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

Quand se fier au BIM : fusion LiDAR-inertiel-BIM tenant compte de l'identifiabilité face aux écarts de construction

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

Une équipe de chercheurs publie sur arXiv (2611.09045) une méthode de fusion LiDAR-inertielle et BIM qui décide quand le modèle numérique du bâtiment mérite d'être cru. Le BIM sert de référence géométrique globale pour la localisation par odométrie LiDAR-inertielle (LIO). Or un écart entre un scan et le BIM peut avoir trois origines : une erreur de pose du robot, une surface de mur décalée (écart de construction ou objet non modélisé devant le mur) ou une pièce entière déplacée. Dans certaines géométries, ces trois hypothèses produisent des observations identiques. Les auteurs formalisent ce problème comme une identification de défauts sur trois classes et dérivent un critère géométrique d'identifiabilité. Leur méthode ne livre une attribution que lorsqu'elle est possible. Sinon, elle conserve les candidats, suspend les mises à jour du BIM et les corrections de pose dans les directions ambiguës, puis reprend quand de nouvelles références arrivent. Dans une étude 2D préenregistrée, sur les cas détectables mais non attribuables, l'erreur conditionnelle est de 0,83 %, contre 31,67 % pour une référence qui s'abstient selon l'incertitude, à taux de réponse égal. Sur 5 600 cas attribuables, la méthode donne 5 574 attributions uniques, sans aucune erreur. En injection de défauts appariés, dans un laboratoire doté de son modèle IFC et sur trois étages du jeu SLABIM, elle ne produit aucune attribution hors cible (0 sur 168 conditions, puis 0 sur 1 302) et attribue les huit défauts de laboratoire prévus attribuables. Les deux méthodes de référence reproduites lèvent des alertes structurelles hors cible dans tous les cas.

Pour les intégrateurs qui exploitent des robots mobiles en bâtiment (inspection de chantier, logistique intérieure, maintenance), le BIM est souvent traité comme une vérité terrain, alors que le bâti réel s'en écarte presque toujours. Le travail montre qu'une partie de ces désaccords ne peut pas être tranchée avec les données disponibles, et qu'un système doit savoir le reconnaître au lieu de forcer une réponse. L'écart avec une abstention fondée sur l'incertitude suggère que la confiance statistique seule ne remplace pas une analyse d'identifiabilité. Cela compte pour la fiabilité des cartes mises à jour et pour le suivi d'avancement « as-built contre as-designed ».

Il s'agit d'une préimpression, donc non évaluée par des pairs. L'essentiel de la démonstration repose sur une étude 2D, complétée par un seul laboratoire et trois étages d'un jeu de données public, avec des défauts injectés et non des écarts spontanés de chantier. Aucun déploiement industriel n'est annoncé. La suite logique serait le passage en 3D, la validation sur des bâtiments en construction et l'intégration dans des chaînes SLAM commerciales. Le travail prolonge la localisation sur plan, qui a déjà exploité les cartes BIM, mais ses concurrents directs sont les baselines évaluées ici, que l'article ne nomme pas dans ce résumé.

Dans nos dossiers

arXiv cs.RO

À lire aussi

TravSUITE : traversabilité par IRL auto-supervisé tenant compte de l'incertitude et estimation du terrain
1arXiv cs.RO 

TravSUITE : traversabilité par IRL auto-supervisé tenant compte de l'incertitude et estimation du terrain

TravSUITE est un système de traversabilité conçu pour la navigation à haute vitesse en tout-terrain, présenté dans un preprint arXiv (2610.32130v1). Il repose sur deux briques. La première est un cartographe voxel qui exploite des modèles de fondation visuels (VFM) pour construire une carte locale géométrique et sémantique à partir des flux de capteurs embarqués. La seconde est un réseau de neurones unique qui prédit conjointement, en vue de dessus (BEV), la géométrie, la sémantique, la vitesse et le coût de traversée. L'entraînement ne demande aucune annotation manuelle. Il est auto-supervisé et combine l'inpainting de cartes (reconstruction des zones non observées) et l'apprentissage par renforcement inverse (IRL) pour apprendre à la fois les représentations de la carte et la traversabilité. Les auteurs ajoutent un mécanisme simple d'adaptation au risque, qui exploite les estimations d'incertitude du modèle au moment du déploiement. Sur matériel réel, la combinaison inpainting et estimation du risque réduit de 80 % les erreurs de navigation et accélère de 5 % la vitesse de traversée autonome. Le texte ne précise ni la plateforme, ni les sites d'essai, ni la définition d'une « erreur de navigation ». Pour les intégrateurs de robots mobiles hors route (agriculture, défense, mines, inspection d'infrastructures), le résultat tient moins à la performance brute qu'à la méthode. Un pipeline sans annotation supprime l'un des principaux coûts d'adaptation à un nouveau terrain, à savoir l'étiquetage de cartes de traversabilité. L'ablation indique aussi que l'apprentissage du coût et l'inpainting auxiliaire contribuent chacun de façon significative à la qualité de planification, et que leur combinaison est nécessaire pour atteindre l'état de l'art. Ce constat va contre l'idée qu'un seul de ces ingrédients suffirait. L'usage de l'incertitude pour ajuster le comportement en temps réel répond à un problème concret : à grande vitesse, dans un environnement complexe, la perception est partielle et le robot doit savoir quand il ne sait pas. Il faut toutefois lire les chiffres avec prudence. Une réduction de 80 % des erreurs est relative à une base de référence non détaillée dans le résumé, et un gain de vitesse de 5 % reste modeste. Il s'agit d'un travail de recherche validé en expériences de laboratoire et de terrain, pas d'un produit ni d'un déploiement commercial. Ce travail s'inscrit dans la lignée des méthodes de traversabilité apprises, qui ont délaissé les règles géométriques écrites à la main au profit de modèles entraînés sur les données de conduite, souvent par IRL ou par supervision auto-générée. L'arrivée des modèles de fondation visuels a ouvert la voie à des cartes sémantiques riches sans étiquetage dédié, et TravSUITE les intègre directement dans la cartographie. Les auteurs affirment surpasser les approches de l'état de l'art en planification hors route, sans nommer ici les méthodes de comparaison. Aucun pilote industriel, calendrier ni code public n'est mentionné. La prochaine étape logique sera de vérifier la robustesse du système sur d'autres plateformes, d'autres terrains et à des vitesses plus élevées.

UEPas d\'impact direct sur la France/UE

RecherchePaper
1 source
RACO : optimisation de l'objectif grossier tenant compte de la fiabilité pour la navigation vision-langage des drones d'inspection
2arXiv cs.RO 

RACO : optimisation de l'objectif grossier tenant compte de la fiabilité pour la navigation vision-langage des drones d'inspection

Un article publié en août 2026 sur arXiv (référence 2608.22678) présente RACO, un framework de navigation pour drones guidés par instructions en langage naturel (UAV-VLN), pensé pour les missions d'inspection plutôt que pour la simple atteinte d'un objectif, et LG-UVI, un protocole d'évaluation associé dérivé des jeux de données CityNav et CityRefer. Les auteurs pointent une faiblesse des architectures existantes en deux temps ("coarse-to-fine"): l'objectif grossier prédit avant le raffinement local est traité comme fiable alors qu'il peut dériver vers une région plausible mais erronée, ce que l'étape de raffinement fine ne parvient ensuite pas à corriger. LG-UVI ajoute à ces scènes urbaines simulées des objets cibles, des distracteurs visuellement ou sémantiquement proches, des zones d'inspection typées, ainsi que des métriques distinctes pour l'arrivée en zone et pour la confirmation de l'objet. RACO traite l'objectif grossier comme une hypothèse à vérifier en temps réel plutôt qu'un point de passage fixe, en s'appuyant sur des ancres candidates au niveau objet pour corriger la localisation avant la première étape de navigation puis à la frontière entre les deux étapes, avant d'appliquer un raffinement terminal adaptatif pour les cas de quasi-échec en fin de trajectoire. Sous un protocole d'évaluation en ligne unifié, il améliore le taux de succès de 9,53 points de pourcentage sur le jeu de validation "unseen" et de 7,98 points sur le jeu de test "unseen", par rapport à une reproduction de la référence antérieure HETT. Ce résultat touche un point sensible pour l'inspection industrielle par drone: dans un scénario réel de contrôle d'infrastructure, un appareil qui s'arrête devant le mauvais objet mais confirme tout de même une anomalie représente un risque opérationnel plus grave qu'un simple échec de navigation. En montrant qu'une part importante des erreurs vient d'une dérive précoce de l'objectif grossier, non rattrapée par le raffinement local classique, les auteurs remettent en cause l'hypothèse implicite de nombreux pipelines coarse-to-fine selon laquelle l'étape fine peut compenser une estimation grossière imparfaite. Pour les équipes travaillant sur la navigation vision-langage appliquée aux drones d'inspection, l'implication pratique est qu'une vérification explicite et intermédiaire de l'objectif doit être budgétisée, plutôt que de tout reposer sur la puissance du modèle de perception final. Un gain de 8 à 10 points de taux de succès mesuré sur un protocole en ligne unifié, et non sur des scénarios sélectionnés, reste notable dans un domaine où les progrès se comptent généralement en unités de pourcentage. RACO s'inscrit dans la lignée des travaux sur la navigation vision-langage pour drones en environnement urbain simulé, qui s'appuient historiquement sur CityNav et CityRefer pour l'entraînement et l'évaluation. La comparaison se fait face à HETT, une architecture coarse-to-fine antérieure que les auteurs ont reproduite faute de protocole standardisé pour les tâches d'inspection, un manque que LG-UVI vise justement à combler en distinguant l'atteinte d'un objectif générique de la confirmation fiable d'un objet précis en présence de distracteurs. L'article ne mentionne ni déploiement sur drone physique ni partenariat industriel: il s'agit d'une contribution de recherche évaluée en simulation, dont la suite logique serait une validation sur plateforme réelle et une extension à d'autres familles de distracteurs et de zones d'inspection.

RecherchePaper
1 source
Manipulation robotique tenant compte de la flexibilité : estimation de la déformation, cinématique et commande par mesure inertielle distribuée
3arXiv cs.RO 

Manipulation robotique tenant compte de la flexibilité : estimation de la déformation, cinématique et commande par mesure inertielle distribuée

Des bras manipulateurs à liaisons flexibles, typiquement les machines hydrauliques à longue portée, posent un problème que l'hypothèse du corps rigide ne résout pas: les seuls capteurs articulaires ne suffisent plus à connaître la position réelle de l'effecteur, puisque les segments se déforment sous charge et vibrent. Une équipe de chercheurs publie sur arXiv un cadre de manipulation « conscient de la flexibilité » qui relie la dynamique structurelle au capteur, à la cinématique et à la commande. Plutôt que d'imposer un réseau dense de centrales inertielles (IMU), la méthode identifie d'abord les modes de vibration dominants de chaque segment, à partir de critères de convergence de réponse et de bande passante d'excitation. Sous une condition d'observabilité modale de rang plein, m modes retenus n'exigent que m mesures de pente indépendantes et une IMU de référence, ce qui définit une configuration minimale observable. Ces mesures servent à reconstruire la déformation continue du segment, intégrée ensuite à une cinématique directe tenant compte de la flexibilité et à un contrôleur fondé sur des équations aux dérivées partielles. Sur une plateforme hydraulique à deux segments et longue portée, l'erreur quadratique moyenne de l'effecteur atteint 0,0107 m, 0,0194 m et 0,0102 rad, avec moins de capteurs que la méthode concurrente dite « rigide par morceaux ». L'intérêt tient à la manière de dimensionner l'instrumentation: la physique du segment détermine le nombre de capteurs nécessaires, au lieu d'un empilement empirique d'IMU. Pour les intégrateurs d'engins lourds (grues, bras forestiers, manipulateurs de chantier, maintenance en environnement nucléaire ou offshore), cela signifie une précision centimétrique à partir de capteurs inertiels peu coûteux, sans métrologie externe ni caméras. Les essais en boucle fermée montrent aussi que les états articulaires estimés par IMU et la déformation reconstruite peuvent être injectés en temps réel dans le contrôleur, ce qui indique que l'approche est exploitable en commande et pas seulement en post-traitement. Il faut toutefois rester prudent: les validations portent sur deux bancs hydrauliques de laboratoire, une seule référence de comparaison est citée, et rien n'est dit sur la robustesse face aux charges variables, au bruit, à la dérive des IMU ou aux changements de configuration. Ce travail s'inscrit dans une longue lignée de recherches sur les bras légers et flexibles, où les approches rigides par morceaux, qui découpent le segment en tronçons rigides munis chacun de capteurs, dominent par leur simplicité mais coûtent en capteurs et en précision. La tendance actuelle de la robotique, centrée sur les humanoïdes et les VLA, délaisse largement ces enjeux de structure, alors que les machines lourdes autonomes ou téléopérées, plus légères et à plus grande portée, y reviennent inévitablement. Il s'agit ici d'une prépublication (v1) non évaluée par les pairs, sans produit ni pilote industriel annoncé. Les prochaines étapes logiques seraient des essais sur machines réelles, avec davantage de segments et des charges variables, puis une comparaison avec d'autres approches d'estimation de déformation.

UEPas d\'impact direct sur la France/UE

RecherchePaper
1 source
BIM-Loc : localisation intérieure par LiDAR intégrée au BIM et sensible aux écarts
4arXiv cs.RO 

BIM-Loc : localisation intérieure par LiDAR intégrée au BIM et sensible aux écarts

Une équipe de chercheurs publie BIM-Loc sur arXiv (identifiant 2606.14237), une méthode de localisation LiDAR pour robots de service et d'inspection en intérieur qui exploite directement les maquettes numériques BIM (Building Information Model) issues de la phase de conception des bâtiments, sans nécessiter la création préalable d'une carte dédiée. Le système estime en temps réel la trajectoire du robot dans le repère de coordonnées BIM et détecte simultanément les écarts entre l'environnement réel et la maquette as-designed. Trois contributions techniques structurent l'approche : un algorithme de lancer de rayons multi-impact pour associer les points LiDAR aux surfaces BIM et projeter les observations 3D dans un espace de texture 2D ; un cadre d'optimisation par graphe de poses intégrant des facteurs BIM pour garantir la cohérence entre l'odométrie, les scans successifs et la géométrie du bâtiment ; et un module d'inférence bayésienne hiérarchique qui met à jour de façon incrémentale une représentation surfacique 2D continue, en propageant les détections du pixel jusqu'au niveau structurel. L'enjeu central est la localisation dans les environnements intérieurs peu distinctifs, couloirs d'hôpitaux, open spaces, entrepôts, où les systèmes SLAM classiques échouent faute de repères géométriques saillants. BIM-Loc contourne ce problème en utilisant une source de données déjà présente dans la majorité des bâtiments modernes : le fichier BIM produit lors de la conception. Pour les intégrateurs de robots de service, cela supprime l'étape coûteuse de cartographie préalable et permet un déploiement rapide. La capacité de détection des écarts apporte également une valeur concrète pour les missions d'inspection de conformité, en signalant automatiquement les modifications non documentées d'un bâtiment. Selon les auteurs, BIM-Loc surpasse significativement les méthodes map-based de l'état de l'art en précision et en robustesse, bien que les métriques précises (RMSE, ATE) ne soient pas détaillées dans l'abstract. La localisation en intérieur reste un problème ouvert depuis les premières générations de robots mobiles. Les approches dominantes, SLAM 2D/3D, localisation Monte Carlo, NDT matching, reposent sur des cartes issues de relevés terrain, ce qui pose des problèmes de maintenance dans les environnements changeants. L'utilisation des BIM comme prior a été explorée dans des travaux antérieurs en réalité augmentée pour le BTP, mais leur intégration dans un pipeline de localisation temps réel avec détection de discordances constitue une contribution distincte. Dans l'espace concurrent, des systèmes comme Cartographer (Google) ou les solutions propriétaires de MiR opèrent principalement avec des grilles d'occupation 2D. Aucun partenariat industriel ni calendrier de transfert technologique n'est mentionné dans ce preprint ; la prochaine étape naturelle serait une validation dans des environnements à forte densité de personnes en mouvement.

UEL'adoption du BIM étant réglementairement encouragée dans les marchés publics européens, la méthode pourrait faciliter le déploiement de robots de service dans des bâtiments déjà dotés de maquettes numériques, mais aucune entreprise ou institution française ou européenne n'est impliquée dans ces travaux.

RecherchePaper
1 source