LoCal-RIO: Radar-Inertial Odometry with Loop-Closure IMU Bias Calibration

Les robots autonomes, des robots de livraison aux voitures sans conducteur, s'appuient sur un sens interne constant de leur position et de leur mouvement. Dans des conditions claires et ensoleillées, les caméras et les scanners laser excellent dans cette tâche, peignant un tableau détaillé du monde pour guider la machine. Cependant, lorsque l'air se remplit de brouillard, de poussière ou de fumée, ou lorsque la luminosité fait défaut, ces capteurs optiques deviennent souvent aveugles. Pour naviguer dans ces environnements difficiles, les ingénieurs se tournent vers le radar à ondes millimétriques. Contra-irement à la lumière, les ondes radar peuvent traverser les obstructions visuelles, rebondissant sur les murs et les objets pour fournir une carte approximative des environs. Pourtant, le radar possède son propre angle mort important : s'il est excellent pour mesurer la vitesse à laquelle le robot se déplace vers ou s'éloigne des objets, il peine à déterminer dans quelle direction le robot fait face. Sans un sens de l'orientation fiable, un robot peut dériver de sa trajectoire, accumulant lentement des erreurs qui finissent par lui faire croire qu'il se trouve dans un endroit complètement différent de sa position réelle.

Une équipe de chercheurs de l'Institut des sciences et technologies de Skolkovo a développé un nouveau système appelé LoCal-RIO pour résoudre ce problème spécifique. Leurs travaux se concentrent sur la fusion des données radar avec les mesures d'une unité de mesure inertielle (IMU), un petit ensemble de capteurs comprenant des accéléromètres et des gyroscopes qui suivent le mouvement. Le défi central qu'ils ont relevé est que les méthodes standards de combinaison de ces capteurs échouent souvent sur de longues distances car le radar ne peut pas corriger la tendance des gyroscopes à la dérive. Les chercheurs ont découvert qu'en séparant le suivi du mouvement immédiat du robot de la construction de la carte à long terme, et en utilisant une méthode astucieuse pour corriger les erreurs internes du capteur uniquement lorsque le robot termine une boucle complète, ils pouvaient maintenir le robot sur sa trajectoire avec une grande précision, même dans de grands espaces intérieurs déroutants comme des parkings souterrains ou des bibliothèques à plusieurs étages.

Le système fonctionne sur deux niveaux distincts qui travaillent ensemble comme un pilote et un navigateur. Le premier niveau, le graphe de navigation, fonctionne de manière constante et rapide, fusionnant les mesures de vitesse du radar avec les données de mouvement de l'IMU pour produire une trajectoire fluide et en temps réel pour le robot. Cette partie du système est conçue pour être rapide et réactive, garantissant que le robot puisse réagir instantanément à son environnement. Cependant, comme le radar ne peut pas déterminer parfaitement le cap du robot, cette couche de suivi rapide accumule inévitablement de petites erreurs au fil du temps, faisant dériver lentement la carte interne du robot par rapport à la réalité. Le second niveau, le graphe de cartographie, travaille en arrière-plan. Il prend des instantanés de la position du robot à des moments clés et construit une carte globale de l'environnement. Cette couche est plus lente mais plus approfondie, capable de reconnaître quand le robot revient dans un endroit qu'il a déjà visité.

La percée de LoCal-RIO réside dans la manière dont ces deux niveaux communiquent. Dans de nombreux systèmes précédents, lorsque le cartographe de fond réalisait que le robot avait dérivé, il repositionnait simplement le robot de manière abrupte sur la carte. Bien que cela corrige la carte, cela créait un saut soudain et brutal dans le sens de la position du robot, ce qui pouvait perturber les systèmes de contrôle essayant de diriger le véhicule. Les chercheurs ont réalisé que la véritable source de la dérive n'était pas la position du robot, mais une erreur infime et persistante dans la lecture du gyroscope. Au lieu de forcer la position du robot à bondir, leur système utilise le moment d'une « fermeture de boucle » — quand le robot reconnaît qu'il est revenu à un endroit précédemment visité — pour calculer exactement de combien le gyroscope a menti. Il ajuste ensuite discrètement le biais interne du capteur, corrigeant la cause profonde de la dérive sans jamais perturber la position ou la vitesse actuelle du robot. Cela permet au robot de continuer à se déplacer de manière fluide tout en rendant son compas interne progressivement plus précis.

Pour que cela fonctionne, l'équipe a dû surmonter la nature désordonnée des données radar, qui sont souvent remplies de faux échos et de bruit. Ils ont développé une technique de filtrage qui donne la priorité aux réflexions fortes et claires provenant d'objets solides, tout en ignorant les signaux plus faibles et confus qui rebondissent sur plusieurs surfaces. Cela garantit que la carte construite est nette et fiable. De plus, le système inclut une vérification de sécurité rigoureuse avant d'accepter toute correction. Il ne fait pas confiance immédiatement à une seule fermeture de boucle ; au contraire, il attend que le robot ait terminé plusieurs boucles supplémentaires et confirme que le nouveau chemin est cohérent avec l'ancien. Ce n'est qu'à ce moment-là qu'il applique la correction au biais du capteur, garantissant que le robot n'apprenne jamais d'une erreur.

Les chercheurs ont testé leur système dans une variété d'environnements réels exigeants, notamment un grand parking souterrain, une bibliothèque avec des étagères en bois et un bâtiment de campus avec des couloirs courbes et complexes. Lors de ces tests, le système a réussi à cartographier des milliers de mètres de parcours, maintenant un haut degré de précision là où d'autres systèmes basés sur le radar auraient échoué. Dans un test spécifique impliquant une distance de boucle totale de plus de 2 200 mètres, le système a maintenu la trajectoire du robot alignée avec la géométrie réelle du bâtiment, démontant qu'il pouvait gérer des motifs répétitifs et des surfaces à faible réflectivité qui confondent habituellement les robots. Les résultats ont montré qu'en se concentrant sur le calibrage des erreurs internes du capteur plutôt que sur la simple correction de la carte, le robot pouvait naviguer avec un niveau de précision qui rivalise avec les systèmes basés sur le laser, plus coûteux et fragiles, mais avec la robustesse nécessaire pour opérer dans les environnements brumeux, poussiéreux et sombres où les autres technologies échouent.

Cette approche représente une étape significative vers la création de robots autonomes véritablement fiables dans le monde réel. En traitant la dérive du capteur comme une erreur corrigeable plutôt que comme un défaut inévitable, et en veillant à ce que les corrections soient appliquées de manière fluide et sécurisée, LoCal-RIO offre une voie vers des robots capables d'explorer et d'opérer dans les conditions les plus difficiles sans perdre leur chemin. Le système prouve qu'avec le bon cadre mathématique, les limites du radar peuvent être transformées en une force, permettant aux machines de voir clairement même lorsque le monde qui les entoure est obscurci.