Un drone et un LiDAR Mid-360 passent au crible quatre méthodes SLAM : qui sort vainqueur ?

Quatre challengers face à l’épreuve du terrain

Un drone équipé d’un LiDAR Livox Mid-360 a servi de cobaye pour évaluer quatre méthodes de SLAM (Simultaneous Localization and Mapping) dans sept vols en intérieur. L’expérience, menée sous le regard d’un système de capture de mouvement VICON pour étalonner les résultats, a été publiée le 7 septembre sur Open Robotics Discourse avec son dépôt de données et de code. L’objectif ? Mesurer la précision de chaque algorithme dans des conditions réelles, loin des simulations contrôlées.

Les quatre méthodes testées sont :

GLIM en tête, mais sous conditions

Les résultats, présentés dans le benchmark publié sur Utupub, montrent que GLIM en mode GPU affiche l’erreur moyenne la plus faible parmi les quatre méthodes. Une performance qui s’explique par son architecture optimisée pour les environnements complexes, où il excelle grâce à son intégration de facteurs de lissage et d’optimisation globale.

Pourtant, cette supériorité n’est pas absolue. Dans les environnements extérieurs ou sur des séquences longues, GLIM peine à rivaliser avec les autres méthodes, notamment en raison de sa dépendance au GPU et de sa sensibilité aux conditions de calcul. Les auteurs de l’étude soulignent que son avantage se réduit lorsque les ressources matérielles sont limitées, un point crucial pour les déploiements embarqués sur des drones.

Le LiDAR Mid-360, un atout pour les environnements encombrés

Le choix du LiDAR Livox Mid-360 n’est pas anodin. Ce capteur, doté d’un champ de vue vertical large et d’un motif de balayage non répétitif, s’avère particulièrement adapté aux environnements intérieurs encombrés. Les données recueillies confirment que sa géométrie verticale dense améliore la robustesse des algorithmes de SLAM dans les scènes complexes, où les obstacles sont nombreux.

En revanche, dans les espaces ouverts ou sur des trajectoires linéaires, d’autres capteurs comme le Livox Avia (avec sa portée de 450 mètres) ou les LiDARs spinning comme l’Ouster OS0-128 peuvent offrir de meilleures performances, selon les configurations testées. L’étude met ainsi en lumière l’importance de l’adéquation entre le capteur et l’algorithme, un équilibre souvent négligé dans les choix technologiques.

Que retenir pour les futurs déploiements ?

Cette comparaison révèle que le choix d’une méthode SLAM ne peut se faire sans tenir compte de l’environnement cible et des contraintes matérielles. GLIM, malgré ses résultats prometteurs, reste gourmand en ressources, ce qui limite son usage sur des systèmes embarqués légers. À l’inverse, les variantes de FAST-LIO offrent une robustesse et une efficacité qui les rendent plus adaptées aux drones grand public ou industriels.

L’étude rappelle aussi que les avancées en SLAM ne dépendent pas uniquement des algorithmes, mais aussi des capteurs. Le Livox Mid-360, avec sa géométrie unique, a joué un rôle clé dans les performances observées, prouvant que l’innovation matérielle est tout aussi déterminante que les progrès logiciels.

Pour les chercheurs et les ingénieurs, ces résultats sont une boussole. Pour les régulateurs et les utilisateurs finaux, ils soulèvent une question : dans quelles conditions ces technologies seront-elles déployées, et à quel coût pour la société ?

Note de RoboNews : GLIM en mode GPU affiche l’erreur moyenne la plus faible dans cette étude, mais sa dépendance aux ressources matérielles et son instabilité dans certains environnements rappellent que la performance brute ne suffit pas. Le choix d’un SLAM doit intégrer des critères de robustesse, de coût et d’adaptabilité, surtout lorsque ces systèmes évoluent dans des espaces partagés avec des humains ou dans des zones sensibles.