Navigation robotique : des neurones artificiels pour mieux se repérer

Un robot qui reconnaît un couloir malgré une lumière différente, un sentier après le changement de saison ou une zone déjà parcourue sous la pluie possède une compétence essentielle : il sait relier ce qu’il voit à une mémoire des lieux. Pourtant, cette capacité reste coûteuse en calcul et fragile lorsque le décor change. Des chercheurs de la Queensland University of Technology, ou QUT, en Australie, proposent de s’inspirer du vivant pour rendre cette étape de la navigation à la fois plus robuste et plus sobre en énergie.

Le projet, mené par la chercheuse postdoctorale Somayeh Hussaini, s’appuie sur des réseaux de neurones à impulsions, appelés Spiking Neural Networks ou SNN. L’objectif n’est pas de reproduire un cerveau dans toute sa complexité. Il consiste plutôt à reprendre un principe de son fonctionnement : traiter l’information à l’aide de signaux courts et discrets, semblables aux impulsions électriques échangées entre neurones biologiques. Cette approche pourrait aider des robots autonomes à se situer dans des environnements vastes, mouvants et difficiles, sans exiger en permanence des ressources informatiques considérables.

Pourquoi la reconnaissance des lieux est-elle si importante ?

Se déplacer de façon autonome ne signifie pas uniquement éviter un obstacle immédiat. Un robot doit également estimer où il se trouve, mémoriser les zones visitées et reconnaître un endroit lorsqu’il y revient. Cette fonction, dite de reconnaissance de lieux, est une brique fondamentale de la navigation : elle permet notamment de limiter les erreurs d’estimation de position qui s’accumulent au cours d’un trajet.

Dans une situation simple, une caméra et un programme de vision peuvent comparer une image courante à une base d’images enregistrées. Mais le monde réel est beaucoup moins stable qu’un laboratoire. Une même rue paraît différente selon l’heure, la météo, la saison, la présence de véhicules ou de passants. Un chantier, de la végétation qui pousse, des ombres changeantes ou un éclairage intérieur modifié peuvent aussi suffire à dérouter un système reposant trop strictement sur l’apparence des images.

Les robots modernes emploient souvent des méthodes d’intelligence artificielle puissantes, mais celles-ci peuvent demander beaucoup de données pour leur entraînement et une capacité de calcul importante lors de leur fonctionnement. Cette dépendance pose un problème pour les machines de petite taille, les robots mobiles sur batterie et les appareils appelés à travailler longtemps loin d’une infrastructure informatique.

Le chercheur Tobias Fischer souligne ainsi que les animaux parviennent à naviguer avec une efficacité et une robustesse remarquables dans de grands environnements dynamiques. Les insectes et les animaux ne disposent pas d’un centre de données embarqué. Leur aptitude à s’orienter constitue donc une source d’inspiration crédible pour imaginer des systèmes plus économes.

Les réseaux de neurones à impulsions, une autre manière de calculer

Les SNN appartiennent à la famille des réseaux de neurones artificiels. Leur particularité tient à leur mode de communication. Au lieu de transmettre continuellement des valeurs numériques entre les neurones artificiels, ils utilisent des événements brefs, les « impulsions » ou spikes. L’information peut être portée par la présence d’une impulsion et par son moment d’apparition.

Cette logique s’inspire des signaux électriques qui circulent dans les systèmes nerveux biologiques. Elle se distingue des réseaux neuronaux plus classiques, dans lesquels les couches de neurones effectuent généralement des calculs réguliers sur de grands ensembles de valeurs. Dans un SNN, le traitement peut être davantage déclenché par les événements pertinents. En théorie, cela évite d’activer inutilement l’ensemble du réseau lorsqu’une partie seulement de l’information change.

C’est pourquoi Somayeh Hussaini estime que ces réseaux conviennent particulièrement au matériel neuromorphique. Ce terme désigne des composants conçus pour s’approcher, dans leur organisation ou dans leur fonctionnement, du traitement neuronal. Leur promesse est de réaliser certaines tâches d’IA plus rapidement et avec une consommation réduite.

Il faut toutefois distinguer une piste de recherche d’une garantie universelle. Les gains énergétiques dépendent du matériel réellement utilisé, de l’algorithme, de la taille du modèle et de la tâche traitée. Les travaux de QUT ne revendiquent pas un pourcentage précis d’économie d’énergie. Ils montrent surtout qu’une reconnaissance de lieux reposant sur cette architecture peut fonctionner sur un robot disposant de ressources limitées.

Un ensemble de petits réseaux pour mémoriser l’espace

Le système élaboré à QUT utilise de petits modules de réseaux neuronaux afin d’identifier des lieux précis à partir d’images. Plutôt que de confier toute la mémoire visuelle à un modèle unique et monolithique, l’équipe associe plusieurs de ces modules dans un ensemble de réseaux. Cette organisation vise à rendre le système évolutif, afin qu’il puisse apprendre à se déplacer dans des environnements de plus grande taille.

L’idée répond à une difficulté très concrète : plus un robot explore un espace vaste, plus sa mémoire visuelle doit distinguer de nombreux lieux parfois très semblables. Des couloirs répétitifs, des rangées d’arbres ou des façades comparables sont autant de pièges. Un système utile doit à la fois reconnaître un emplacement connu et éviter de confondre deux endroits différents.

La recherche ne consiste donc pas simplement à détecter des objets dans une image. Elle cherche à répondre à une question plus large : « Suis-je déjà passé ici ? » Pour y parvenir, le robot exploite ses observations visuelles afin d’associer un panorama ou une succession de vues à une expérience précédente.

Pourquoi une séquence d’images améliore-t-elle la précision ?

Le résultat le plus marquant communiqué par l’équipe concerne l’emploi de séquences d’images, plutôt que d’images uniques. Selon la recherche, cette méthode a permis une amélioration de 41 % de la précision de reconnaissance des lieux.

Une image isolée fournit une photographie très partielle d’un environnement. Elle peut être altérée par un contre-jour, un angle de vue légèrement différent ou le passage temporaire d’un objet devant la caméra. Une séquence apporte davantage de repères : le robot observe comment les éléments se succèdent et conserve une trace plus riche de son déplacement.

Cette mémoire dynamique est particulièrement intéressante face aux transformations lentes du monde réel. Un même parcours peut changer d’apparence au fil des saisons, après des épisodes météorologiques différents ou sous un éclairage renouvelé. En tenant compte de plusieurs images consécutives, le système peut s’appuyer sur une continuité plutôt que sur une ressemblance parfaite entre deux clichés.

Un test sur robot, au-delà de la simulation

Les chercheurs ont testé leur système sur un robot aux ressources limitées. Ce point compte, car une méthode très performante sur un ordinateur de laboratoire ne devient pas nécessairement exploitable une fois installée sur une machine mobile, soumise aux contraintes de batterie, de poids, de température et de temps de réponse.

Cette validation apporte une preuve de faisabilité pour une approche destinée à des conditions réelles. Elle suggère qu’il est possible de combiner reconnaissance de lieux, adaptation aux changements visuels et contraintes de calcul sur une plateforme robotique modeste.

La suite du défi sera de confirmer cette robustesse dans des environnements encore plus variés. Une machine appelée à opérer dehors, par exemple, doit gérer les reflets, les zones sombres, la poussière, les intempéries et les modifications inattendues du terrain. Dans un bâtiment, elle doit composer avec les portes ouvertes ou fermées, les déplacements humains et les reconfigurations du mobilier.

Des usages envisageables dans les missions où chaque watt compte

Les applications évoquées par l’équipe de QUT concernent d’abord les domaines où l’autonomie énergétique et la rapidité de réaction ne sont pas de simples optimisations. L’exploration spatiale en est un exemple évident : un robot éloigné de la Terre doit fonctionner avec une énergie limitée et ne peut pas toujours s’en remettre à des calculs lourds effectués à distance.

Les opérations de récupération après une catastrophe constituent un autre terrain potentiel. Dans un environnement abîmé, imprévisible et parfois inaccessible aux humains, un robot pourrait devoir parcourir de longues distances, reconnaître des zones déjà inspectées et adapter ses décisions rapidement. Réduire ses besoins de calcul tout en préservant sa capacité à se repérer serait alors un avantage opérationnel.

D’autres usages peuvent être envisagés pour la recherche en robotique autonome, notamment dans les véhicules et machines qui évoluent dans des espaces où le réseau est absent ou insuffisant. Néanmoins, ces applications restent des perspectives : les travaux présentés portent précisément sur l’amélioration de la reconnaissance visuelle des lieux et sur sa mise en œuvre sur une plateforme contrainte.

Ce qu’il faut surveiller

Les résultats de QUT, annoncés pour publication dans IEEE Transactions on Robotics, illustrent une direction importante de la robotique : rapprocher la perception, la mémoire et le calcul embarqué afin que les robots dépendent moins de ressources énergétiques abondantes.

L’enjeu dépasse la seule vitesse de calcul. Une navigation réellement autonome doit continuer à fonctionner lorsque le paysage change, lorsque les capteurs livrent des données imparfaites et lorsque l’énergie disponible diminue. La capacité à apprendre progressivement, à reconnaître un lieu malgré ses transformations et à exécuter ces tâches sur du matériel limité sera décisive.

Les réseaux de neurones à impulsions ne remplaceront pas à eux seuls toutes les méthodes d’IA utilisées en robotique. Ils offrent néanmoins une piste particulièrement adaptée à une question concrète : comment doter des machines mobiles d’une mémoire du monde suffisamment fiable, sans leur imposer la lourdeur informatique des systèmes conventionnels ? Les prochaines validations sur des terrains plus divers et sur du matériel neuromorphique permettront de mesurer l’ampleur réelle de cette promesse.