RecherchearXiv cs.RO 28 octobre 2026

RESPLE2 : estimation récursive par splines non uniformes guidée par l'inertie, pour l'odométrie multi-capteurs avec affinage global

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

RESPLE2 est un cadre d'estimation d'état multi-capteurs récursif, présenté dans un preprint arXiv (v1) et publié avec son code et ses jeux de données expérimentaux sur GitHub (ASIG-X/RESPLE2). Il représente le mouvement 6-DoF (position et orientation) par des B-splines non uniformes. En exploitant la propriété de « clamping » des nœuds aux frontières, les auteurs prédisent exactement les points de contrôle à partir de la cinématique inertielle le long de la trajectoire, avec un placement des nœuds adapté au mouvement et à la disponibilité des mesures. Cette prédiction s'effectue dans un filtre de Kalman étendu itéré (IEKF) sur un sous-ensemble des mesures inertielles, puis une étape de réinitialisation maintient la cohérence de la trajectoire quand les nœuds s'étendent. L'étape de mise à jour intègre des capteurs hétérogènes à leur horodatage natif via des modèles d'observation en temps continu : LiDAR, caméras, centrales inertielles (IMU) et cinématique des jambes, dans des combinaisons flexibles. Un module d'optimisation globale léger affine directement les points de contrôle, grâce à des contraintes de fermeture de boucle issues d'indices LiDAR et visuels.

Pour les intégrateurs et les équipes de navigation, l'intérêt est double. L'odométrie multi-capteurs reste le point faible des robots mobiles lors de mouvements brusques, où la désynchronisation des capteurs et les accélérations extrêmes dégradent les estimateurs à temps discret. Une représentation en temps continu, qui absorbe des mesures asynchrones sans interpolation approximative, vise justement ce cas. Les auteurs revendiquent une précision et une robustesse « compétitives ou supérieures » face à l'état de l'art, en temps réel, sur des plateformes portées à la main, à chenilles, à pattes et hybrides aérien-terrestre. La formulation est prudente : l'avantage dépend de la configuration de capteurs, et il s'agit de résultats d'auteurs, sur des jeux de données en partie conçus par eux, qu'une reproduction indépendante devra confirmer. La publication du code est un point positif, car elle permet cette vérification et une adoption éventuelle dans des piles logicielles existantes.

Ce travail prolonge RESPLE, première version récursive à base de splines, et s'inscrit dans la lignée des odométries LiDAR-inertielles à filtre (FAST-LIO et ses dérivés) et des méthodes en temps continu fondées sur l'optimisation, plus coûteuses en calcul. Il adresse aussi la tendance des robots à pattes et des humanoïdes, où la cinématique des jambes devient une source d'information essentielle. Il s'agit d'une recherche académique, sans produit commercialisé ni déploiement industriel annoncé. Les suites probables sont des comparaisons indépendantes, une intégration dans des plateformes quadrupèdes ou aériennes, et une éventuelle évaluation sur des scénarios d'inspection ou de logistique en environnement dégradé.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

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

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.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

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

3arXiv 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

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