Cartographier et reconnaître : comment les robots gagnent en autonomie

Un robot ne devient pas autonome parce qu’il roule, vole ou saisit un objet. Il le devient lorsqu’il peut répondre, sans guidage permanent, à des questions très concrètes : où suis-je ? Qu’y a-t-il devant moi ? Quel chemin puis-je emprunter ? Et dans quel ordre dois-je agir pour atteindre mon objectif ? Une méthode présentée le 1er octobre 2024 propose de rapprocher deux capacités essentielles, la cartographie d’un environnement et l’identification des objets qui s’y trouvent.

Cette association est déterminante pour faire sortir les robots des espaces très balisés. Dans une usine parfaitement organisée, les machines peuvent répéter les mêmes gestes au même endroit. Mais un entrepôt, un domicile, un couloir encombré ou un lieu à surveiller changent constamment. Un carton est déplacé, une porte est fermée, une personne traverse la zone, un obstacle apparaît. Le robot doit alors percevoir la situation, mettre à jour sa représentation des lieux et adapter son action.

La démarche décrite s’appuie notamment sur le LiDAR, une technologie de détection par laser, ainsi que sur des modèles d’apprentissage automatique chargés de reconnaître les objets. L’ambition n’est donc pas seulement de produire une carte géométrique : il s’agit de donner du sens à l’espace pour accomplir une série de tâches.

Cartographier un lieu ne suffit pas : il faut aussi comprendre ce qui s’y trouve

Une carte robotique représente les éléments utiles à la navigation : murs, couloirs, obstacles, ouvertures ou zones libres. Elle aide une machine mobile à se situer et à calculer un itinéraire. Cette capacité est souvent désignée par le terme de localisation et cartographie simultanées, ou SLAM, pour Simultaneous Localization and Mapping. Le principe est simple à énoncer, mais difficile à réaliser : le robot doit construire une carte tout en déterminant sa propre position sur cette carte.

Or, connaître la forme d’un objet ne dit pas nécessairement ce qu’il est. Pour un robot chargé de trier des déchets, par exemple, distinguer un volume posé au sol d’une bouteille, d’un carton ou d’un obstacle non manipulable change la décision à prendre. De même, pour livrer un colis, reconnaître la destination, les passages praticables et les objets gênants est plus utile qu’une carte constituée de simples points et distances.

La nouvelle méthode évoquée combine donc deux couches d’information :

• une représentation spatiale, qui décrit la disposition des lieux et les distances ;
• une représentation sémantique, qui attribue une catégorie ou une signification aux éléments observés.

Cette seconde couche est ce qui permet de passer d’un robot qui évite indistinctement tout obstacle à une machine qui peut, selon sa mission, contourner une chaise, se diriger vers un colis ou repérer un objet à ramasser.

Comment le LiDAR aide-t-il les robots à voir en trois dimensions ?

Le LiDAR est l’un des principaux capteurs employés pour obtenir des mesures de distance. Son fonctionnement repose sur l’émission de lumière laser et l’analyse du signal renvoyé après réflexion sur une surface. En mesurant ce retour, le système estime la distance entre le capteur et les éléments de l’environnement.

À mesure que le robot se déplace, les relevés forment un ensemble dense de points, appelé nuage de points. Ces données permettent de reconstituer les reliefs et volumes présents autour de la machine. Le résultat peut servir à établir une carte tridimensionnelle, particulièrement utile lorsque la hauteur, la profondeur ou la forme des objets comptent pour la tâche envisagée.

Dans la méthode présentée, le LiDAR alimente donc la partie cartographique en temps réel. Le robot peut analyser l’espace qu’il explore, détecter des obstacles et produire une représentation 3D des lieux. Mais un nuage de points brut reste difficile à exploiter directement : il faut encore interpréter ces données.

C’est ici que les techniques d’intelligence artificielle interviennent. Elles peuvent examiner des caractéristiques physiques observées par les capteurs, telles que la forme, les dimensions, la position ou la structure d’un élément, afin de l’associer à une catégorie d’objets. Les caméras, y compris les caméras RGB-D qui combinent image et profondeur, peuvent compléter ces informations selon l’équipement du robot.

L’apprentissage profond permet d’adapter les décisions

La reconnaissance d’objets constitue un défi central. Dans le monde réel, un même objet peut être vu sous un angle différent, partiellement masqué, posé dans une zone encombrée ou éclairé de manière variable. Les algorithmes d’apprentissage profond sont conçus pour apprendre à repérer des régularités dans de grands ensembles de données et à relier ces indices à des catégories.

Appliqués à la robotique, ils ne servent pas uniquement à nommer ce que le robot perçoit. Ils peuvent contribuer à relier la perception, la carte et l’action. Après avoir accumulé des informations lors de précédentes interactions, le système peut ajuster son comportement lorsqu’il se trouve face à une situation semblable ou lorsqu’un environnement évolue.

Cette capacité d’adaptation est particulièrement importante hors des chaînes de production traditionnelles. Dans un logement, les meubles ne sont pas fixés au sol et les objets usuels sont nombreux. Dans un entrepôt, les palettes, chariots et colis bougent. Dans un espace de surveillance, la circulation des personnes et les changements d’agencement modifient régulièrement la scène.

Il faut toutefois distinguer l’apprentissage d’une autonomie totale. Un robot peut améliorer sa carte ou son identification d’objets au fil des observations, sans pour autant savoir résoudre toutes les situations imprévues. La qualité des capteurs, la diversité des exemples utilisés pour l’entraînement, les conditions réelles de fonctionnement et les règles de sécurité restent décisives.

De la carte à l’action : quels usages concrets ?

La combinaison de la cartographie et de l’identification d’objets peut être mobilisée dans plusieurs secteurs. Le point commun est toujours le même : la machine doit évoluer dans un espace physique et accomplir une mission précise sans se contenter de suivre un trajet prédéfini.

Dans la logistique, un robot peut se déplacer entre des rayonnages, repérer les zones disponibles et acheminer des colis en limitant les risques de collision. La carte lui donne une vision d’ensemble des allées et passages, tandis que l’identification d’objets l’aide à interpréter ce qu’il rencontre.

Dans le recyclage, reconnaître les éléments présents est directement lié à la tâche. Un système ne doit pas seulement localiser un objet sur un tapis ou dans une zone de collecte : il doit contribuer à déterminer comment le traiter ou le séparer des autres matériaux.

Dans la domotique, les enjeux sont différents mais tout aussi exigeants. Un robot destiné à intervenir dans un domicile doit composer avec des pièces aux configurations variées, des seuils, des meubles, des objets du quotidien et la présence d’habitants. Une représentation 3D peut l’aider à naviguer, tandis que la reconnaissance d’objets permet d’envisager des interactions plus ciblées.

Enfin, pour la surveillance d’espaces, cartographier et détecter les changements peut aider un robot à couvrir une zone complexe. Il peut transmettre des informations sur ce qu’il observe et signaler les éléments qui méritent l’attention d’un opérateur humain.

Pourquoi l’humain reste impliqué avec le concept BLIND

L’autonomie robotique ne signifie pas nécessairement l’exclusion de l’humain. Les recherches récentes mentionnées dans cette approche mettent en avant le concept de Bayesian Learning IN the Dark, ou BLIND. Ce système fait intervenir les utilisateurs dans le processus d’apprentissage du robot afin de faciliter la résolution de tâches complexes et d’améliorer l’interaction entre la machine et ses opérateurs.

Le mot « bayésien » renvoie, de manière générale, à une famille de méthodes qui mettent à jour une estimation à partir de nouvelles observations. Dans le cas d’un robot, l’idée est pertinente lorsque les informations disponibles sont incomplètes ou incertaines : un capteur peut ne voir qu’une partie de la scène, un objet peut être difficile à identifier ou plusieurs actions peuvent sembler possibles.

L’apport humain peut alors servir à guider l’apprentissage, corriger une interprétation ou apporter un retour sur la manière dont la tâche a été menée. Cette collaboration est importante dans les domaines où une erreur de classification ou de déplacement aurait des conséquences concrètes. Elle évite aussi de présenter le robot comme une boîte noire qui apprendrait seul dans toutes les circonstances.

L’enjeu consiste à trouver le bon équilibre. Trop solliciter l’opérateur réduirait l’intérêt de l’automatisation. Ne jamais permettre de correction ou de supervision limiterait, au contraire, la fiabilité et l’acceptation de ces systèmes dans des environnements partagés avec des humains.

L’exploration à plusieurs robots, une piste étudiée au Loria

La méthode ouvre également une perspective collective : au lieu de confier toute l’exploration d’un lieu à une seule machine, plusieurs robots pourraient se répartir le travail. Les chercheurs du Loria, le Laboratoire lorrain de recherche en informatique et ses applications, travaillent sur des solutions multifonctionnelles dans cette direction.

Une exploration coordonnée peut permettre de couvrir un environnement plus largement et plus efficacement. Mais elle crée de nouvelles difficultés. Les robots doivent partager ou concilier leurs cartes, éviter de se gêner, limiter les collisions et répartir les tâches sans explorer inutilement les mêmes zones.

Dans un scénario logistique, l’unité la plus proche d’un objectif pourrait être chargée d’une livraison pendant qu’une autre inspecte une zone encore inconnue. Dans un lieu complexe, la coordination pourrait aussi réduire les temps d’attente et améliorer la qualité des informations recueillies. Ces bénéfices supposent toutefois une communication fiable entre les robots et des règles de décision adaptées à la situation.

Ce qu’il faut surveiller pour passer de la démonstration aux usages quotidiens

La cartographie 3D, le LiDAR et l’apprentissage automatique donnent aux robots des outils de perception de plus en plus élaborés. Pourtant, leur déploiement à grande échelle dépendra de critères très concrets : la fiabilité dans des lieux changeants, la capacité à traiter les erreurs de perception, la sécurité des personnes présentes et le coût des équipements.

La robustesse face aux environnements dynamiques sera particulièrement scrutée. Une carte devient rapidement incomplète si les objets bougent fréquemment. La reconnaissance doit aussi rester fiable dans des espaces encombrés, lorsque les objets sont partiellement cachés ou dans des conditions d’éclairage variables pour les capteurs visuels.

Il faudra également évaluer la manière dont ces robots expliquent ou signalent leurs décisions aux opérateurs. Le concept BLIND rappelle que l’humain conserve un rôle précieux dans l’apprentissage et la supervision de tâches difficiles. Enfin, les stratégies à plusieurs robots devront démontrer qu’elles améliorent réellement la couverture et la sécurité, plutôt que d’ajouter une couche de complexité.

L’évolution la plus importante se situe peut-être là : un robot utile ne doit pas uniquement détecter le monde physique. Il doit construire une représentation suffisamment fiable de ce monde, reconnaître ce qui compte pour sa mission et ajuster son action lorsque la réalité ne correspond plus exactement à ce qu’il avait prévu.