Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
RecherchearXiv cs.RO 

Odométrie décentralisée radar-LiDAR-inertielle résiliente pour les environnements souterrains difficiles

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

Une équipe de recherche publie sur arXiv un cadre de localisation décentralisé baptisé LRIO (LiDAR Radar Inertial Odometry), conçu pour les tunnels souterrains privés de GPS et envahis de fumée, de poussière ou de brouillard. Le système fusionne un LiDAR, plusieurs radars FMCW (onde continue modulée en fréquence) et une centrale inertielle. Deux briques le composent: un mécanisme d'Adaptive Residual Thresholding (ART), qui détecte la dégradation temporelle d'un capteur et ajuste la fusion pour écarter les mesures peu fiables, et un filtre d'information optimal robuste aux erreurs, le RETOIF. Ce filtre combine l'estimation LiDAR-inertielle et plusieurs estimations radar-inertielles, en tenant compte des pannes. Testé sur des données réelles collectées dans des tunnels, avec et sans fumée, le RETOIF obtient en conditions sans fumée une erreur quadratique moyenne de 2,1733, contre 2,9929 pour l'approche LRIO centralisée classique, soit 27,4 % de réduction. Les auteurs affirment aussi que l'estimation de pose tient sous fumée, mais le résumé ne donne aucun chiffre pour ce cas.

L'intérêt pratique tient à l'architecture. Dans une fusion centralisée, un capteur aveuglé par la fumée peut contaminer l'estimation globale. En traitant chaque chaîne d'odométrie séparément puis en pondérant leur fusion selon leur fiabilité, le système isole la panne au lieu de la propager. Cela concerne les robots d'inspection minière, de secours en tunnel ou de maintenance d'infrastructures, où la perte de localisation interrompt la mission. Il faut toutefois rester prudent: l'unité de l'erreur n'est pas précisée dans le résumé, le jeu de données semble limité à un type d'environnement, et le résultat sous fumée n'est pas quantifié. Il s'agit d'un préprint, pas encore revu par les pairs, et rien n'indique un déploiement sur un robot commercial.

Le travail s'inscrit dans la lignée des recherches nées des compétitions de robotique souterraine, comme le DARPA SubT Challenge, qui ont fait de la résilience à la dégradation perceptive un critère central. Les méthodes LiDAR-inertielles restent la référence en précision, tandis que le radar millimétrique gagne du terrain malgré ses mesures éparses et bruitées. La suite logique serait une validation sur davantage de sites et de densités de fumée, avec des métriques comparables à celles de la littérature, puis des essais embarqués sur plateformes mobiles. Ces essais diront si le gain annoncé se confirme hors du jeu de données initial.

Impact France/UE

Pas d\'impact direct sur la France/UE

Dans nos dossiers

arXiv cs.RO

À lire aussi

cuVSLAM augmenté par les lignes : une odométrie visuelle robuste en environnements peu texturés
1arXiv cs.RO 

cuVSLAM augmenté par les lignes : une odométrie visuelle robuste en environnements peu texturés

Des chercheurs proposent une extension de cuVSLAM, le système de SLAM visuel accéléré sur GPU CUDA de NVIDIA, qui intègre des primitives de type « lignes » en plus des points d'intérêt classiques. Les droites sont représentées en coordonnées de Plücker pour leur transport géométrique, puis par la paramétrisation orthonormale minimale à 4 degrés de liberté de Bartoli et Sturm pour l'optimisation. Un résidu point-à-ligne robuste (fonction de Cauchy) avec jacobiennes analytiques est ajouté directement au calcul de pose par Gauss-Newton à chaque image, et l'état des lignes est raffiné conjointement dans l'ajustement de faisceaux (bundle adjustment) à fenêtre glissante par complément de Schur. Évalué en mode RGB-D, avec alignement SE(3) d'Umeyama sans correction d'échelle, le système réduit l'erreur absolue moyenne de trajectoire de 38,5 % sur les 22 séquences TUM RGB-D Freiburg3 et de 30,1 % sur 8 séquences Replica (pièces et bureaux). Sur Replica, l'erreur médiane de translation baisse de 38,9 % et celle de rotation de 66,4 %, sans aucun échec de suivi dans les configurations testées. L'enjeu est très concret pour les robots mobiles autonomes (AMR) d'entrepôt et d'usine. Leurs environnements cumulent allées sans texture, murs uniformes, racks répétitifs et sols spéculaires, soit les cas où l'odométrie visuelle par points décroche. Ces lieux sont en revanche riches en arêtes rectilignes (montants de rack, encadrements de porte, jonctions de murs), stables malgré les changements de point de vue. Un point de conception mérite l'attention des intégrateurs: la pondération d'information est adaptative, donc les lignes prennent plus de poids quand les points se raréfient. Surtout, la méthode ajoute des blocs de résidus aux solveurs existants au lieu d'introduire un second estimateur, et se réduit exactement au pipeline d'origine lorsqu'elle est désactivée. Cela limite le risque de régression et le coût d'intégration. Un bémol s'impose toutefois: TUM Freiburg3 et Replica sont des jeux de données de bureaux et de scènes simulées ou propres, et non des entrepôts réels. Le gain relatif est solide, mais la robustesse annoncée en conditions logistiques (éclairage variable, poussière, reflets, dynamique humaine) reste à démontrer, tout comme le surcoût de calcul, que le résumé ne chiffre pas. Ce travail s'inscrit dans la lignée des SLAM points-lignes académiques (PL-SLAM, PL-VINS et dérivés), qui montrent depuis des années l'intérêt des segments en milieu pauvre en texture, mais souvent au prix d'architectures lourdes peu compatibles avec le temps réel embarqué. cuVSLAM, au cœur de la pile Isaac ROS de NVIDIA, est une brique largement adoptée pour la navigation des AMR sur Jetson, ce qui donne à cette extension une voie d'adoption plausible. Il reste à voir si le code sera publié, s'il sera intégré à la version officielle, et si des essais sur des données d'entrepôt réelles, voire en mode stéréo ou visuel-inertiel, confirmeront ces gains. Le texte, publié sur arXiv (2610.20958v1), n'est à ce stade pas relu par des pairs.

RecherchePaper
1 source
NeuRIO : un estimateur neuronal en flux pour l'odométrie inertielle relative multi-robots, du simulateur au réel sans réentraînement
2arXiv 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
Suivi Robuste à la Dégénérescence pour Environnements Géométriquement Complexes par Lidar FMCW
3arXiv cs.RO 

Suivi Robuste à la Dégénérescence pour Environnements Géométriquement Complexes par Lidar FMCW

Un papier publié sur arXiv (référence 2603.10248v3, version révisée) présente un système de navigation Teach and Repeat (T&R) conçu pour rester fiable dans les environnements géométriquement dégénérés, ces terrains peu structurés où les méthodes de localisation classiques perdent leurs repères. Le T&R permet à un robot de répéter automatiquement un trajet déjà parcouru sans GPS, ce qui le destine aux mines souterraines ou à la navigation lunaire. Les systèmes T&R actuels reposent généralement sur l'algorithme ICP (Iterative Closest Point), qui devient mal conditionné sur des terrains plats ou peu texturés et dégrade la localisation. Les auteurs proposent à la place un système fondé sur un lidar FMCW (Frequency-Modulated Continuous-Wave), qui mesure directement la vitesse radiale de chaque point par effet Doppler. Il combine une odométrie basée sur cette vitesse Doppler, indépendante de la géométrie de la scène et dotée d'une estimation d'incertitude de pose stable en cas de dégénérescence, avec une localisation scan-to-map qui exploite la courbure locale de chaque point pour améliorer l'association des données et unifier la détection de dégénérescence entre translation et rotation. Lors d'essais de terrain en boucle fermée sur des environnements de complexité variable, le système a mené à bien la navigation autonome, y compris sur un terrain d'aéroport plat et peu texturé où un système ICP conventionnel a échoué. Le code doit être publié en open source, mais le lien fourni dans le papier est un espace réservé non actif. Pour l'industrie de la robotique mobile en environnements extrêmes, l'apport cible un point faible connu du secteur : l'échec de l'ICP dans les couloirs rectilignes, tunnels lisses ou terrains plats sans relief exploitable, un cas fréquent en exploration minière ou en mission planétaire. Utiliser un lidar FMCW à mesure Doppler plutôt qu'un lidar temps de vol classique diffère de l'approche dominante, qui compense la dégénérescence géométrique par fusion multi-capteurs plutôt que par une modalité de mesure intrinsèquement plus riche. Si l'approche se confirme au-delà du cadre expérimental décrit, elle pourrait réduire la dépendance des systèmes de navigation souterraine ou lunaire à des architectures multi-capteurs coûteuses. Le résumé ne fournit toutefois aucun chiffre de robustesse (taux de réussite, dérive, distance parcourue), ce qui limite la portée de la comparaison avec l'ICP. Le Teach and Repeat est une technique de navigation topométrique éprouvée, historiquement développée pour des robots opérant sans GPS, en contexte minier ou planétaire. Le papier se positionne explicitement contre les systèmes ICP conventionnels, pris comme référence directe dans les tests sur terrain d'aéroport. Le lidar FMCW reste une technologie émergente en robotique mobile face aux lidars à temps de vol dominant le marché, dans la lignée de son usage déjà exploré côté automobile pour l'estimation de mouvement par effet Doppler. La suite annoncée est la publication du code en open source, dont le lien reste pour l'instant un espace réservé, sans calendrier ni partenaire industriel précisés au-delà des essais de terrain décrits.

RecherchePaper
1 source
Elevator-LIO : odométrie LiDAR-inertielle robuste pour la navigation multi-étages dans les ascenseurs
4arXiv cs.RO 

Elevator-LIO : odométrie LiDAR-inertielle robuste pour la navigation multi-étages dans les ascenseurs

Une équipe de chercheurs a publié sur arXiv (arXiv:2605.24495) Elevator-LIO, un framework d'odométrie LiDAR-inertielle conçu pour maintenir la localisation continue d'un robot pendant ses déplacements en ascenseur. Le système repose sur un modèle d'estimation d'état découplé qui modélise séparément le mouvement du robot par rapport à la cabine et le mouvement de la cabine elle-même, intégré dans un filtre de Kalman itératif à erreur d'état dépendant du mode. Un gestionnaire de mode détecte l'entrée et la sortie de l'ascenseur via des statistiques de télémétrie LiDAR, puis déclenche des mises à jour de vitesse nulle et d'accélération nulle lorsque la cabine est à l'arrêt afin de supprimer la dérive verticale accumulée. Une stratégie de sous-échantillonnage voxel adaptatif maintient un nombre stable de points efficaces lors des changements d'échelle environnementale. Les tests portent sur 20 séquences réelles comprenant 79 trajets en ascenseur, couvrant des espaces de grande dimension, de longs déplacements verticaux, des piétons en mouvement et des réflexions sur miroirs. L'erreur de hauteur terminale reste inférieure à 1 cm dans 17 séquences sur 20. Ce résultat est significatif pour les déploiements de robots mobiles autonomes (AMR) en environnement multi-étages, un cas d'usage que les systèmes LIO conventionnels gèrent mal : les accélérations non inertielles d'un ascenseur saturent le filtre IMU standard et provoquent des dérives cumulatives qui corrompent la carte et la pose estimée. Elevator-LIO démontre qu'une modélisation explicite du référentiel non inertiel, plutôt qu'un post-traitement correctif, permet une localisation robuste sans recalage a posteriori. Les auteurs indiquent également que la méthode reste compétitive sur les benchmarks Hilti 2022 et 2023, ce qui suggère qu'elle n'est pas spécialisée au détriment des scénarios intérieurs standards. La navigation multi-étages est depuis plusieurs années l'un des verrous opérationnels majeurs pour les robots de livraison et de service en milieu tertiaire ou hospitalier. Des acteurs comme Boston Dynamics (Spot), Keenon Robotics ou Savioke affrontent ce problème avec des solutions ad hoc souvent dépendantes d'infrastructure. Dans l'écosystème européen, des entreprises comme Enchanted Tools (Miroki) ou Exotec opèrent principalement en environnement mono-niveau, mais la pression vers des déploiements bâtimentaires complets s'intensifie. Elevator-LIO est pour l'instant un prototype académique sans déploiement annoncé, mais son intégration dans des stacks LIO open-source comme FAST-LIO2 ou LIO-SAM serait techniquement directe, ce qui pourrait accélérer l'adoption industrielle.

UELes acteurs français comme Enchanted Tools (Miroki) et Exotec, qui opèrent aujourd'hui principalement en environnement mono-niveau, pourraient s'appuyer sur cette technologie pour étendre leurs déploiements robotiques aux bâtiments multi-étages sans dépendre d'infrastructures dédiées.

RecherchePaper
1 source