Odométrie inertielle apprise étendue, fondée sur un modèle

Des chercheurs proposent une version étendue de l'odométrie inertielle apprise pour quadrirotors, publiée sur arXiv (2611.09584) avec le code, le pipeline de données et les modèles entraînés en accès libre. L'odométrie inertielle estime la pose d'un drone à partir de ses seules mesures inertielles (IMU). Elle séduit pour son faible coût, son faible poids et sa robustesse aux dégradations de la perception (fumée, obscurité, scènes sans texture). Mais l'intégration brute des mesures dérive vite, à cause des erreurs de capteur et des biais variables dans le temps. Les travaux récents ont rendu cette approche praticable en course de drones, mais leur généralisation à des trajectoires absentes de l'entraînement reste limitée. Les auteurs adoptent une représentation dans le repère du corps et intègrent la dynamique des couples (torques) dans le pipeline d'apprentissage. Le modèle prédit des déplacements relatifs à court horizon, fusionnés avec les mesures IMU dans un filtre de Kalman étendu (EKF).

Pour les intégrateurs et les équipes qui développent des drones agiles, l'enjeu est la capacité à voler sans dépendre d'une caméra ou d'un GNSS. Selon les auteurs, la méthode surpasse l'état de l'art précédent en odométrie inertielle apprise sur des trajectoires inédites. Une évaluation complémentaire sur quatre jeux de données publics, où des formes entières de trajectoires sont exclues de l'entraînement, montre une erreur de vitesse plus faible sur chaque jeu retenu. Le résultat le plus utile en pratique concerne l'entrée de couple : elle apporte le plus d'information lorsqu'elle est dérivée des signaux des rotors. Cela suggère que l'état de la commande moteur est un signal sous-exploité, et que les gains viennent autant de la physique injectée dans le modèle que de la taille du réseau. L'abstract ne donne toutefois aucun chiffre d'erreur, de gain relatif ou de durée de vol. L'ampleur de l'amélioration ne peut donc pas être évaluée sans lire les résultats détaillés.

Ce travail s'inscrit dans la lignée des méthodes d'odométrie inertielle apprise nées pour la course de drones, où les vols rapides et agressifs rendent la vision fragile (flou de mouvement, changements d'éclairage). Il se positionne comme une amélioration directe de cette référence, par modélisation explicite de la physique du véhicule plutôt que par apprentissage purement bout en bout. Il s'agit d'une publication de recherche et non d'un produit : aucun déploiement industriel n'est annoncé. La publication du code et des modèles facilite la reproduction par d'autres laboratoires et pourrait servir de base à des fusions avec la vision ou à des tests sur des plateformes réelles. Les prochaines étapes à surveiller sont la validation en vol hors des jeux de données publics et la tenue de la méthode face à des véhicules ou charges différents.