Le robot ANYmal D enregistre le jeu de données GrandTour

Le développement de robots à pattes autonomes capables de naviguer sur des terrains complexes et non structurés nécessite d'immenses quantités de données réelles de haute qualité. Le jeu de données GrandTour a été enregistré à l'aide d'un robot quadrupède ANYbotics ANYmal D équipé de la charge utile de capteurs multi-modaux Boxi. Cette configuration matérielle permet une fusion sophistiquée des capteurs, permettant aux chercheurs de combiner les données provenant de LiDARs rotatifs, de caméras RVB et de capteurs proprioceptifs pour créer des modèles de navigation robotique de haute précision en conditions réelles.

Le fossé des données d'entraînement en robotique

Les limites actuelles de la recherche en robotique à pattes découlent d'une pénurie de jeux de données réels et diversifiés capturant l'imprévisibilité des environnements naturels. Bien que l'entraînement basé sur la simulation fournisse une base, il échoue souvent à prendre en compte les nuances physiques des terrains variés, tels que les sols meubles ou les changements de luminosité. Ce fossé « sim-to-real » empêche les systèmes autonomes d'atteindre leur plein potentiel dans des applications critiques sur le terrain.

Les roboticiens luttent depuis longtemps contre la rareté des données, en particulier pour les plateformes quadrupèdes qui doivent équilibrer le mouvement et la perception de l'environnement. Les jeux de données précédents étaient souvent limités à des environnements intérieurs spécifiques ou à des cadres extérieurs contrôlés. Sans une large gamme de scénarios opérationnels, l'analyse comparative des algorithmes d'estimation d'état et de SLAM (Simultaneous Localization and Mapping) reste un processus fragmenté manquant d'un point de référence standard pour la communauté de recherche mondiale.

Quels environnements sont présentés dans le jeu de données GrandTour ?

Le jeu de données GrandTour comprend plus de 49 environnements diversifiés, incluant des cadres intérieurs et extérieurs, des zones urbaines, des sites industriels, des forêts et les Alpes. Cette collection étendue comprend également des gares et des campus universitaires, capturant des conditions difficiles telles que les cycles jour-nuit, les intempéries, la fumée, l'eau et le sable pour tester les limites de la perception robotique et de l'estimation d'état.

Les recherches menées par Jonas Frey, Marco Hutter, et Cesar Cadena soulignent la nécessité d'une mise à l'échelle dans cette collecte. En déployant l'ANYmal-D sur ces sites, l'équipe a capturé des scénarios qui représentent la complexité absolue du monde réel. Les principaux environnements inclus dans l'étude sont :

• Paysages alpins : Pentes raides et affleurements rocheux dans les régions montagneuses.
• Ruines industrielles : Bâtiments démolis et chantiers encombrés de décombres.
• Paysages naturels : Forêts denses et prairies ouvertes avec une stabilité du sol variable.
• Infrastructures urbaines : Pôles de transports publics et allées de campus avec des obstacles dynamiques.

Ces sites n'ont pas été choisis uniquement pour leur diversité esthétique, mais pour les défis géométriques et radiométriques spécifiques qu'ils présentent. Les variations d'éclairage — de l'éblouissement de midi aux opérations nocturnes dans l'obscurité totale — garantissent que les capteurs multi-modaux sont testés face à toutes les contraintes visuelles possibles. L'inclusion d'interférences atmosphériques comme la fumée et les projections d'eau pousse encore davantage le jeu de données vers les exigences des opérations de recherche et de sauvetage.

Présentation du cadre GrandTour

Le cadre GrandTour utilise le quadrupède ANYbotics ANYmal-D comme plateforme de détection mobile pour collecter des flux de données synchronisés dans le temps. Au cœur de ce système se trouve la charge utile de capteurs multi-modaux Boxi, qui intègre plusieurs dispositifs à haute fréquence pour fournir une vue à 360 degrés de l'environnement du robot. Cette configuration garantit que chaque mouvement et changement environnemental est capturé avec une précision à la microseconde.

Les spécifications techniques de la charge utile incluent des LiDARs rotatifs pour la mesure de distance et plusieurs caméras RVB avec des distances focales complémentaires. Pour garantir la fiabilité des données, le système s'appuie sur des capteurs proprioceptifs — y compris des IMU haut de gamme d'une valeur de 12 000 USD — pour suivre l'état interne du robot. Cette synchronisation temporelle de 1 ms sur tous les capteurs est vitale pour toute recherche axée sur la fusion des données visuelles et inertielles, car même de légers décalages peuvent entraîner des défaillances catastrophiques dans la navigation autonome.

Comment GrandTour soutient-il la fusion de capteurs et l'estimation d'état ?

GrandTour soutient l'estimation d'état en fournissant des données de vérité terrain (ground truth) de référence provenant d'une station totale Leica Geosystems MS60 et d'un double RTK-GPS post-traité. Ces outils permettent une précision millimétrique lors de l'évaluation des algorithmes. En offrant des étalonnages de haute précision, le jeu de données permet le développement de méthodes tenant compte des contacts et de techniques avancées de fusion de capteurs dans des scénarios réels complexes à grande échelle.

L'estimation d'état est le processus par lequel un robot détermine sa position et son orientation dans l'espace. Sans vérité terrain précise, il est impossible pour les chercheurs de savoir si leurs algorithmes sont réellement précis ou s'ils se contentent d'approcher le mouvement. Le jeu de données GrandTour résout ce problème en fournissant des points de données « ancrés ». Que le robot navigue dans un tunnel sombre ou une forêt lumineuse, le RTK-GNSS (Real-Time Kinematic Global Navigation Satellite System) garantit que ses coordonnées globales sont connues avec une précision incroyable.

Pour la recherche en SLAM, ce jeu de données constitue un banc d'essai rigoureux pour l'apprentissage multi-modal. En combinant les nuages de points LiDAR avec les flux de caméras de profondeur stéréo, le jeu de données permet la création de cartes environnementales robustes. Cette approche multi-capteurs est essentielle pour prévenir la « dérive », une erreur courante où la carte interne d'un robot s'écarte lentement de la réalité sur de longues distances ou des temps d'utilisation prolongés.

L'avenir de l'autonomie à pattes

La publication du jeu de données GrandTour représente un changement de paradigme pour les systèmes autonomes utilisés dans la recherche et le sauvetage, l'inspection industrielle et la surveillance environnementale. En fournissant le plus grand jeu de données de robotique à pattes en accès libre à ce jour, les auteurs de l'ETH Zurich et des institutions associées démocratisent l'accès aux données de haute qualité nécessaires pour entraîner les modèles d'IA de nouvelle génération. Cette accessibilité est essentielle pour accélérer le développement mondial de robots mobiles fiables.

Les applications futures de cette recherche s'étendent bien au-delà du laboratoire. Dans l'inspection industrielle, les robots doivent naviguer dans des « jumeaux numériques » d'usines complexes ; dans la recherche et le sauvetage, ils doivent traverser des débris instables après des catastrophes naturelles. Les données fournies par GrandTour aident à combler le fossé entre le potentiel théorique et l'utilité pratique. Comme le jeu de données est disponible sur des plateformes comme HuggingFace et dans des formats ROS (Robot Operating System), il est prêt à être intégré dans les pipelines de recherche existants à travers le monde.

Le jeu de données GrandTour constitue une contribution majeure au domaine de la robotique. En se concentrant sur la fusion de diverses entrées sensorielles à travers près de cinquante environnements distincts, il fournit la base nécessaire pour que les robots passent de sites d'essai contrôlés à la réalité imprévisible du terrain. Les chercheurs peuvent désormais accéder à cette ressource pour perfectionner les algorithmes qui alimenteront les explorateurs autonomes de demain.