Aller au contenu principal
Estimation d'état embarquée pour drones en vol rapide sans système de localisation externe : l'approche d'un finaliste de l'A2RL Drone Racing
RecherchearXiv cs.RO 

Estimation d'état embarquée pour drones en vol rapide sans système de localisation externe : l'approche d'un finaliste de l'A2RL Drone Racing

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

Une équipe de recherche présente une méthode d'estimation d'état embarquée pour drone rapide, qui n'utilise qu'une caméra RGB monoculaire et une centrale inertielle (IMU), sans GNSS ni système de localisation externe. L'approche fusionne trois sources : l'odométrie visuo-inertielle (VIO), un système embarqué de mesure par repères visuels (landmarks) et l'IMU. Son apport principal est un modèle mathématique de la dérive de la VIO, estimé à partir des mesures de bord puis compensé. Contrairement aux méthodes qui corrigent surtout la position, celle-ci rectifie l'ensemble des états VIO : position, orientation, vitesse linéaire et vitesse angulaire. Les auteurs affirment l'avoir validée par 1600 simulations et de nombreux essais réels. Ils l'ont aussi engagée dans l'A2RL Drone Racing Challenge 2025, où leur équipe a atteint le dernier carré parmi 210 équipes et décroché une médaille. Le résumé ne donne ni vitesse maximale, ni erreur moyenne, ni gain chiffré face aux méthodes concurrentes, ce qui empêche pour l'instant d'évaluer l'ampleur de l'amélioration.

L'intérêt tient à la configuration matérielle. Les systèmes de pointe en vol agressif s'appuient souvent sur des caméras stéréo ou des télémètres, plus lourds, plus coûteux et plus gourmands en calcul. Les auteurs soutiennent que les vitesses et vitesses angulaires de la VIO, laissées sans correction, génèrent des erreurs précisément pendant les manœuvres rapides. Si leur modèle de dérive tient ses promesses hors des conditions de course, il ouvre la voie à des drones plus légers et moins chers pour l'inspection en environnement encombré, sans GNSS (entrepôts, tunnels, sites industriels). La médaille démontre une robustesse en conditions réelles, mais une course balisée avec repères connus reste un cadre favorable : les mesures par landmarks y sont disponibles, ce qui n'est pas le cas partout.

Cette publication s'inscrit dans la montée en puissance des compétitions de drones autonomes, où l'A2RL sert de banc d'essai à la perception embarquée sous forte contrainte de temps. Elle prolonge les travaux sur la VIO monoculaire, réputée fragile en dynamique rapide faute d'observabilité de l'échelle et à cause de la dérive. Les alternatives restent les architectures stéréo, lidar ou à télémètre, plus robustes mais plus lourdes. Il s'agit ici d'une version révisée (v2) d'un préprint arXiv, donc d'un résultat de recherche et non d'un produit. La suite logique serait une validation sur d'autres environnements et sans repères préinstallés, ainsi qu'une comparaison chiffrée avec les approches stéréo.

Dans nos dossiers

À lire aussi

Localisation probabiliste de source de gaz par plusieurs robots avec capteurs non calibrés : une approche d'estimation distribuée
1arXiv cs.RO 

Localisation probabiliste de source de gaz par plusieurs robots avec capteurs non calibrés : une approche d'estimation distribuée

Des chercheurs proposent une méthode probabiliste distribuée pour localiser une source de gaz avec une flotte de robots équipés de capteurs non calibrés et hétérogènes, un scénario où les réponses non linéaires et incohérentes des capteurs empêchent normalement toute fusion fiable des données. Décrite dans un article arXiv publié fin août 2026 (arXiv:2608.28214v1), l'approche fait que chaque robot calcule localement une croyance probabiliste à partir d'une caractéristique fondée sur le rang des observations, une mesure de l'évolution relative des lectures de capteur invariante à leur échelle et à leurs non-linéarités, donc utilisable sans étalonnage préalable. Ces croyances locales sont ensuite fusionnées entre robots via une formulation de type "produit d'experts" pour obtenir une estimation globale cohérente de la position de la source. Le système intègre aussi une stratégie d'allocation de zones et de planification de trajectoires qui réduit l'exploration redondante en équilibrant exploration et exploitation entre les robots. La validation a été menée uniquement en simulation haute-fidélité, avec des modèles réalistes de capteurs de gaz, sans déploiement physique annoncé à ce stade. Pour l'industrie robotique, ce travail s'attaque à un verrou concret de l'exploitation multi-robots en environnement industriel ou de sécurité civile : la nécessité, aujourd'hui, de calibrer précisément chaque capteur de gaz avant déploiement, une contrainte coûteuse et fragile dès qu'on mélange du matériel hétérogène ou vieillissant. Une méthode calibration-free change la logique de déploiement de flottes low-cost ou mixtes, pour des applications comme la détection de fuites industrielles, la surveillance environnementale ou les interventions après accident chimique, où l'homogénéité des capteurs n'est jamais garantie. Les résultats en simulation montrent une amélioration significative de la précision de localisation par rapport à une méthode de référence agrégeant les mesures brutes, ce qui valide l'intuition que les représentations invariantes au capteur généralisent mieux que la fusion de données calibrées classique, sans toutefois prouver la robustesse en conditions réelles. Ce travail s'inscrit dans le champ plus large de la localisation de sources (gaz, radiations, odeurs) par essaims robotiques, un domaine où la robustesse aux capteurs bon marché et hétérogènes reste un obstacle récurrent face aux capteurs de laboratoire calibrés utilisés en recherche. Les auteurs positionnent explicitement leur contribution comme une brique générique de "sensing invariant au capteur" potentiellement transférable à d'autres tâches d'estimation distribuée au-delà du gaz, comme la cartographie thermique ou radiologique. Les prochaines étapes attendues, non détaillées dans l'abstract, porteraient logiquement sur une validation en conditions réelles avec des capteurs physiques hétérogènes, seule étape capable de confirmer que le gain observé en simulation se maintient face au bruit et aux dérives des dispositifs réels.

RecherchePaper
1 source
FUSE : un cadre unifié pour l'estimation d'état dans les systèmes SLAM robotiques
2arXiv cs.RO 

FUSE : un cadre unifié pour l'estimation d'état dans les systèmes SLAM robotiques

Une équipe de chercheurs a publié sur arXiv (référence 2605.18047) FUSE, un cadre logiciel pour l'estimation d'état unifiée dans les systèmes SLAM robotiques. Le problème adressé est structurel : les architectures SLAM à couplage serré lient dans un même bloc monolithique le traitement temporel, l'association géométrique locale, la formulation de l'estimateur et la politique de mise à jour de carte, rendant toute modification d'un composant coûteuse. FUSE propose quatre interfaces standardisées (ingestion d'observations, propagation, mise à jour, requête d'état) pour séparer ces responsabilités. L'instanciation LiDAR-IMU a été évaluée sur une séquence corridor bouclée de 418 m et produit une erreur de trajectoire de 1,626 m bout en bout, soit une réduction relative de 7,9 % par rapport à Faster-LIO, meilleure référence sur cette séquence. Le gain de 7,9 % reste modeste, mais l'intérêt principal de FUSE est architectural. Découpler proprement les choix de conception dans un pipeline SLAM permet de changer l'estimateur, adapter la cadence de mise à jour ou intégrer un nouveau type de capteur sans réarchitecturer l'ensemble du système. Pour les intégrateurs d'AMR ou les équipes de navigation industrielle, cela réduit significativement le coût de portage entre plateformes. La gestion explicite de la dégénérescence directionnelle constitue un point technique concret : en environnement corridor, le LiDAR ne perçoit pas de contraintes suffisantes dans l'axe latéral, rendant l'estimation instable. FUSE intègre un mécanisme de correction adaptatif ciblant ces directions faiblement observables, un problème rarement traité proprement dans les frameworks publics existants. Le SLAM LiDAR-IMU est un domaine très concurrentiel. Les références académiques dominantes incluent FAST-LIO2 et Faster-LIO (équipe Cai, HKUST) ainsi que LIO-SAM (Shan et al., MIT). Dans l'industrie, des fournisseurs comme Exotec (France) ou MiR intègrent des stacks de localisation dérivées de ces travaux dans leurs flottes d'AMR. FUSE ne cherche pas à battre ces systèmes sur les benchmarks de performance pure, mais à proposer une abstraction permettant de composer des composants algorithmiques de façon indépendante. Il s'agit d'une prépublication arXiv sans code public annoncé à ce stade, ce qui en fait pour l'instant une contribution académique à valider plutôt qu'un outil industriel prêt à l'emploi. La suite logique serait une mise à disposition open-source permettant de tester des instanciations alternatives, radar ou RGB-D, à travers les mêmes interfaces standardisées.

UEExotec (France) est cité comme exemple d'intégrateur AMR susceptible de bénéficier de l'abstraction architecturale proposée ; une mise à disposition open-source de FUSE réduirait le coût de portage SLAM pour les équipes de navigation industrielle européennes.

RecherchePaper
1 source
Estimation simultanée de l'état et apprentissage du modèle en ligne dans un système robotique souple
3arXiv cs.RO 

Estimation simultanée de l'état et apprentissage du modèle en ligne dans un système robotique souple

Des chercheurs proposent, dans une prépublication arXiv (2602.14092v2), une méthode permettant d'estimer simultanément la pose d'un robot souple et d'apprendre en ligne son modèle de rigidité à la flexion, à partir des seules mesures des forces exercées à la base du robot. L'approche repose sur un filtre particulaire marginalisé (marginalized particle filter) interfacé avec un processus gaussien (GP) chargé de modéliser la rigidité en flexion, sans capteurs proprioceptifs distribués le long du corps du robot. Le modèle nominal utilisé est le classique modèle à courbure constante (constant-curvature), réputé simple mais inexact dès que les charges ou les déformations deviennent hétérogènes. La méthode a été validée sur un robot souple physique, et les résultats montrent une réduction mesurable de l'erreur sur les prédictions multi-pas (multi-step forward predictions), signe que le GP appris améliore effectivement la qualité globale du modèle. L'enjeu est de taille pour quiconque cherche à déployer des robots souples dans des contextes industriels ou médicaux : ces systèmes sont intrinsèquement difficiles à modéliser car leur rigidité varie avec la charge, la fatigue du matériau et les conditions environnementales. La majorité des schémas de contrôle prédictif (MPC, par exemple) exigent un modèle précis et stable, condition rarement remplie en pratique. En remplaçant l'hypothèse d'une rigidité constante par un GP appris en temps réel, les auteurs montrent qu'il est possible de réduire le sim-to-real gap sans capteurs supplémentaires ni phase de calibration longue. Cela distingue cette approche des méthodes de marche aléatoire sur les paramètres de rigidité, qui permettent l'estimation mais pas la prédiction. Les robots souples connaissent un regain d'intérêt dans la manipulation de précision, la chirurgie mini-invasive et l'interaction humain-robot, portés notamment par des groupes académiques comme le Soft Robotics Lab de l'ETH Zurich, le CHARM Lab de Stanford ou des acteurs industriels comme Festo (bionic cobotics). Le verrou historique reste la modélisation : un corps déformable infiniment dimensionnel réduit à quelques paramètres discrets. L'identification gray-box, hybride entre modèle physique et apprentissage données, est aujourd'hui l'une des pistes les plus prometteuses pour franchir ce verrou à coût computationnel raisonnable. La prochaine étape naturelle serait d'intégrer cette estimation en boucle fermée dans un contrôleur MPC temps réel et de tester la robustesse sur des charges variables ou des matériaux vieillissants.

UEFesto (Allemagne) et l'ETH Zurich (Suisse) sont explicitement cités comme acteurs clés de la robotique souple ; une meilleure modélisation en ligne bénéficierait directement à leurs programmes de cobotics biologique et de chirurgie mini-invasive.

RecherchePaper
1 source
Un filtre à fenêtre glissante pour l'estimation d'état en ligne et en temps continu des robots continus
4arXiv cs.RO 

Un filtre à fenêtre glissante pour l'estimation d'état en ligne et en temps continu des robots continus

Des chercheurs proposent un filtre à fenêtre glissante (sliding-window filter, SWF) pour l'estimation d'état en temps continu des robots continuum (CR), ces structures flexibles de type trompe ou cathéter dont la forme se déforme de manière continue plutôt que par articulations discrètes. Le travail, publié sur arXiv (2510.26623, version 2), vise à résoudre un compromis ancien entre précision et coût de calcul. Les auteurs présentent leur méthode comme le premier SWF stochastique conçu spécifiquement pour les CR. Il tourne plus vite que le temps réel, améliore la précision par rapport à une approche de filtrage classique et permet à l'estimation en temps continu de fonctionner en ligne. Le résumé ne donne ni chiffres d'erreur, ni temps de calcul, ni plateforme expérimentale précise. Le verrou levé est triple. Les filtres stochastiques actuels doivent s'exécuter à la cadence des mesures, ce qui limite leur potentiel. Les formulations à fenêtre glissante déjà explorées pour les CR reposent sur des approximations simplifiées en temps discret et ne fournissent pas de représentation stochastique, donc pas d'incertitude associée à l'état estimé. Enfin, les techniques d'estimation en temps continu, plus rigoureuses sur le plan mathématique, restaient jusqu'ici cantonnées au traitement hors ligne. En combinant ces trois propriétés, la méthode rend utilisable en boucle fermée une estimation de forme et de pose avec incertitude, ce qui compte pour la chirurgie mini-invasive, l'inspection en espace confiné ou la manipulation souple, où les capteurs sont bruités et où la dynamique est difficile à modéliser. Il faut cependant relativiser: sans comparaison chiffrée détaillée dans le résumé, l'ampleur du gain de précision reste à vérifier dans l'article complet, et rien n'indique à ce stade de validation sur un robot déployé hors laboratoire. Ce travail s'inscrit dans la recherche académique sur la modélisation des robots continuum, où les filtres de Kalman étendus et leurs variantes dominent depuis longtemps, souvent au prix d'un compromis entre fidélité du modèle et latence. Les approches en temps continu, souvent fondées sur des processus gaussiens ou des représentations de trajectoire sur groupes de Lie, ont montré leur rigueur mais pas leur applicabilité temps réel, d'où l'intérêt de cette fenêtre glissante. Le texte ne nomme aucun concurrent industriel ni produit commercial, et il s'agit d'une contribution méthodologique et non d'un produit livré. Les suites logiques sont une validation expérimentale sur des CR physiques, des comparaisons avec les filtres existants et une intégration dans des chaînes de commande, notamment médicales. Les auteurs parlent eux-mêmes d'une «direction prometteuse pour de futures recherches», ce qui confirme un stade encore amont.

RecherchePaper
1 source