MatcherCompass : un benchmark tenant compte du déploiement pour guider le choix d'un matcher d'images en conditions réelles

Une équipe de recherche publie sur arXiv (référence 2609.25688) un benchmark baptisé MatcherCompass, conçu pour guider le choix des algorithmes de mise en correspondance d'images utilisés par les robots de terrain. L'outil compare neuf pipelines de matching, classiques et appris, testés sur quatre résolutions d'image et plusieurs précisions numériques. Quatre conditions visuelles sont couvertes : variation de point de vue, appariement jour/nuit en lumière visible et en thermique, et appariement visible/thermique de jour. La précision de pose est mesurée via l'aire sous la courbe erreur-rappel (AUC) à 5, 10 et 20 degrés, tandis que temps d'exécution, mémoire GPU et énergie consommée par paire d'images sont relevés sur quatre plateformes GPU, de la station de travail à l'ordinateur embarqué. Les résultats montrent qu'un changement de matériel, de résolution d'entrée ou de précision numérique peut faire basculer un matcher au-delà du budget de temps disponible, modifiant l'ensemble des choix réellement viables. Ces mesures sont organisées en un guide de sélection qui renvoie toutes les configurations respectant les contraintes de temps et de ressources fixées par l'utilisateur, avec la précision associée pour la condition visuelle choisie. Le projet est documenté sur matchercompass.github.io.

Ce travail répond à un problème concret pour les intégrateurs et ingénieurs robotique : un article décrivant un matcher isolé rapporte généralement une précision et un temps de calcul obtenus sur un seul dispositif, ce qui ne dit rien sur la tenue des contraintes temps réel d'une plateforme embarquée différente. En démontrant qu'un simple changement de GPU, de résolution ou de précision numérique peut faire sortir un algorithme de son budget de calcul, MatcherCompass met en évidence l'écart entre performances annoncées en laboratoire et réalité du déploiement sur robot, un problème récurrent du secteur. Pour un ingénieur ou un décideur industriel choisissant un pipeline de vision pour un robot opérant de jour comme de nuit, avec caméras visibles et thermiques, l'outil transforme un choix jusqu'ici empirique en décision fondée sur des mesures comparables et reproductibles.

Le benchmarking de la mise en correspondance d'images locales s'est historiquement concentré sur la précision brute mesurée sur des jeux de données statiques, sans tenir compte des contraintes matérielles propres à la robotique de terrain, où les capteurs alternent entre lumière visible et infrarouge thermique selon l'heure. En couvrant à la fois des méthodes classiques fondées sur des descripteurs et des pipelines appris par apprentissage profond, MatcherCompass se positionne comme un outil transversal d'aide à la décision plutôt que comme un nouveau matcher concurrent des approches existantes. Les auteurs mettent guide de sélection et mesures à disposition sur la page du projet, laissant ouverte l'extension à d'autres plateformes matérielles ou conditions visuelles à mesure que de nouveaux matchers seront publiés.