La localisation avancée LiDAR 3D améliore la précision du positionnement du robot

Université Miguel Hernández de Elche, Espagne

C’est ainsi que le robot « voit » son environnement grâce au système développé à l’UMH. La représentation du nuage de points LiDAR 3D permet d’extraire des caractéristiques structurelles globales et locales pour estimer la pose du robot – sa position et son orientation précises dans l’espace. (Image :Université Miguel Hernández de Elche)

Les robots mobiles doivent continuellement estimer leur position pour naviguer de manière autonome. Cependant, les systèmes de navigation par satellite ne sont pas toujours fiables :les signaux peuvent se dégrader à proximité des bâtiments ou devenir indisponibles à l'intérieur. Pour fonctionner de manière sûre et efficace, les robots doivent interpréter leur environnement à l'aide de capteurs embarqués et d'algorithmes de localisation robustes.

Des chercheurs de l'Université Miguel Hernández d'Elche (UMH) en Espagne ont développé un système de localisation hiérarchique qui améliore considérablement le positionnement des robots dans des environnements vastes et changeants. La méthode aborde l'un des problèmes les plus difficiles de la robotique mobile :le problème dit du « robot kidnappé », dans lequel un robot perd connaissance de sa position initiale après avoir été déplacé, éteint ou déplacé.

L'étude, publiée dans le International Journal of Intelligent Systems , présente MCL-DLF (Monte Carlo Localization – Deep Local Feature), un cadre de localisation LiDAR 3D grossier à fin conçu pour la navigation à long terme dans de grands environnements. Le système a été validé pendant plusieurs mois sur le campus de l'UMH Elche dans diverses conditions environnementales, y compris des scénarios intérieurs et extérieurs.

L'approche proposée imite la façon dont les humains s'orientent dans des environnements inconnus ou changeants. Tout d'abord, le robot effectue une étape de localisation grossière, identifiant sa région approximative sur la base de caractéristiques structurelles globales extraites de nuages de points LiDAR 3D, telles que des bâtiments ou de la végétation.

Une fois cette région réduite, le système effectue une localisation fine, analysant les caractéristiques locales détaillées pour estimer la position et l'orientation exactes du robot.

"Cela ressemble à la façon dont les gens reconnaissent d'abord une zone générale, puis s'appuient sur de petits détails distinctifs pour déterminer leur emplacement précis", explique Míriam Máximo, chercheuse à l'UMH, auteur principal de l'étude. Les travaux ont été dirigés par Mónica Ballesta et David Valiente, également chercheurs à l’Institut de recherche en ingénierie d’Elche (I3E) de l’UMH. Pour éviter toute ambiguïté dans des environnements visuellement similaires, la méthode intègre des techniques d'apprentissage en profondeur qui extraient automatiquement les caractéristiques locales discriminantes des nuages de points 3D.

Plutôt que de s'appuyer sur des règles prédéfinies, le robot apprend quelles caractéristiques environnementales sont les plus informatives pour la localisation. Ces fonctionnalités apprises sont combinées à la localisation probabiliste de Monte Carlo, qui maintient plusieurs hypothèses de pose et les met à jour à mesure que de nouvelles données de capteur sont reçues.

Un défi majeur dans la navigation robotisée à long terme est la variabilité environnementale. Les espaces extérieurs changent avec le temps en raison des changements saisonniers, de la croissance de la végétation ou des différences d'éclairage, ce qui peut modifier considérablement leur apparence.

Les chercheurs rapportent que MCL-DLF atteint une précision de position plus élevée que les approches conventionnelles tout en conservant des estimations d'orientation comparables ou supérieures dans certaines trajectoires. Il est important de noter que le système présente une plus faible variabilité dans le temps, confirmant sa robustesse aux changements saisonniers et structurels.

Une localisation fiable est fondamentale pour la robotique de service, l'automatisation de la logistique, l'inspection des infrastructures, la surveillance environnementale et les véhicules autonomes. Dans tous ces domaines, un fonctionnement sûr dépend d'une estimation de position stable et précise dans des conditions dynamiques réelles.

Bien que la navigation entièrement autonome reste un défi central en robotique, ces travaux rapprochent les robots d'un fonctionnement fiable dans des environnements vastes et changeants sans infrastructure de positionnement externe.

Pour plus d'informations, contactez Angeles Gallar à Cette adresse e-mail est protégée contre les robots spammeurs. Vous devez activer Javascript pour le visualiser.; +34 965-222-569.