La localisation des robots est le processus par lequel un robot détermine sa position et son orientation (positive) par rapport à son environnement. C'est une capacité fondamentale pour tout système autonome, permettant la navigation, la planification du chemin, l'évitement des obstacles et l'interaction avec les objets. Sans localisation précise, un robot ne peut exécuter de manière fiable des tâches telles que la livraison de paquets dans un entrepôt, la cartographie d'une zone inconnue ou la navigation d'une voiture autoconduite dans les rues de la ville.

Principes fondamentaux de la localisation des robots

La localisation peut être abordée de plusieurs façons, selon l'environnement et les capacités de détection disponibles. Les trois paradigmes les plus communs sont la localisation par comptabilisation, la localisation par repères et la localisation et la cartographie simultanées (SLAM).

Morts Si le calcul de la valeur de la dérive est simple et rapide, la valeur de la dérive cumulée est faible dans chaque étape, ce qui rend l'estimation peu fiable. Par exemple, un encodeur de roue peut glisser sur une surface humide, introduisant une erreur subtile qui se développe au fur et à mesure que le robot continue.

Localisation fondée sur le marquage utilise des caractéristiques connues dans l'environnement – comme les codes QR, les balises réfléchissantes ou des motifs visuels distincts – pour trianguler ou trilatérer la pose du robot. Cette approche peut réinitialiser les erreurs de dérive chaque fois qu'un repère est observé, mais elle exige que les repères soient placés ou détectables à l'avance.

SLAM Le robot construit une carte d'un environnement inconnu tout en gardant en mémoire son emplacement dans cette carte. Les algorithmes SLAM fusionnent généralement des données de plusieurs capteurs (par exemple, des caméras, LiDAR, IMU) et sont essentiels pour des applications telles que l'exploration robotique, les aspirateurs autonomes et la réalité augmentée.

Toutes ces approches reposent sur des capteurs pour observer le mouvement et l'environnement du robot. La qualité, le type et la combinaison de capteurs déterminent directement la précision, la robustesse et le coût de calcul de la localisation.

Capteurs clés et leurs rôles

Les capteurs individuels fournissent des types spécifiques d'informations : mesures de portée, caractéristiques visuelles, données d'inertie ou corrections de position absolue. Ci-dessous, nous examinons les capteurs les plus importants pour la localisation des robots, leurs principes sous-jacents, leurs forces et leurs faiblesses.

Système de positionnement mondial (GPS)

Le GPS est idéal pour les environnements extérieurs, ouverts et est un capteur primaire pour les véhicules autonomes, les drones et les robots agricoles. Cependant, les signaux GPS sont facilement bloqués ou réfléchis par les bâtiments, les arbres et les tunnels, ce qui rend les espaces intérieurs peu fiables ou dans les canyons urbains denses. Dans ces cas, le GPS doit être complété par d'autres capteurs ou utilisé uniquement comme initialisateur global grossier.

LiDAR (Détection et ranging de la lumière)

Les capteurs LiDAR émettent des impulsions laser et mesurent le temps de vol pour calculer les distances aux surfaces. Ils produisent des nuages point denses — représentations 3D ou 2D de l'environnement. Dans la localisation, LiDAR est souvent utilisé pour l'appariement de balayage: comparer un balayage laser actuel à une carte préexistante ou à des scanners précédents pour déduire la pose du robot. LiDAR fonctionne bien dans les environnements intérieurs et extérieurs, est robuste pour l'éclairage et fournit des données précises à des taux de mise à jour élevés.

Appareils photo et systèmes de vision

Les caméras captent de riches informations visuelles (texture, couleur, bords et caractéristiques) qui peuvent être utilisées pour la localisation par le biais de SLAM ou d'odométrie visuelle. Des algorithmes tels que ORB-SLAM ou SVO suivent des points clés à travers les images pour estimer le mouvement et reconstruire l'environnement. Les caméras sont peu coûteuses, passives et fournissent des données à haute résolution. Cependant, elles sont sensibles aux conditions d'éclairage, au flou de mouvement et aux surfaces de texture basse.

Unités de mesure inertielles (UMI)

En intégrant ces mesures dans le temps, l'IMU peut estimer les changements de position et d'orientation. Les IMU fonctionnent à des fréquences élevées (de centaines à milliers de Hz) et ne sont pas affectés par les conditions environnementales extérieures. Ils sont idéaux pour la localisation à court terme et pour combler les lacunes lorsque d'autres données de capteur sont indisponibles (p. ex., pendant le mouvement rapide ou les occlusions temporaires).

Capteurs à ultrasons

Les capteurs à ultrasons émettent des ondes sonores à des fréquences supérieures à l'audition humaine et mesurent le temps jusqu'à ce que l'écho revienne. Ils sont peu coûteux, robustes à la poussière et à la lumière, et fournissent des mesures utiles de distance pour la détection des obstacles et la localisation à courte portée (p. ex., à quelques mètres de l'aire de rayonnement).

Capteurs infrarouges

Les capteurs infrarouges utilisent la lumière modulée pour détecter les objets à portée rapprochée. Ils sont souvent utilisés pour la détection de proximité, le suivi de ligne ou l'amarrage. Les capteurs infrarouges sont peu coûteux et rapides, mais ont une portée limitée (moins d'un mètre) et sont affectés par la lumière du soleil ambiante et la réflectivité de surface.

Encodeurs de roues

Les encodeurs mesurent la rotation des roues du robot, permettant le calcul de la distance parcourue et de la vitesse (odométrie). Ils sont simples, bon marché et fournissent des données à haut taux de mise à jour. Cependant, ils souffrent d'erreurs dues au glissement des roues, à l'inégalité du relief et à l'usure des pneus.

Fusion des capteurs : combinaison des forces, compensation des faiblesses

La fusion des capteurs est le processus de combinaison de données provenant de plusieurs capteurs pour produire une estimation de pose plus précise, fiable et robuste que n'importe quel capteur individuel ne peut fournir. Deux cadres mathématiques largement utilisés pour la fusion des capteurs sont le filtre Kalman et le filtre à particules.

Filtre Kalman et filtre Kalman étendu (EKF)

Le filtre Kalman est un estimateur optimal pour les systèmes linéaires avec bruit gaussien. Il combine récursivement les prédictions d'un modèle de mouvement (p. ex., de l'IMU/encodeurs) avec des mesures de capteurs (p. ex. GPS, LiDAR, caméra) pour mettre à jour l'estimation de l'état. Pour les systèmes non linéaires – la plupart des applications robotiques – le filtre Kalman étendu (EKF) linéarise les équations du système. La fusion de capteurs basée sur EKF est courante dans les pilotes automatiques commerciaux et la navigation par drone.

Filtre à particules (localisation Monte Carlo)

Les filtres à particules représentent la croyance du robot comme un ensemble de particules pondérées (hypothèses). Ils peuvent gérer des distributions multimodales non gaussiennes, par exemple, lorsqu'un robot est également susceptible d'être en deux endroits (le problème de localisation globale de -) . Les filtres à particules sont l'épine dorsale de nombreux systèmes SLAM modernes et sont utilisés dans des produits comme le vide robotisé Neato . En intégrant des mesures de capteurs (par exemple, des scans LiDAR) pour repoidsr les particules, le filtre converge vers la bonne pose.

Les configurations communes de fusion des capteurs comprennent:

  • GPS + IMU + magnétomètre pour les UAV et les véhicules terrestres extérieurs, offrant un positionnement sans dérive à long terme.
  • LiDAR + IMU + odométrie de roue pour les robots de terrain intérieur, offrant une estimation de pose de haut débit avec corrections basées sur la carte.
  • Caméra + IMU (odométrie visuelle-inertielle) pour robots agiles et appareils portatifs, coût d'équilibrage et précision.

Défis de la localisation par capteurs

Malgré les progrès réalisés, la localisation par capteur est confrontée à des défis persistants qui limitent la fiabilité et la précision des applications réelles.

Bruit et écoulement du capteur

Tous les capteurs présentent des fluctuations aléatoires de mesures qui ne peuvent être éliminées. Les IMU, en particulier, ont des biais qui dérivent sur la température et le temps. Kalman et filtres à particules peuvent atténuer le bruit dans une certaine mesure, mais les niveaux de bruit extrême peuvent encore corrompre les estimations.

Interférences environnementales

Les performances du LiDAR se dégradent dans le brouillard, la pluie ou la neige parce que les rayons laser s'éparpillent. Les caméras échouent dans les scènes de faible lumière, de haute portée dynamique, ou lorsque les surfaces sont sans texture. Les capteurs ultrasoniques sont affectés par la température de l'air et l'humidité. La fusion des capteurs peut aider en se basant sur le capteur le plus fiable dans un état donné, mais tous les capteurs peuvent échouer simultanément dans un environnement hostile.

Coût informatique

Le traitement de ces données en temps réel nécessite un calcul à bord important, ce qui peut être une contrainte pour les robots à faible coût ou petits. Le calcul à bord et les algorithmes efficaces (p. ex., extraction de fonctionnalités éparses) sont des domaines de recherche actifs.

Localisation mondiale par rapport au suivi

Une fois qu'un robot connaît sa pose, le suivi (qui évalue à jour) est relativement facile.Le problème le plus difficile est la localisation globale – déterminer la pose du robot à partir de zéro quand il n'a pas de connaissances préalables. Cela nécessite un comportement différent des capteurs (par exemple, reconnaître des repères uniques) et souvent des stratégies de filtrage plus puissantes comme des filtres à particules avec de nombreuses particules.

Orientations futures et technologies émergentes

Le domaine de la localisation des robots évolue rapidement, grâce à la miniaturisation des capteurs, à des coûts moins élevés et à des progrès dans l'apprentissage automatique.

AI et localisation apprise

Les réseaux neuronaux profonds sont utilisés pour estimer directement la pose à partir de données brutes (p. ex., l'odométrie visuelle inertielle apprise de bout en bout). Les méthodes apprises peuvent gérer des environnements complexes et non structurés mieux que les approches manuelles basées sur des caractéristiques.

Capteurs à haut rendement abordables

Les caméras LiDAR à l'état solide (par exemple, d'Ouster, Velodyne) et les caméras à l'événement (qui répondent aux changements d'intensité du pixel à la résolution microseconde) deviennent plus accessibles.

Localisation distribuée et collaborative

Dans les systèmes multi-robots, les robots peuvent partager des données de capteur pour améliorer la précision de localisation combinée. Ceci est particulièrement pertinent pour l'automatisation des entrepôts, les essaims de drones et les missions de recherche et sauvetage.

Infrastructure de positionnement ubiquitoise

Les systèmes de positionnement intérieur utilisant des balises ultralarge bande (UWB), des réseaux Bluetooth Low Energy (BLE) ou même des chronomètres de signaux 5G fournissent une précision de niveau de compteur à l'intérieur des bâtiments.

Conclusion

Des capteurs qui donnent une position globale rudimentaire à l'IMU qui suit le mouvement rapide et le LiDAR qui construit une carte précise, chaque capteur apporte des forces uniques. La puissance réelle, cependant, réside dans la fusion des capteurs – combinant des données pour surmonter les faiblesses individuelles et atteindre une localisation fiable et sans dérive. À mesure que la technologie des capteurs continue à s'améliorer et que les algorithmes deviennent plus intelligents, les robots navigueront dans leur environnement avec une autonomie et une précision toujours plus grandes.

Pour plus de détails, voir cette enquête IEEE sur la fusion de capteurs pour la localisation des robots mobiles, une revue complète de LiDAR en robotiqueet le papier ORB-SLAM2 pour une plongée profonde dans la SLAM visuelle.