RecherchearXiv cs.RO 22 mai 2026

OCELOT : odométrie et estimation du contact pour robots à pattes

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Une équipe de chercheurs a publié OCELOT (Odometry and Contact Estimation for Legged rObots), un pipeline complet d'odométrie pour robots à pattes reposant exclusivement sur des capteurs proprioceptifs embarqués : une centrale inertielle (IMU) solidaire du corps, des encodeurs articulaires et des capteurs de force. Le système s'appuie sur un filtre de Kalman à état d'erreur (ESEKF) dont l'état est corrigé par les pieds détectés en appui stationnaire. Sa contribution centrale est un module de détection de contact fusionnée et de quantification d'incertitude : deux détecteurs tournent en parallèle pour chaque pied, le premier combinant un modèle de mélange gaussien (GMM) avec une machine à états finis (FSM) à déclenchement anti-rebond sur les données de force, le second appliquant un test de rapport de vraisemblance généralisé (GLRT) sur la vélocité cinématique estimée du pied. Les scores continus issus des deux détecteurs sont fusionnés pour identifier les glissements. Pour valider l'approche, les auteurs ont constitué un dataset de 29 séquences couvrant 2,4 km sur des terrains variés (béton, herbe, graviers, rochers) et ont comparé OCELOT à des méthodes proprioceptives et extéroceptives. Le code et un package ROS2 temps réel sont publiés en open source.

L'intérêt principal de OCELOT réside dans sa robustesse aux terrains glissants sans recourir à des capteurs extéroceptifs (caméra, lidar), qui restent coûteux, fragiles et sensibles aux conditions d'éclairage ou de poussière. Pour un intégrateur déployant un robot quadrupède en environnement industriel ou outdoor, disposer d'une odométrie fiable avec uniquement l'équipement embarqué de série réduit significativement la complexité système. La disponibilité d'un package ROS2 prêt à l'emploi abaisse la barrière d'adoption. Le benchmark face à des méthodes extéroceptives constitue un signal fort : il suggère que l'estimation de contact bien conçue peut rivaliser avec des approches visuelles sur des trajectoires courtes à moyennes.

Les robots à pattes de type Spot (Boston Dynamics), ANYmal (ANYbotics) ou Unitree B2 sont les cibles naturelles de tels pipelines. L'odométrie proprioceptive pour quadrupèdes est un problème ouvert depuis des années, avec des travaux antérieurs comme Pronto (IIT) ou les pipelines d'ETH Zurich sur ANYmal. OCELOT se distingue par la combinaison explicite GMM+GLRT pour la détection de glissement, un point sensible dans les déploiements extérieurs. Les prochaines étapes probables incluent la validation sur des trajectoires longue distance et l'intégration dans des architectures SLAM proprioceptif complet.

Impact France/UE

La publication en open source d'un package ROS2 directement intégrable peut bénéficier aux intégrateurs et labos européens (ANYbotics/Suisse, IIT/Italie) déployant des quadrupèdes en environnements industriels ou extérieurs difficiles.

Dans nos dossiers

Boston Dynamics Unitree

À lire aussi

1arXiv cs.RO

Odométrie proprioceptive à ancrage de contact pour robots à pattes et roues-pattes

Des chercheurs présentent dans un preprint arXiv (2602.17393, v3) un estimateur d'état proprioceptif pour robots à pattes qui n'utilise ni caméra, ni LiDAR, uniquement IMU et encodeurs moteurs. Le système calcule la pose et la vitesse du corps avec une formulation unifiée couvrant quadrupèdes et robots roue-patte (wheel-legged), validée sur quatre plateformes quadrupèdes distinctes. Le principe central est l'ancrage cinématique par contact : l'estimation des forces d'appui via le couple articulaire sélectionne les pieds en stance, dont les empreintes au sol fournissent des contraintes intermittentes dans le repère monde qui limitent la dérive cumulative de l'IMU. Un algorithme de clustering de hauteur avec décroissance temporelle corrige la dérive en élévation lors de longues traversées en recalant les nouvelles empreintes sur les plans d'appui précédemment observés. Pour les plateformes roue-patte, le contact enregistré est propagé par déplacement de roulement effectif avec compensation du mouvement de jambe et correction de direction sur pente. Cette approche répond à un verrou concret de la robotique mobile : les robots à pattes déployés en environnements visuellement dégradés (poussière, fumée, obscurité, souterrains) ne peuvent pas se fier à la vision ou au LiDAR. Les méthodes purement inertielles accumulent une dérive de cap et de position incompatible avec une navigation autonome prolongée. En ancrant l'estimation sur des contacts validés par couple, la méthode s'affranchit partiellement de la qualité des encodeurs de vitesse, sujets à quantification. Un filtre de Kalman cubature (UKF) par cinématique inverse est proposé en module optionnel pour améliorer les observations de vitesse pied sans alourdir l'architecture principale. La cohérence géométrique multi-contacts est injectée comme prior souple de cap plutôt que comme reset brutal de l'attitude, préservant la continuité de l'état estimé. L'odométrie proprioceptive pour robots à pattes est un terrain actif depuis les travaux Contact-Aided Invariant EKF (Hartley, University of Michigan) et les plateformes ANYmal développées à l'ETH Zurich. Les grandes solutions commerciales actuelles comme Boston Dynamics Spot ou Unitree B2 combinent odométrie visuelle et inertielle en production, ce qui signale l'intérêt industriel pour des alternatives sans capteurs exogènes dans des conditions adverses. La méthode est présentée comme extensible aux bipèdes, morphologie centrale dans la course aux humanoïdes industriels. À sa troisième révision sur arXiv, le papier cible probablement une conférence de robotique de premier rang (IROS, ICRA), sans calendrier de soumission annoncé.

RecherchePaper

1 source

2arXiv cs.RO

TRACE : odométrie proprioceptive apprise pour robots à pattes en conditions de contact imprévisibles

TRACE (Tokenized Robust Attention for Contact-Aware Estimation) est un estimateur d'odométrie proprioceptive entièrement appris pour robots à pattes, conçu pour rester fiable quand les contacts au sol sont incertains. À partir d'un historique récent de mesures inertielles et articulaires embarquées, il prédit directement le déplacement relatif, la rotation relative et la vitesse en référentiel du corps, grâce à un module d'attention croisée qui pondère les signaux IMU et les données cinématiques par patte sans seuils de contact ou de glissement définis manuellement. L'entraînement combine supervision directe, pertes auxiliaires physiques, randomisation de politique en simulation et fine-tuning partiel sur données réelles. Sur des terrains variés, intérieurs et extérieurs, la dérive de position recule nettement face aux filtres classiques, aux approches hybrides et aux méthodes purement apprises. L'odométrie proprioceptive est essentielle à la navigation des robots à pattes quand la vision ou le GPS deviennent peu fiables (poussière, obscurité, terrain instable), un cas fréquent en inspection industrielle ou en intervention. Les filtres classiques dépendent d'une détection de contact au sol explicite, point faible dès qu'un pied glisse ou trébuche. En remplaçant ces seuils fixes par une pondération apprise des signaux, TRACE cible un angle mort connu des pipelines actuels de localisation. Pour les intégrateurs de robotique de terrain, une odométrie plus robuste aux contacts incertains améliore la fiabilité de la localisation sans changement matériel, purement par le logiciel embarqué. Le travail s'inscrit dans la lignée des approches cherchant à dépasser les filtres de Kalman étendus et la détection de contact binaire, à mesure que les politiques de marche apprises par renforcement rendent les dynamiques de contact plus variées et plus difficiles à modéliser par des règles fixes. TRACE répond à ce problème de généralisation en s'entraînant sur des politiques randomisées plutôt que sur une seule démarche fixe, limitant ainsi le surapprentissage documenté dans d'autres travaux d'odométrie apprise. Des études d'ablation confirment l'apport de chaque perte auxiliaire, de la randomisation et du fine-tuning réel. Publiée sur arXiv (2608.05975), sans plateforme commerciale ni partenaire industriel cité, la contribution reste pour l'instant méthodologique plutôt qu'un système prêt à déployer.

RecherchePaper

1 source

3arXiv cs.RO

Apprentissage de la représentation du contact pour l'odométrie des jambes

Une équipe de chercheurs a publié sur arXiv (référence 2606.05501) une approche d'apprentissage de représentation auto-supervisée pour la détection de contact dans les robots à pattes, visant à améliorer l'odométrie locomotrice sans recourir à des capteurs de force aux extrémités. Le système repose exclusivement sur les encodeurs articulaires standard, présents sur la quasi-totalité des plateformes commerciales existantes. En modélisant les phases d'appui et de vol (stance et swing) de façon probabiliste, le framework permet d'estimer la vitesse du corps principal à partir de la chaîne cinématique des membres, en s'appuyant sur l'hypothèse classique que la vitesse du pied par rapport au monde est nulle en phase d'appui. Les résultats expérimentaux indiquent des performances supérieures aux méthodes supervisées nécessitant des capteurs additionnels et aux approches probabilistes de référence. Le code est publié en open source. L'enjeu est concret : l'odométrie par jambes est une brique fondamentale pour la navigation autonome des robots quadrupèdes et bipèdes, notamment lorsque le GNSS ou la vision sont dégradés. Or, les capteurs de réaction au sol (GRF sensors) alourdissent les pieds, augmentent la complexité mécanique et sont souvent aveugles aux glissements en contact, ce qui produit des dérives d'estimation même lorsque le pied est techniquement "posé". En éliminant cette dépendance sensorielle, cette approche ouvre la voie à un déploiement sur des plateformes à budget contraint, et surtout améliore la robustesse sur surfaces glissantes ou irrégulières, scénario typique des environnements industriels ou d'inspection. La nature auto-supervisée supprime également le coût d'annotation de données, un frein classique dans les pipelines de locomotion. Le problème de la détection fiable de la phase d'appui est étudié depuis l'essor des robots quadrupèdes comme ANYmal (ANYbotics) et Go1/Go2 (Unitree), ainsi que des bipèdes comme Spot (Boston Dynamics) ou Atlas. La majorité des stacks d'odométrie actuels, y compris ceux utilisés dans des frameworks open source comme Legged Gym ou OCS2, conservent une dépendance aux GRF sensors ou à des heuristiques de seuillage. Cette contribution s'inscrit dans une tendance plus large visant à rendre la locomotion avancée accessible sur des plateformes sans instrumentation de pointe, une direction également explorée par des labos européens comme le DLR ou l'INRIA. La prochaine étape naturelle sera la validation sur plusieurs morphologies de robots et dans des conditions de terrain dégradé, un benchmark que les auteurs n'ont pas encore publié.

UEL'approche intéresse directement des équipes comme l'INRIA qui travaillent sur la locomotion avancée, et pourrait être intégrée sans modification matérielle sur des plateformes européennes à budget contraint.

RecherchePaper

1 source

4arXiv cs.RO

Odométrie proprioceptive à modèles multiples interactifs pour robots à pattes

Une équipe de recherche propose une méthode d'odométrie proprioceptive basée sur un modèle multiple interactif (IMM, interacting multiple model) pour l'estimation d'état des robots à pattes. Le problème adressé : l'odométrie de jambe souffre habituellement d'une observabilité limitée et dépend fortement de contraintes de mesure pour limiter la dérive de position. Lorsque les capteurs extéroceptifs (caméras, LiDAR) sont peu fiables ou dégradés, ces contraintes reposent essentiellement sur les données proprioceptives, en particulier la cinématique des jambes au contact du sol. Or la plupart des méthodes existantes supposent un contact ponctuel idéalisé entre le pied et le sol, une hypothèse souvent violée en conditions réelles de marche. Les chercheurs ont donc conçu un cadre probabiliste unifié intégrant plusieurs hypothèses de contact simultanément, permettant une commutation de mode en ligne et une fusion probabiliste adaptée aux conditions de contact variables. Des simulations poussées et des expériences sur robot réel valident l'approche, montrant une précision d'estimation de pose supérieure aux méthodes de référence actuelles, pour un coût de calcul comparable. Cette avancée compte pour les intégrateurs et ingénieurs en robotique de locomotion car l'estimation d'état fiable est un prérequis critique à l'autonomie des robots à pattes, notamment en environnements où le GPS ou la vision échouent (intérieurs encombrés, terrains accidentés, conditions de faible luminosité). L'hypothèse de contact ponctuel, largement utilisée par commodité mathématique, ne correspond pas à la réalité physique des pieds robotiques, qui peuvent glisser, rouler ou entrer en contact par une surface plutôt qu'un point unique. En modélisant explicitement plusieurs types de contact possibles et en les fusionnant de façon probabiliste, cette méthode comble un écart entre modèles théoriques et comportement réel, un enjeu direct pour la fiabilité des robots quadrupèdes et bipèdes déployés en conditions industrielles ou d'inspection. Ce travail s'inscrit dans une lignée de recherche sur l'estimation d'état des robots à pattes, domaine où les approches à filtre de Kalman étendu ou à optimisation par fenêtre glissante dominent traditionnellement, souvent couplées à l'IMU et aux encodeurs de jambe. L'utilisation de modèles à interaction multiple, technique empruntée au suivi de cibles en robotique et en aérospatiale, représente une adaptation méthodologique notable à ce domaine. Cette version republiée (v2) sur arXiv suggère une révision après un premier dépôt, sans détails sur un déploiement matériel commercial ni sur les acteurs impliqués dans l'expérimentation.

RecherchePaper

1 source