SUPER ODOMETRY 2.0: Resilient Odometry via Hierarchical Adaptation

Les robots, tout comme les humains, ont besoin de savoir où ils se trouvent et comment ils se déplacent pour accomplir des tâches. Cette capacité, appelée odométrie, est le calcul interne constant de la position et de l'orientation qui permet à une machine de naviguer d'un point A à un point B. Pendant des décennies, les ingénieurs se sont appuyés sur des capteurs externes pour construire cette image du monde. Les caméras agissent comme des yeux, capturant des caractéristiques visuelles telles que des coins et des textures, tandis que les scanners laser cartographient la géométrie des murs et des obstacles. Ces outils fonctionnent magnifiquement dans des environnements clairs, bien éclairés et structurés. Cependant, le monde réel est souvent désordonné. Une fumée épaisse, une neige aveuglante, des tunnels plongés dans l'obscurité totale ou une perte soudaine de lumière peuvent aveugler une caméra et disperser un faisceau laser. Lorsque ces sens externes font défaut, un robot peut rapidement perdre son chemin, dévier de sa trajectoire ou s'arrêter complètement. Cette fragilité a longtemps été un obstacle à l'envoi de machines autonomes dans les endroits les plus dangereux ou imprévisibles, tels que les zones de catastrophe ou les mines souterraines profondes.

Une équipe de chercheurs de l'Université Carnegie Mellon et de l'Université de Buffalo a développé un nouveau système appelé Super Odometry pour résoudre ce problème. Au lieu de s'appuyer uniquement sur des capteurs externes qui peuvent être facilement trompés par l'environnement, leur système apprend à faire confiance au sens interne du mouvement d'un robot, un peu comme un humain naviguant dans une pièce sombre en ressentant ses propres pas. Les chercheurs ont construit un cadre qui ne se contente pas d'allumer ou d'éteindre les capteurs, mais qui adapte dynamiquement toute sa stratégie en fonction de la gravité des conditions. Ils ont testé ce système sur une flotte de robots, incluant des drones volants, des véhicules à roues et des machines à pattes, les faisant parcourir plus de 200 kilomètres de terrains difficiles. Les résultats ont montré que le système pouvait maintenir une navigation précise même lorsque les caméras et les lasers étaient totalement inutilisables, comme dans de la fumée dense ou l'obscurité totale, en s'appuyant fortement sur les données d'un capteur de mouvement interne.

Le cœur de cette nouvelle approche est une hiérarchie d'adaptations qui se déclenche à mesure que les conditions se dégradent. Dans un environnement normal, le robot utilise ses caméras et ses scanners laser pour suivre sa trajectoire. Mais quand l'air se remplit de fumée ou que la lumière faiblit, le système ne panique pas ; il change simplement de focalisation. La première étape consiste à devenir plus sélectif quant aux détails visuels auxquels il fait confiance, en ignorant les parties floues ou confuses. Si l'environnement devient géométriquement déroutant, comme un long couloir vide où les murs se ressemblent tous, le système déplace son attention vers les directions où il peut encore trouver des informations fiables, ignorant les directions où il est perdu. Si la dégradation est mixte, avec certains capteurs défaillants tandis que d'autres luttent, le système réévalue dynamiquement sa confiance, s'appuyant davantage sur le capteur qui fonctionne encore bien.

L'innovation la plus significative se produit lorsque tous les capteurs externes échouent complètement. Dans des scénarios comme une pièce remplie de fumée dense ou un blizzard, où ni les yeux ni les lasers ne peuvent rien voir, le système se tourne vers un modèle interne appris. Ce modèle est basé sur une unité de mesure inertielle, une petite puce à l'intérieur du robot qui mesure l'accélération et la rotation. Historiquement, ces puces étaient traitées comme des outils secondaires, utilisés uniquement pour lisser les données des caméras. Les chercheurs ont toutefois entraîné un réseau d'apprentissage profond sur plus de 100 heures de données provenant de divers robots, lui apprenant à prédire le mouvement uniquement à partir des données de mouvement internes. Cela a permis au robot d'estimer sa position même lorsqu'il ne pouvait rien voir. Le système est conçu de telle sorte que, lorsque les capteurs externes fonctionnent, ils enseignent et affinent constamment ce modèle interne. Mais quand le monde extérieur devient invisible, le modèle interne prend le relais, fournissant une solution de repli fiable qui permet au robot de continuer à avancer.

Pour prouver ce concept, les chercheurs ont soumis leur système à une série de tests rigoureux. Ils ont conduit un robot à pattes sur un itinéraire continu dans un campus universitaire comprenant plus de 13 types différents de conditions difficiles. Le robot a navigué à travers des couloirs sombres et sans relief, des escaliers escarpés et des zones présentant un bruit visuel intense comme des reflets d'objectif et des murs blancs. Enfin, le robot est entré dans une zone remplie de fumée dense qui a complètement obscurci sa vision et ses capteurs laser. Tout au long de son voyage de 2 966 mètres, le système n'a jamais échoué. Il a maintenu une erreur de position finale de seulement 20 centimètres, soit un taux de dérive remarquablement bas de 0,006 %. Cette performance a été réalisée sans utiliser de techniques complexes de traitement ultérieur ou attendre de corriger les erreurs après coup ; le système se corrigeait en temps réel pendant qu'il se déplaçait.

L'équipe a également testé la capacité du système à gérer des défaillances soudaines de capteurs. Dans une expérience, ils ont physiquement bloqué les capteurs du robot avec du carton, couvrant d'abord le côté, puis l'avant, et finalement toutes les vues de la caméra et du scanner laser. Le système a détecté ces blocages instantanément et a ajusté sa dépendance aux capteurs restants. Lorsque la caméra était bloquée, le système s'appuyait sur le scanner laser ; lorsque le laser était bloqué, il s'appuyait sur la caméra. Lorsque les deux étaient bloqués, le modèle de mouvement interne appris prenait la direction. Le robot a continué à cartographier son environnement et à suivre sa trajectoire avec une grande précision, démontant que le système pouvait survivre à la perte totale de la perception externe pendant des périodes prolongées.

Une validation supplémentaire est venue des tests du système sur différents types de robots, des voitures aux drones, en passant par les machines quadrupèdes et les appareils portatifs. Les chercheurs ont constaté que le modèle de mouvement interne qu'ils avaient entraîné était hautement généralisable. Un modèle entraîné sur les données de nombreux types de robots différents performait mieux qu'un modèle entraîné spécifiquement pour un seul type. Cela signifiait que le système pouvait être déployé sur un nouveau robot sans avoir besoin d'être réentraîné de zéro. Plus impressionnant encore, le système pouvait s'adapter à un tout nouveau robot en temps réel. Lors d'un test impliquant un grand véhicule tout-terrain, le système a utilisé seulement 60 secondes de données pour ajuster son modèle interne, apprenant les schémas de mouvement spécifiques du nouveau véhicule et améliorant immédiatement sa précision.

Les chercheurs ont comparé leur méthode aux meilleures technologies existantes dans le domaine. Dans des tests standards impliquant une dégradation géométrique et mixte, leur système a obtenu un taux d'erreur moyen inférieur de 54 % à celui de la deuxième meilleure méthode. Plus important encore, alors que d'autres systèmes échouaient complètement dans les conditions les plus extrêmes, comme les tests de fumée dense, Super Odometry a continué à fonctionner. L'étude a explicitement écarté l'idée que le simple ajout de capteurs ou la moyenne de leurs données soit suffisant pour résoudre ces problèmes. Au lieu de cela, ils ont montré qu'une approche rigide échoue lorsque l'environnement change, et qu'une stratégie hiérarchique et flexible est nécessaire pour maintenir la sécurité et la fonctionnalité.

Ce travail représente une étape significative vers la véritable autonomie des robots dans le monde réel. En élevant le capteur de mouvement interne à un rôle primaire et en créant un système capable de passer de manière fluide entre différentes stratégies selon la gravité de l'environnement, les chercheurs ont construit une base pour des robots capables d'opérer en toute sécurité dans n'importe quelle condition. Qu'il s'agisse d'un drone de secours volant à travers un bâtiment rempli de fumée, d'un rover explorant une grotte obscure ou d'un véhicule traversant une tempête de neige, ce système garantit que le robot ne perdra jamais vraiment sa trace. Les résultats, recueillis sur plus de 800 heures opérationnelles au cours de six années de développement, suggèrent que l'ère des robots fragiles et dépendants de l'environnement touche à sa fin, remplacée par des machines capables de s'adapter et de survivre partout où elles sont envoyées.