One year in a forest: Analyzing the challenges of autonomous navigation in subarctic environments

Imaginez un robot conçu pour se conduire lui-même à travers une forêt, non pas sur une route pavée, mais à travers la nature sauvage et changeante du grand nord. Pour que ces machines fonctionnent, elles doivent savoir où elles se trouvent à chaque seconde. Habituellement, elles dépendent des signaux provenant de satellites en orbite haut perchée, un peu comme un smartphone utilise le GPS pour trouver un café. Mais dans les forêts boréales subarctiques du Canada, le ciel est souvent obstrué par d'épaisses couches d'arbres, et l'air lui-même peut absorber les signaux. Lorsque le signal satellite échoue, le robot doit compter sur ses propres yeux et capteurs pour naviguer, un processus appelé odométrie. C'est un peu comme marcher dans une pièce sombre les yeux fermés, en essayant de compter ses pas pour savoir quelle distance on a parcourue. Le problème est que la pièce change. En été, la forêt est verte et pleine de feuilles ; en hiver, elle est ensevelie sous des mètres de neige, et les arbres sont dénudés et austères. Pour une machine, ce changement saisonnier est comme si la pièce réorganisait soudainement ses meubles pendant que vous essayez de marcher à travers elle.

C'est le défi que une équipe de chercheurs de l'Université Laval, au Québec, s'est proposé de résoudre. Ils voulaient savoir si le logiciel de navigation le plus intelligent disponible aujourd'hui pourrait survivre une année complète dans une forêt boréale subarctique. Ils ne se sont pas contentés de simuler cela sur un ordinateur ; ils ont construit un vrai robot, un véhicule à chenilles de la taille d'une petite voiture, et l'ont envoyé dans la nature. Ils l'ont conduit sur 64 kilomètres de routes forestières et de terrains hors piste, enregistrant des données à travers la chaleur de l'été, la décomposition de l'automne et le gel profond de l'hiver. Les variations de température étaient extrêmes, changeant de plus de 60 degrés Celsius entre les journées les plus chaudes et les nuits les plus froides. L'objectif était de tester neuf systèmes de navigation différents, allant de simples méthodes de comptage de roues à l'intelligence artificielle complexe qui tente de construire une carte 3D du monde en temps réel. Ils voulaient voir quels systèmes continueraient à fonctionner lorsque le monde autour d'eux changerait complètement, et lesquels abandonneraient simplement.

Les résultats furent surprenants. Les chercheurs ont découvert que les systèmes les plus sophistiqués, ceux qui utilisent des caméras pour « voir » le monde ou des algorithmes complexes pour construire des cartes détaillées, étaient souvent les plus fragiles. Lorsque les saisons changeaient, ces systèmes avancés peinaient à reconnaître le même endroit. Une caméra regardant une forêt en été voit des feuilles vertes et une lumière tamisée ; en hiver, cette même forêt est un tunnel de neige blanche et de troncs sombres. Le logiciel, entraîné sur des données de villes ou de climats tempérés, ne pouvait pas faire le lien. Il s'embrouillait, perdait sa trace et déviait de sa course. Dans de nombreux cas, ces systèmes de haute technologie ont moins bien performé qu'une méthode beaucoup plus simple qui se contentait de compter combien les roues tournaient et utilisait un capteur de base pour deviner la direction. Cette méthode simple, connue sous le nom d'odométrie proprioceptive, ne se souciait pas de l'apparence de la forêt. Elle ne se souciait que du mouvement du robot lui-même. Bien qu'elle ne fût pas parfaite, elle s'est avérée remarquablement stable, échouant beaucoup moins souvent que ses cousines complexes lorsque la neige s'accumulait ou que les arbres étaient couverts de glace.

L'étude a également révélé que ajouter de la complexité au système rendait souvent celui-ci plus susceptible de tomber en panne. Certains logiciels avancés tentaient de corriger leurs propres erreurs en cherchant des endroits qu'ils avaient déjà visités, un processus appelé fermeture de boucle (loop closure). Dans une ville, cela fonctionne bien car les bâtiments ont la même apparence toute l'année. Dans la forêt subarctique, cependant, les « points de repère » étaient peu fiables. Un tas de neige en hiver pourrait ressembler à un buisson en été, ou un arbre pourrait être caché par un banc de neige. Le logiciel tentait de faire correspondre ces caractéristiques, se trompait, puis commettait une erreur énorme dans sa position. Les chercheurs ont constaté que ces systèmes complexes étaient si sensibles aux changements de l'environnement qu'ils faisaient souvent échouer complètement le robot, l'arrêtant net dans sa course. En revanche, les systèmes plus simples, qui ne tentaient pas de construire une carte parfaite du monde, continuaient à avancer, même s'ils étaient légèrement décalés de leur trajectoire.

L'une des conclusions les plus critiques concernait la différence entre les capteurs eux-mêmes. Les caméras, qui sont excellentes pour voir les détails dans une ville, ont été les plus affectées par les saisons. En été, la caméra pouvait voir de nombreuses caractéristiques à suivre, mais en hiver, la neige créait une surface blanche, plate et sans relief, qui confondait le logiciel. Le robot roulait sur la neige, et la caméra ne voyait rien d'autre que du blanc, provoquant la perte du sens de l'orientation du système de navigation. Le radar et le lidar, qui utilisent des ondes radio et des impulsions laser pour mesurer la distance, étaient beaucoup plus résilients. Ils pouvaient voir à travers la neige et l'obscurité, et ne dépendaient pas de l'apparence visuelle des arbres. Cependant, même ces capteurs avaient des difficultés lorsque le sol lui-même changeait de forme. Lorsqu'un robot roulait sur un banc de neige, l'angle du véhicule changeait, modifiant la façon dont les capteurs percevaient le sol. Ce décalage physique, combiné au changement de paysage, faisait que même les systèmes radar peinaient à faire correspondre un nouveau trajet à une ancienne carte.

Les chercheurs ont également testé si un robot pouvait apprendre un chemin lors d'une saison et le répéter lors d'une autre, une tâche appelée « Enseigner et Répéter » (Teach and Repeat). Ils ont appris un itinéraire au robot en été et lui ont demandé de parcourir le même chemin en hiver. Les résultats furent mitigés. Les systèmes basés sur le lidar, qui utilisent des lasers pour créer une carte 3D, ont réussi la tâche dans de nombreux cas, principalement parce qu'ils pouvaient voir les grands arbres qui restaient constants même lorsque le sol était enseveli. Les systèmes radar, qui ne voient qu'une tranche plate du monde, et les systèmes de caméra, qui reposent sur des motifs visuels, ont échoué beaucoup plus souvent. Le radar, en particulier, était perturbé par le changement d'angle du sol lorsque le robot grimpait sur des bancs de neige, entraînant une perte d'alignement avec la carte apprise des mois plus tôt. Les systèmes de caméra ne parvenaient tout simplement pas à trouver assez d'indices visuels pour savoir où ils se trouvaient, surtout lorsque le robot circulait sur des routes non déneigées où la neige était profonde et uniforme.

Au-delà du logiciel, la réalité physique de l'environnement subarctique posait ses propres défis que les chercheurs ont dû surmonter pour simplement maintenir l'expérience opérationnelle. Le froid était un ennemi constant. Les batteries perdaient leur puissance beaucoup plus vite dans les températures glaciales, et les chenilles du robot, censées l'aider à se déplacer sur la neige, nécessitaient en fait deux fois plus d'énergie pour tourner que les roues en été. L'équipe a dû faire face au fait que le robot s'embourbe dans la neige, non seulement à cause de sa profondeur, mais aussi à cause du type de neige. La neige fraîche et sèche de novembre permettait au robot d'adhérer et de progresser, mais la neige humide et lourde d'avril faisait patiner les chenilles sans faire avancer le véhicule. Les capteurs devaient être maintenus propres, sans neige ni glace, sous peine de cesser totalement de fonctionner. Même la vérité terrain, les données de référence utilisées pour vérifier si le robot était dans le vrai, était difficile à obtenir. L'équipe a dû utiliser une grue spéciale pour soulever le robot et l'agiter dans différentes directions afin de calibrer ses capteurs, car le froid extrême et le terrain accidenté rendaient la calibration standard impossible.

L'étude conclut que bien que nous ayons fait de grands progrès dans la navigation robotique, la forêt subarctique demeure une frontière hostile pour les machines autonomes. Les algorithmes les plus avancés, qui fonctionnent magnifiquement dans les villes ou les laboratoires contrôlés, ne sont pas encore prêts pour le monde sauvage et changeant du Nord. Ils sont trop fragiles, trop dépendants du fait que le monde ressemble à ce qu'il était lorsqu'on leur a appris à naviguer. Les méthodes les plus simples, qui reposent sur le propre mouvement du robot, se sont avérées les plus fiables, suggérant que pour l'instant, un robot dans le Grand Nord ferait mieux de se fier à ses propres pas plutôt que d'essayer de reconnaître le paysage. Les chercheurs soulignent que pour progresser, le domaine a besoin de meilleures façons de tester ces systèmes dans des conditions réelles, et non seulement dans des simulations. Ils suggèrent que les tests futurs devraient explicitement rapporter la fréquence à laquelle les systèmes échouent, et pas seulement leur précision lorsqu'ils fonctionnent. D'ici là, le rêve d'un robot capable de errer dans la forêt subarctique toute l'année, naviguant dans la neige profonde et les changements de saisons de manière autonome, reste hors de portée. La forêt change, et les machines ne sont pas encore prêtes à suivre le rythme.