Localisation LiDAR 3D avancée améliore la précision de positionnement des robots

Universidad Miguel Hernández de Elche, Espagne

C'est ainsi que le robot « voit » son environnement en utilisant le système développé à l'UMH. La représentation nuage de points LiDAR 3D permet l'extraction de caractéristiques structurelles globales et locales pour estimer la pose du robot — sa position précise et son orientation dans l'espace. (Image : Universidad 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 près des bâtiments ou devenir indisponibles en intérieur. Pour opérer de manière sûre et efficace, les robots doivent interpréter leur environnement en utilisant des capteurs embarqués et des 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 significativement le positionnement des robots dans de grands environnements changeants. La méthode aborde l'un des problèmes les plus difficiles en robotique mobile : le soi-disant problème du « robot kidnappé », dans lequel un robot perd la connaissance de sa pose initiale après avoir été déplacé, éteint ou déplacé.

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

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

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

« C'est similaire à la façon dont les gens reconnaissent d'abord une zone générale et puis s'appuient sur de petits détails distinctifs pour déterminer leur position précise », explique la chercheuse UMH Míriam Máximo, auteur principal de l'étude. Le travail a été dirigé par Mónica Ballesta et David Valiente, aussi chercheurs à l'Institut de Recherche en Ingénierie d'Elche (I3E) de l'UMH. Pour éviter l'ambiguïté dans des environnements visuellement similaires, la méthode intègre des techniques d'apprentissage profond qui extraient automatiquement des caractéristiques locales discriminatives des nuages de points 3D.

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

Un défi majeur dans la navigation robotique 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 significativement altérer l'apparence.

Les chercheurs rapportent que MCL-DLF atteint une précision de position supérieure aux approches conventionnelles tout en maintenant des estimations d'orientation comparables ou supérieures dans certaines trajectoires. Important, le système montre une variabilité plus faible à travers le temps, confirmant sa robustesse aux changements saisonniers et structurels.

Une localisation fiable est fondamentale pour la robotique de service, l'automatisation logistique, l'inspection d'infrastructure, la surveillance environnementale et les véhicules autonomes. Dans tous ces domaines, une opération sûre dépend d'une estimation de position stable et précise en conditions réelles et dynamiques.

Bien que la navigation entièrement autonome reste un défi central en robotique, ce travail rapproche les robots d'une opération fiable dans de grands environnements 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 la visualiser. ; +34 965-222-569.