertielle

1 source couvre ce sujet·Source originale ↗·
Résumé IASource uniqueImpact UE

Des chercheurs proposent deux méthodes basées sur RANSAC pour estimer en temps réel le vecteur normal du sol dans les systèmes de cartographie mobile sphérique (SMMS), ces dispositifs 3D dont le capteur subit de fortes rotations. La première travaille scan par scan, avec un score sur les vecteurs normaux et une validation en plusieurs étapes. La seconde s'appuie sur l'odométrie LiDAR-inertielle (LIO) et estime le plan du sol à partir d'une carte 3D globale. Les deux ont été testées sur plusieurs jeux de données réels, et comparées à une vérité terrain issue d'un scanner laser terrestre. L'étude, publiée sur arXiv (2610.28701), ne donne pas de chiffres précis dans son résumé.

Selon les auteurs, l'estimation fondée sur la LIO est nettement plus précise et plus robuste que l'approche mono-scan. Intégrer la normale du sol dans le modèle de mouvement améliore aussi l'estimation de pose. Pour les intégrateurs et les équipes qui déploient de la cartographie mobile ou de la navigation autonome, c'est un gain concret. Les rotations rapides et la faible portion de sol visible sont les principales sources de dérive de ces capteurs. Le résultat vaut surtout pour les environnements difficiles ou dangereux, comme les sites industriels, les mines ou les zones sinistrées, où l'on veut limiter l'intervention humaine. Le résumé ne précise pas les gains chiffrés, les temps de calcul ni la diversité exacte des scènes. La mention « temps réel » devra donc être vérifiée dans l'article complet.

Cette étude s'inscrit dans une tendance connue de la SLAM LiDAR-inertielle : exploiter des contraintes géométriques, ici le sol, pour réduire la dérive. Les systèmes sphériques ou rotatifs, plus légers que les scanners fixes, compliquent cette tâche, car le champ de vue change sans cesse. Il s'agit d'un travail de recherche, sans produit commercial ni pilote annoncé. Les prochaines étapes probables sont la publication de code ou de jeux de données, des comparaisons avec les cadres LIO existants et des essais sur des plateformes robotiques de terrain.

Impact France/UE

Pas d\'impact direct sur la France/UE

Dans nos dossiers

arXiv cs.RO

À lire aussi

NeuRIO : un estimateur neuronal en flux pour l'odométrie inertielle relative multi-robots, du simulateur au réel sans réentraînement
1arXiv cs.RO 

NeuRIO : un estimateur neuronal en flux pour l'odométrie inertielle relative multi-robots, du simulateur au réel sans réentraînement

Des chercheurs ont présenté NeuRIO, un estimateur neuronal en flux continu pour l'odométrie inertielle relative entre robots, sans ancre ni infrastructure externe, à partir de mesures de gisement et de distance entre robots et de centrales inertielles (IMU). Le système aligne les mesures sur la gravité et modélise chaque robot comme un nœud d'un réseau de graphes, combinant attention pour le raisonnement spatial et réseaux GRU pour la dynamique temporelle. Entraîné uniquement en simulation, avec des mouvements variés et des bruits de capteurs réalistes, il transfère en zero-shot vers le réel : sur 24 séquences réelles, l'erreur RMSE atteint 14,1 cm en position et 3,9 degrés en rotation, avec un coût de calcul sous 20 millisecondes jusqu'à 400 robots simulés, contre plus de 20 ms dès 24 robots pour les méthodes d'optimisation classiques. Ce résultat vise un verrou concret pour les essaims de robots et les flottes coordonnées, drones, AMR d'entrepôt ou robots mobiles multiples, où l'estimation de position relative sans GPS ni balises devient un goulot d'étranglement quand le nombre d'agents augmente, les méthodes d'optimisation classiques voyant leur coût calculatoire exploser. Qu'un réseau entraîné sur des équipes limitées se généralise directement à des flottes bien plus grandes, sans changement d'architecture ni réentraînement, est le résultat le plus significatif : il suggère qu'une approche neuronale scalable peut remplacer les pipelines d'optimisation pour la coordination d'essaims à grande échelle, un argument utile pour intégrateurs et chercheurs en robotique multi-agents. Il conforte aussi l'idée qu'un entraînement massif en simulation bien conçu peut se substituer à la collecte de données réelles pour ce type de tâche de perception. L'odométrie inertielle relative multi-robots reposait jusqu'ici sur des méthodes d'optimisation basées sur des graphes de facteurs, précises mais peu scalables au-delà de quelques dizaines d'agents, ou sur des systèmes dépendant d'ancres et d'infrastructures de positionnement externes. NeuRIO s'inscrit dans la tendance des estimateurs neuronaux appliqués à la navigation et à la fusion de capteurs, en exploitant la capacité des réseaux de graphes à traiter un nombre variable de nœuds et des topologies d'observation changeantes dans le temps. Publié en septembre 2026 sur arXiv, ce travail reste une contribution de recherche, validée sur 24 séquences réelles et des simulations jusqu'à 400 robots, sans intégration annoncée dans un produit commercial. Les suites attendues incluent des essais sur des flottes réelles plus nombreuses et une intégration dans des piles de navigation complètes pour la coordination d'essaims.

RecherchePaper
1 source
LIN-SLAM : SLAM neuronal léger LiDAR-inertiel pour la navigation embarquée en temps réel
2arXiv cs.RO 

LIN-SLAM : SLAM neuronal léger LiDAR-inertiel pour la navigation embarquée en temps réel

LIN-SLAM, présenté sur arXiv (2610.21199), est une méthode de cartographie et localisation simultanées (SLAM) qui couple une estimation géométrique LiDAR-inertielle à haute cadence avec un backend neuronal implicite pour le suivi, la cartographie continue et le raffinement global. Les auteurs l'évaluent sur douze séquences issues de trois jeux de données, couvrant des LiDAR à 32, 64 et 128 canaux. Ils annoncent l'erreur de trajectoire absolue (ATE) moyenne la plus faible parmi les méthodes géométriques et neuronales de l'état de l'art comparées, avec un temps de calcul nettement inférieur à celui des SLAM neuronaux existants. Le test embarqué utilise un chien robot Unitree Go2 équipé d'un NVIDIA Jetson Orin NX et d'un LiDAR 16 canaux. Le système y maintient la localisation et la cartographie neuronale en temps réel sur 1,47 km de trajectoire en intérieur, dans des couloirs répétitifs, avec une erreur de fermeture de boucle de 0,141 m en fin de parcours. Cette combinaison vise un compromis que le secteur peine à tenir. Les SLAM LiDAR-inertiels géométriques sont rapides et robustes, mais ils produisent des cartes discrètes et offrent peu de raffinement global. Les approches neuronales implicites donnent des cartes continues et plus précises, mais leur coût de calcul les confine le plus souvent à des GPU de bureau ou à du traitement différé. Si les résultats se confirment, une carte neuronale exploitable en ligne sur un module Jetson de classe embarquée intéresse directement les fabricants de robots mobiles, de robots quadrupèdes d'inspection et d'AMR (robots mobiles autonomes), qui visent une navigation fiable sans serveur déporté. Quelques réserves s'imposent : la validation embarquée repose sur une seule trajectoire intérieure, la revendication d'être le premier système de ce type reste celle des auteurs, et le code ne sera publié qu'après acceptation de l'article, ce qui empêche pour l'instant toute reproduction indépendante. Le résumé ne précise pas non plus les temps de calcul chiffrés ni la consommation. Ce travail s'inscrit dans la lignée des SLAM neuronaux implicites, qui ont montré leur précision mais ont longtemps pesé sur les ressources de calcul, face aux références géométriques LiDAR-inertielles, plus légères mais moins riches en représentation. Le choix du Go2, plateforme quadrupède grand public très répandue en recherche, et du Jetson Orin NX facilite la comparaison et la reproductibilité future. Les prochaines étapes à surveiller sont la publication du code, des tests en extérieur et sur de plus longues durées, des mesures de latence et de consommation sur la cible embarquée, ainsi qu'une comparaison avec les piles de navigation déjà intégrées par les constructeurs.

RecherchePaper
1 source
F-LIVO : un cadre de mesure géométrique au niveau des caractéristiques pour l'odométrie LiDAR-inertielle-visuelle
3arXiv cs.RO 

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

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.

UEPas d\'impact direct sur la France/UE

RecherchePaper
1 source
Cartographie volumétrique à résolution hiérarchisée pour la planification et la cartographie simultanées en temps réel en milieu naturel extérieur
4arXiv cs.RO 

Cartographie volumétrique à résolution hiérarchisée pour la planification et la cartographie simultanées en temps réel en milieu naturel extérieur

Des chercheurs proposent une cartographie volumétrique à résolution étagée (« tiered-résolution ») pour les robots qui planifient et cartographient en temps réel, testée sur des terrains naturels extérieurs. Le système intègre les données LiDAR dans une seule structure de carte, à deux résolutions simultanées : fine dans un corridor autour de la trajectoire que le robot envisage de suivre, grossière partout ailleurs. Évalué sur deux jeux de données réels collectés en téléopération, rejoués puis notés hors ligne contre une carte de référence indépendante en pleine résolution, il produit des cartes 13 à 15 fois plus compactes qu'une carte uniformément fine, avec un temps CPU d'intégration 6 à 8 fois inférieur. Le coût par mètre des chemins générés reste proche de celui obtenu avec la carte fine, dans les deux scénarios. À l'inverse, une carte uniformément grossière offre le même gain de taille, mais le coût par mètre bondit de 210 % sur le scénario le plus difficile. L'intérêt tient à la rupture avec l'architecture classique, où le planificateur consomme la carte sans jamais lui répondre. Ici, le plan en cours indique à la cartographie où dépenser sa résolution, ce qui ferme la boucle entre perception et planification. Le constat est simple : l'essentiel du coût d'une carte volumétrique va à l'intégration et au stockage de détails fins dans des zones que le planificateur n'utilisera jamais. Pour les intégrateurs de robots mobiles tout-terrain (agriculture, forêt, inspection, défense), un gain de 6 à 8 fois en CPU peut libérer du budget de calcul embarqué ou autoriser du matériel moins coûteux et moins gourmand en énergie. Les résultats montrent aussi que la grossièreté n'est pas inoffensive : sur-discrétiser un terrain que le robot doit franchir dégrade fortement les trajectoires, d'où l'intérêt d'une résolution adaptée au plan plutôt que réduite partout. Il faut toutefois nuancer la portée. L'évaluation repose sur deux jeux de données seulement, collectés en téléopération et rejoués hors ligne : le robot ne s'est donc pas déplacé de façon autonome sur la base de ces cartes, et aucun test en boucle fermée sur plateforme réelle n'est rapporté. Le travail s'inscrit dans la lignée des cartes volumétriques hiérarchiques de type octree, comme OctoMap, et des approches multirésolution de la cartographie robotique, dont il reprend l'idée en la pilotant par la trajectoire. Les prochaines étapes logiques sont des essais en navigation autonome embarquée, avec replanification continue, et une comparaison à d'autres représentations efficaces en mémoire. Il s'agit d'un preprint arXiv (v1), non évalué par les pairs.

UEPas d\'impact direct sur la France/UE

RecherchePaper
1 source