Avant la fusion de capteurs
Résumé : la navigation moderne répond au besoin de continuité entre le robot, son environnement proche et une mission globale.
Avant les piles modernes de localisation, l'automatisation agricole reposait surtout sur des trajectoires répétées, des opérateurs humains, des guidages mécaniques ou des repères environnementaux très structurés.
Ces approches conviennent aux opérations simples, mais deviennent fragiles lorsqu'un robot doit naviguer dans un environnement inconnu, éviter des obstacles dynamiques et fonctionner dans des zones où un ou plusieurs capteurs sont peu fiables. Le problème central est la continuité de pose : le robot doit savoir où il se trouve, dans quel repère, et avec quelle confiance.
Toute intervention humaine réduit les gains potentiels de productivité et de rentabilité de l'automatisation; un algorithme de navigation plus robuste est donc souhaitable.
Repères et alignement
Résumé : un robot agricole doit coordonner plusieurs repères de référence provenant de différents capteurs.
Un repère est une façon de décrire une position et une orientation par rapport à un point connu. Un robot possède généralement un repère base_link attaché à son châssis, un repère odom pour le mouvement à court terme, un repère map_local relatif aux éléments proches, par exemple les murs de la pièce où se trouve le robot, et un repère global map_global_ENU lié au GNSS, c'est-à-dire à des systèmes comme le GPS.
Le problème apparaît lorsque la carte locale et le repère global ne pointent pas exactement dans la même direction ou ne partagent pas la même origine. Si ce décalage est ignoré, le robot peut sembler “sauter” lorsque l'information GNSS redevient disponible, par exemple en sortant d'un bâtiment. Ce problème ne peut pas être ignoré en faisant confiance à un seul capteur, car aucun d'eux ne convient seul à un usage pleinement autonome.
Comparaison des capteurs
Résumé : le GNSS convient au positionnement global, le LiDAR et les caméras au positionnement local, et l'IMU et les encodeurs au mouvement instantané.
Le tableau suivant fournit une courte comparaison des capteurs couramment utilisés.
| Source | Forces | Limites | Environnements favorables |
|---|
GNSS-RTK GPS et systèmes similaires | Repère global partagé par tous les utilisateurs GNSS, précision pouvant atteindre le centimètre avec correction RTK, indépendant des caractéristiques locales, faible coût et petite taille. | Occlusions physiques comme la canopée et les bâtiments, effets de trajets multiples et perte des signaux RTK. | Champs ouverts, longues trajectoires, retour vers une parcelle. |
LiDAR Light Detection and Ranging | Information dense et précise sur les objets proches, plus robuste aux conditions lumineuses que les caméras RGB. | Le repère peut dériver si l'environnement est répétitif ou pauvre en caractéristiques; reste vulnérable à la poussière et à la pluie; coût de l'équipement. | Espaces comportant de nombreux obstacles, comme les garages et les serres. |
IMU centrale inertielle | Fréquence de mise à jour élevée, faible coût et petite taille. | Dérive avec le temps, sensible au montage et aux vibrations. | Suivi des mouvements courts et des changements d'orientation. |
Encodeurs rotatifs rotation des roues | Fréquence de mise à jour élevée, faible coût et petite taille, couplage physique à la surface mesurée. | Glissement des roues; dépend d'une information précise sur les dimensions des roues ou chenilles. | Sol ferme, basse vitesse. |
| Caméras RGB/stéréo/profondeur | Polyvalentes : elles ne détectent pas seulement des éléments, elles peuvent aussi les classifier. | Sensibles aux conditions environnementales comme la lumière, la météo et la propreté de la lentille. Nécessitent des modèles de vision calibrés et des ressources de calcul suffisantes. | Suivi de rangs, détection de cultures, différenciation des obstacles. |
Les capteurs couramment utilisés couvrent l'ensemble de l'échelle de positionnement, des transitions instantanées au positionnement global, mais chaque niveau présente des faiblesses que d'autres capteurs peuvent compléter.
Fusion de capteurs
Résumé : la fusion transforme des mesures imparfaites en une estimation plus stable en pondérant leur crédibilité selon le contexte.
La conclusion naturelle de la comparaison est qu'aucun capteur n'est fiable partout, et qu'une meilleure précision peut être obtenue en fusionnant les entrées de plusieurs sources. Cette fusion doit toutefois tenir compte de la fiabilité et de la précision de chaque type de capteur, qui varient lors des transitions entre environnements.
Les méthodes suivantes sont couramment utilisées pour la fusion. Elles ne sont pas mutuellement exclusives et peuvent être combinées à différents niveaux du logiciel du robot. Par exemple, les entrées de l'IMU et des encodeurs de roues peuvent être fusionnées en une estimation de pose avec un filtre de Kalman, puis un graphe de facteurs peut fusionner cette estimation avec l'historique des mesures GNSS.
Méthodes de filtrage
Approche classique de la fusion de capteurs. Les filtres les plus populaires sont les filtres de Kalman étendus et non parfumés (EKF/UKF), ainsi que les filtres particulaires. De façon générale, ils supposent que la position future dépend seulement de l'état présent, selon un processus de Markov caché, et prédisent cet état futur à partir des observations courantes et des hypothèses d'erreur de chaque capteur. La précision de cette méthode dépend fortement de ces hypothèses et peut exiger un réglage fin.
Graphes de facteurs
Approche plus moderne. Au lieu de baser la prédiction uniquement sur l'état précédent, les graphes de facteurs représentent les estimations de pose comme des noeuds reliés aux noeuds voisins par des mesures de capteurs, puis cherchent l'ensemble d'estimations, autrement dit le trajet du robot dans le temps, qui correspond le mieux à l'historique des observations. La gestion du stockage et de l'élagage des mesures passées devient alors un enjeu.
Réseaux de neurones
Couramment appelés IA. Les réseaux de neurones utilisent une grande série d'opérations simples pour approximer une fonction inconnue. Bien qu'il soit théoriquement possible d'automatiser toute la tâche avec un seul réseau de neurones, ils exigent un entraînement important et leur comportement dans des situations inédites est mal compris.
Workflow théorique : du local au global
Résumé : la transition construit une estimation locale, attend un GNSS fiable, puis calcule progressivement le lien entre la carte locale et les coordonnées globales.
Voici un exemple de workflow montrant comment un robot peut passer d'un environnement sans GNSS à un environnement ouvert, puis traiter la nouvelle information reçue.
Définir les repères
Documenter base_link, odom, map_local, map_global_ENU, lidar, imu, camera et gnss. Les conventions d'axes doivent être explicites.
Créer une localisation locale
Utiliser le LiDAR, l'IMU et l'odométrie pour construire une carte ou localiser le robot dans le garage et les zones sans GNSS.
Détecter le retour d'un GNSS fiable
Surveiller RTK fix/float, covariance, GDOP, nombre de satellites et cohérence du cap à double antenne.
Aligner la carte locale avec ENU
Lorsqu'un signal GNSS fiable est obtenu, utiliser la position globale et le cap initial pour calculer la transformation entre map_local et map_global_ENU.
Insérer un repère intermédiaire
Un repère map_local_aligned limite les sauts de pose et permet un passage progressif entre sources locales et globales.
Activer la fusion adaptative
Augmenter le poids du GNSS lorsqu'il est stable, et revenir vers LiDAR/IMU/vision lorsque le signal se dégrade.