WildFusion, le système qui aide les robots à lire les terrains difficiles

Un sentier peut paraître praticable à l’œil et se révéler meuble, glissant ou encombré au moment d’y poser le pied. Pour un humain, ce décalage est généralement corrigé presque instantanément : la vue donne une première indication, puis l’équilibre, le contact avec le sol et les sons produits par les pas complètent l’évaluation. Donner cette forme de perception combinée aux robots est l’ambition de WildFusion, un cadre développé par des chercheurs de l’université Duke.

Présenté le 20 mai 2025, ce travail s’intéresse à une difficulté centrale de la robotique mobile : faire évoluer une machine hors des environnements soigneusement préparés. Dans un entrepôt, une usine ou un couloir, le sol est souvent plat, les obstacles sont relativement prévisibles et l’éclairage peut être contrôlé. En forêt, sur un chemin gravillonné ou dans une zone dégradée, ces repères disparaissent. Le terrain change à chaque mètre, les branches masquent la vue et la stabilité du sol ne se déduit pas toujours d’une image.

WildFusion propose donc de ne plus demander au robot de se fier essentiellement à ce qu’il voit. Le système rassemble plusieurs informations sensorielles afin de construire une représentation plus riche de son environnement et de l’aider à décider où il peut avancer.

Pourquoi la vision ne suffit pas sur un terrain accidenté

La vision est indispensable à la navigation autonome. Une caméra permet d’identifier des formes, des couleurs, des pentes ou des obstacles placés à distance. Un capteur LiDAR, qui mesure les distances grâce à des impulsions lumineuses, apporte pour sa part une lecture géométrique du relief. Ces deux sources sont précieuses pour repérer un tronc, un rocher, une marche ou une zone d’apparence dégagée.

Mais une image reste une information indirecte sur la qualité réelle du sol. Deux surfaces visuellement proches peuvent offrir une adhérence, une dureté ou une stabilité très différentes. Le gravier peut rouler sous une patte ou une roue. Une couche de feuilles peut cacher une racine. Un terrain boueux peut sembler plat tout en risquant de ralentir ou de déséquilibrer la machine.

Les humains compensent naturellement cette incertitude en mobilisant plusieurs sens. La sensation sous les pieds renseigne sur la texture et la fermeté. Le bruit d’une branche ou de pierres déplacées apporte un indice supplémentaire. Le sens de l’équilibre détecte un mouvement inattendu du corps. WildFusion s’inspire de cette logique : il ne cherche pas à reproduire un humain, mais à donner au robot des données complémentaires lorsque l’image seule est insuffisante.

Quels capteurs composent WildFusion ?

Le cadre conçu à Duke fusionne des données issues de cinq familles de capteurs. Chacune répond à une question différente : à quoi ressemble le terrain, quelle est sa forme, comment bouge le robot, que transmet le contact avec le sol et quelles vibrations ce contact génère-t-il ?

La caméra RGB est celle qui se rapproche le plus de la vision ordinaire. Le LiDAR complète toutefois cette vision en fournissant une information spatiale utile pour évaluer les distances et les formes. Les capteurs inertiels, quant à eux, renseignent la machine sur ses propres mouvements. Si elle tangue, accélère brusquement ou change d’inclinaison, ces instruments contribuent à établir que son déplacement ne se déroule pas comme prévu.

L’originalité de WildFusion tient surtout à l’intégration des microphones de contact et des capteurs tactiles. Les premiers ne servent pas simplement à enregistrer les bruits ambiants. Ils captent des vibrations associées au contact du robot avec son environnement. Les seconds ajoutent une donnée directe sur ce contact. Dans une situation où l’apparence du sol est trompeuse, ces signaux peuvent apporter des indices que la caméra et le LiDAR ne fournissent pas à eux seuls.

Le système combine ces éléments pour former une carte de l’environnement prenant en compte la géométrie, la couleur et les vibrations acoustiques. L’objectif est ensuite de mieux prédire la navigabilité du terrain, c’est-à-dire la possibilité pour le robot d’y circuler, et d’améliorer ses décisions de déplacement.

De l’image au contact : ce que change la fusion sensorielle

L’intérêt d’une approche multimodale, autrement dit fondée sur plusieurs types de signaux, est de réduire la dépendance à une information unique. Un capteur ne disparaît pas parce qu’un autre est ajouté : chacun peut corriger, préciser ou mettre en contexte les données des autres.

Par exemple, une caméra peut montrer une zone sombre sans permettre, à elle seule, de savoir si cette zone correspond à une ombre, à un sol humide ou à un obstacle. Le LiDAR peut préciser la structure du relief. Lorsque le robot s’engage, les données inertielle, tactile et vibratoire renseignent alors sur ce qui se produit réellement au contact du terrain. Ce principe ne garantit pas que la machine évitera toute difficulté, mais il lui donne une base d’analyse plus diversifiée.

Cette fusion représente aussi un défi technique. Les capteurs ne produisent pas tous les mêmes signaux et ne s’expriment pas de la même façon : une image, une mesure de distance, une accélération et une vibration doivent être interprétées ensemble. Pour être utile à la navigation, cette combinaison doit fournir une estimation exploitable au moment où le robot choisit sa trajectoire.

Le travail sur WildFusion s’inscrit ainsi dans une évolution plus large de la robotique : rendre les machines moins dépendantes de scénarios balisés. Au lieu d’exiger un sol uniforme et une cartographie détaillée à l’avance, l’enjeu est de leur permettre de recueillir des informations pendant qu’elles se déplacent et d’adapter leur comportement à ce qu’elles rencontrent.

Des essais dans le parc d’État de la rivière Eno

Pour évaluer WildFusion hors d’un décor artificiel, les chercheurs l’ont testé au parc d’État de la rivière Eno, en Caroline du Nord. Ce choix de terrain est cohérent avec le problème visé : les milieux naturels comportent des irrégularités, des végétaux, des revêtements variés et des zones où les obstacles ne suivent pas une organisation régulière.

Le robot équipé du système a été confronté notamment à des forêts denses et à des chemins gravillonnés. Selon les résultats rapportés, il a réussi à naviguer à travers ces différentes zones. Les chercheurs ont également constaté une amélioration de la prédiction de la navigabilité et de la prise de décision du robot.

Aucun chiffre de performance détaillé n’est associé à ces essais dans les éléments présentés. Il convient donc de lire ces résultats pour ce qu’ils sont : une démonstration encourageante du potentiel de la fusion sensorielle en conditions extérieures, et non la preuve qu’un robot peut désormais se déplacer sans difficulté dans n’importe quel paysage.

Les essais en plein air sont néanmoins importants. Les robots sont depuis longtemps efficaces lorsqu’ils opèrent dans des espaces conçus pour eux. Les faire circuler dans des environnements ouverts, irréguliers et changeants est plus complexe. La lumière varie, le sol se transforme avec la météo, des éléments peuvent bouger ou masquer les repères, et une erreur d’estimation peut compromettre la progression.

À quoi pourrait servir une telle perception robotique ?

Les chercheurs citent notamment la réponse aux catastrophes et l’exploration autonome parmi les usages potentiels. Dans ces contextes, la capacité à se déplacer sur un terrain difficile n’est pas un simple confort. Elle détermine la possibilité d’atteindre une zone, de l’observer ou d’y transporter des instruments sans exposer inutilement des personnes à un danger immédiat.

Après une catastrophe, les voies d’accès peuvent être endommagées, couvertes de débris ou instables. Dans un site éloigné, une machine autonome peut aussi devoir parcourir un sol pour lequel aucune infrastructure n’a été aménagée. Un système capable de mieux estimer la praticabilité du terrain pourrait alors accroître l’utilité de la robotique dans des zones compliquées d’accès.

Le même principe peut intéresser l’inspection d’infrastructures isolées ou d’environnements où les chemins sont peu structurés. Il ne remplace pas nécessairement un opérateur humain. Dans de nombreux cas, la supervision, la définition de la mission et l’interprétation des observations resteront cruciales. Mais une navigation plus robuste permettrait au robot de couvrir davantage de terrain et de s’arrêter moins souvent face à une incertitude qu’il ne sait pas interpréter.

Pourquoi passer du laboratoire au terrain reste difficile

Un robot qui fonctionne dans une démonstration contrôlée n’est pas automatiquement prêt pour toutes les missions extérieures. Le terrain réel impose des contraintes durables : les capteurs doivent résister à la poussière, aux chocs ou à l’humidité, les données doivent rester fiables malgré des conditions changeantes, et le système doit traiter ses informations avec suffisamment de rapidité pour que les décisions soient pertinentes.

La multiplication des capteurs apporte de la richesse, mais aussi de nouveaux besoins. Ils doivent être correctement intégrés, leurs mesures doivent pouvoir être comparées et les désaccords entre signaux doivent être gérés. Si la caméra est gênée par une visibilité réduite, les autres capteurs peuvent devenir particulièrement précieux. À l’inverse, si un signal de contact est difficile à interpréter, la machine doit éviter de tirer une conclusion excessive à partir de cette seule information.

C’est précisément l’intérêt d’une conception multimodale : ne pas faire porter toute la décision sur une seule mesure. Mais cette diversité ne dispense pas de tester le système dans de nombreux contextes. Un chemin gravillonné, un sous-bois, une pente humide ou un amas de débris ne sollicitent pas les capteurs de la même manière.

Ce qu’il faut surveiller

La prochaine étape envisagée pour WildFusion est l’ajout de capteurs capables de détecter la chaleur et l’humidité. Ces données pourraient compléter la perception du robot, en lui donnant accès à des caractéristiques de l’environnement que l’image, le relief ou les vibrations ne décrivent pas directement.

Cette perspective montre la direction prise par une partie de la recherche en robotique : enrichir progressivement les informations disponibles plutôt que demander à une caméra de résoudre seule tous les problèmes du monde réel. Pour les applications de secours, d’exploration ou d’inspection, la question décisive sera de savoir si ces systèmes conservent leur efficacité dans des conditions variées, sur la durée et avec un niveau de fiabilité compatible avec des missions sensibles.

WildFusion apporte une réponse concrète à une limite bien identifiée : un robot ne peut pas se contenter de « voir » un terrain pour savoir s’il peut le franchir. En apprenant aussi à mesurer le mouvement, le toucher et les vibrations, il se rapproche d’une navigation plus attentive aux réalités physiques du sol qu’il parcourt.