Les systèmes de navigation inertielle visuelle (VINS) combinent la perception par caméra et la détection inertielle pour fournir un positionnement précis, une orientation et une estimation du mouvement pour les plateformes autonomes opérant dans des environnements dépourvus de GNSS. S'appuyant sur l'odométrie inertielle visuelle (VIO) et la localisation et la cartographie simultanées visuelles et inertielles (VI-SLAM), ces systèmes fusionnent les données de la caméra et de l'unité inertielle pour estimer l'état du véhicule, suivre les mouvements et prendre conscience de l'environnement en temps réel.
Cette page présente les principaux fabricants de VINS conçus pour être déployés sur des drones, des UGV, des AUV et des plates-formes robotiques pour la cartographie, l'inspection, l'ISR et la mobilité autonome.
Lire le Présentation de la technologie
Capteurs de navigation inertielle : MEMS IMU, accéléromètres, gyroscopes, AHRS, GPS-INS et génération de nuages de points
Solutions de détection inertielle à faible encombrement, faible poids et faible puissance pour les systèmes autonomes et sans pilote
Si vous concevez, construisez ou fournissez Systèmes de navigation à inertie visuelle (VINS), Créez un profil pour mettre en avant vos compétences et entrer en contact avec des visiteurs qui recherchent activement vos solutions.
Les systèmes de navigation à inertie visuelle (VINS) combinent la perception par caméra et la détection inertielle pour fournir un positionnement, une orientation et une estimation de mouvement précis aux plates-formes autonomes. En fusionnant les données d’une ou plusieurs caméras optiques avec les mesures d’une unité de mesure inertielle (IMU), les systèmes de navigation visuelle inertielle permettent aux véhicules sans pilote de calculer leur état cinématique en temps réel sans dépendre de signaux de positionnement externes. Cette capacité est devenue essentielle dans le secteur des systèmes sans pilote, car les opérateurs cherchent à protéger les plates-formes terrestres, aériennes et maritimes contre les vulnérabilités du positionnement traditionnel par satellite.
Si le système mondial de navigation par satellite (GNSS) reste un atout précieux pour les coordonnées mondiales, sa vulnérabilité à l’atténuation des signaux, à la réflexion par trajets multiples dans les canyons urbains et au brouillage électronique intentionnel ou à l’usurpation d’identité présente une vulnérabilité critique. Le système VINS résout ce problème en agissant comme un moteur de rattrapage autonome à haute fréquence qui maintient une disponibilité opérationnelle stricte dans des environnements contestés ou physiquement obscurcis. Aujourd’hui, cette technologie est largement intégrée dans les véhicules aériens tactiques sans pilote (UAV), les véhicules terrestres sans pilote robustes (UGV), les véhicules sous-marins autonomes (AUV) et la robotique industrielle localisée pour soutenir la cartographie à longue distance, l’inspection des installations et les opérations militaires tactiques.
Système de navigation visuo-inertielle Vision Navigator de Xsens
Pour concevoir un cadre de localisation autonome efficace, les développeurs doivent comprendre les capacités de base, les interactions entre les capteurs et les méthodologies logicielles qui définissent la navigation inertielle visuelle moderne. Ces éléments travaillent ensemble pour transformer les données environnementales brutes en états de position exploitables.
L’élément visuel d’une solution VINS peut prendre plusieurs formes en fonction de la plate-forme et des exigences de la mission. Les systèmes de caméras monoculaires restent populaires pour les petites plateformes sans pilote en raison de leur taille, de leur poids et de leur consommation d’énergie réduits, tandis que les systèmes de vision stéréo offrent une perception directe de la profondeur qui peut améliorer la détection des obstacles et la précision de la localisation.
Des architectures plus avancées peuvent intégrer plusieurs caméras pour augmenter le champ de vision, améliorer la redondance et maintenir la visibilité des caractéristiques pendant les manœuvres complexes. Les caméras événementielles suscitent également un intérêt croissant dans le secteur de l’autonomie. Plutôt que de capturer des images classiques, ces capteurs détectent les changements de luminosité, ce qui permet une navigation à grande vitesse avec une latence plus faible et un flou de mouvement réduit.
La force principale du VINS réside dans sa capacité à combiner les forces complémentaires des capteurs visuels et inertiels. Les caméras fournissent de nombreuses informations sur l’environnement, mais peuvent s’avérer difficiles à utiliser dans des conditions de faible luminosité ou dans des environnements pauvres en fonctionnalités. Les unités inertielles fournissent des mesures de mouvement en continu, quelle que soit la visibilité, mais accumulent des erreurs au fil du temps.
En synchronisant et en fusionnant ces flux de données, VINS crée une estimation stable de la position, de la vitesse et de l’attitude. Les systèmes modernes s’appuient sur des architectures sophistiquées de fusion de capteurs capables de traiter de grands volumes de données en temps réel tout en maintenant la faible latence nécessaire à la navigation autonome.
Lors du déploiement d’un système de navigation visuelle, les ingénieurs choisissent généralement entre l’odométrie localisée et les techniques de cartographie globale en fonction des contraintes de la charge utile et des paramètres de la mission :
Ces capacités sont particulièrement précieuses pour les systèmes autonomes opérant dans des environnements inconnus ou changeants où des cartes préexistantes peuvent ne pas être disponibles.
La mise en œuvre d’une architecture inertielle visuelle fiable exige une sélection minutieuse du matériel physique et des couches logicielles capables de gérer des facteurs environnementaux exigeants. Chaque composant doit équilibrer le débit de calcul avec des contraintes strictes de taille, de poids, de puissance et de coût.
Le choix de la caméra a un impact significatif sur les performances de navigation. Les caméras à obturateur global sont souvent préférées parce qu’elles capturent une image entière simultanément, éliminant ainsi la distorsion causée par un mouvement rapide. Les caméras à obturateur mobile sont moins coûteuses et consomment moins d’énergie, mais elles peuvent introduire des artefacts d’image qui affectent le suivi des caractéristiques.
Les caméras à spectre visible restent l’option la plus courante, bien que les capteurs à faible luminosité et les technologies d’imagerie HDR soient de plus en plus utilisés pour améliorer les performances dans des conditions d’éclairage difficiles. Les caméras thermiques sont également intégrées dans les systèmes de navigation avancés, ce qui permet de fonctionner dans l’obscurité, la fumée, le brouillard et d’autres environnements visuellement dégradés.
L’unité de mesure inertielle (IMU) est le composant de détection de mouvement d’une architecture VINS, mesurant l’accélération et le mouvement de rotation sur plusieurs axes. Les IMU basées sur des systèmes micro-électro-mécaniques (MEMS) dominent le marché des systèmes commerciaux sans pilote en raison de leur taille compacte et de leur prix abordable, tandis que les capteurs de qualité tactique et de navigation offrent une plus grande stabilité et une dérive réduite pour les applications haut de gamme.
Lors de l’évaluation des IMU pour un système inertiel visuel, les considérations techniques clés sont généralement les suivantes :
Ces facteurs influencent directement la qualité de la solution de navigation et la capacité du système à maintenir un positionnement précis lors d’opérations prolongées sans GNSS.
La navigation visuo-inertielle est une activité à forte intensité de calcul, qui nécessite d’importantes ressources de traitement pour analyser l’imagerie, fusionner les capteurs et exécuter les algorithmes de navigation en temps réel.
Les solutions VINS modernes utilisent diverses architectures de traitement en fonction des contraintes de la plateforme :
L’environnement logiciel joue un rôle essentiel dans la détermination de la flexibilité, de l’évolutivité et de la facilité d’intégration du système. ROS et ROS 2 ont été largement adoptés par les industries de la robotique et des systèmes autonomes, fournissant un cadre commun pour l’intégration des capteurs et le développement de logiciels.
De nombreuses mises en œuvre de VINS utilisent également des architectures de communication basées sur DDS et des systèmes d’exploitation en temps réel pour soutenir les performances déterministes. En fonction de l’application, les opérateurs peuvent choisir entre des cadres à source ouverte qui offrent de la flexibilité et des solutions propriétaires optimisées pour des exigences de mission spécifiques.
Les algorithmes de traitement exécutés dans un ordinateur de bord déterminent l’efficacité avec laquelle la plateforme convertit les données sensorielles en une estimation précise de la trajectoire. Différents modèles mathématiques offrent des compromis uniques concernant le style de suivi, la vitesse de filtrage et la gestion de la dérive des erreurs.
L’odométrie inertielle visuelle basée sur les caractéristiques reste l’une des approches les plus largement déployées en matière de VINS. Ces systèmes identifient et suivent des repères visuels distinctifs sur des images successives, en combinant ces informations avec des mesures inertielles pour estimer le mouvement dans l’environnement. Les implémentations avancées utilisent des techniques telles que la gestion des points de repère et l’ajustement du faisceau pour affiner les estimations et réduire l’erreur accumulée, améliorant ainsi la précision de la navigation sur de longues durées de mission.
Plutôt que de suivre des caractéristiques visuelles discrètes, les méthodes d’odométrie visuelle directe utilisent des informations sur l’intensité de l’image dans de plus grandes portions de la scène. Cette approche peut offrir une plus grande robustesse dans des environnements où l’extraction traditionnelle de caractéristiques peut s’avérer difficile et permet à une plus grande partie des informations visuelles disponibles de contribuer aux performances de navigation.
Une estimation précise de l’état est fondamentale pour toute architecture VINS. Les systèmes modernes utilisent une variété d’approches, notamment les filtres de Kalman étendus (EKF), les filtres de Kalman non accentués (UKF), l’optimisation des graphes factoriels et les techniques d’estimation par fenêtre glissante.
Le choix de la méthode d’estimation dépend souvent de l’équilibre souhaité entre l’efficacité des calculs, la précision de la navigation et les contraintes de la plate-forme. Les filtres de Kalman à contraintes multi-états (MSCKF) propagent l’état du véhicule à l’aide de données IMU à haut débit et l’actualisent lorsque les caractéristiques visuelles sont suivies à travers plusieurs vues de caméra, ce qui permet de prévoir les frais généraux de calcul. Pour les trajectoires complexes, les graphes factoriels basés sur l’optimisation effectuent un ajustement non linéaire localisé du faisceau sur une fenêtre glissante d’états récents afin d’obtenir une précision supérieure.
Le vecteur d’état central estime généralement les quaternions de position, de vitesse et d’orientation 3D, ainsi que les biais dynamiques de l’accéléromètre et du gyroscope. L’estimation continue de ces biais en temps réel permet d’éviter une dérive rapide de la solution de rattrapage. Les progrès de la puissance de traitement ont permis de déployer des algorithmes d’estimation de plus en plus sophistiqués sur des plates-formes compactes sans pilote.
L’un des principaux défis de la navigation visuo-inertielle est l’accumulation progressive d’erreurs au fil du temps. Les techniques de fermeture de boucle permettent de résoudre ce problème en reconnaissant les emplacements visités précédemment et en utilisant ces informations pour corriger la dérive au sein de la solution de navigation. Ces capacités sont particulièrement importantes pour les missions de longue durée, où le maintien de la cohérence globale est essentiel pour une cartographie et une localisation précises.
L’intelligence artificielle influence de plus en plus le développement des technologies de navigation visuelles-inertielles. Les algorithmes d’apprentissage automatique peuvent améliorer l’extraction des caractéristiques, la compréhension de la scène et la localisation sémantique en permettant aux systèmes de reconnaître des objets et des structures significatifs dans leur environnement. Au fur et à mesure que les capacités de traitement embarquées progressent, les solutions de navigation visuelle et inertielle améliorées par l’IA devraient offrir une plus grande adaptabilité et de meilleures performances dans un plus large éventail de conditions opérationnelles.
Bien que le système VINS puisse servir de moteur de navigation autonome, il atteint sa pleine utilité opérationnelle lorsqu’il est associé à d’autres capteurs dans la baie avionique principale d’un véhicule. La combinaison des systèmes crée un cadre de redondance multicouche qui protège contre les blocages inattendus des capteurs ou les défaillances localisées.
Bien que le système VINS puisse fonctionner indépendamment, il est le plus souvent déployé dans le cadre d’une architecture de navigation plus large. L’intégration de la navigation visuo-inertielle avec le GNSS permet aux plates-formes de bénéficier à la fois des informations de positionnement global et des données de navigation dérivées localement.
Cette approche offre une redondance précieuse et permet un fonctionnement résilient dans des environnements affectés par la dégradation du signal, le brouillage ou l’usurpation d’identité. Les préoccupations concernant la guerre de la navigation ne cessant de croître, la navigation inertielle devient un élément de plus en plus important des stratégies de positionnement, de navigation et de synchronisation (PNT).
Le VINS est souvent associé à d’autres technologies de détection afin d’améliorer la résilience de la navigation et la connaissance de l’environnement. Selon le profil de la mission, ces technologies complémentaires sont les suivantes
Ensemble, ces technologies créent des piles de navigation multi-capteurs capables de maintenir des performances fiables dans un large éventail d’environnements opérationnels.
Les plateformes autonomes modernes s’appuient de plus en plus sur des architectures de navigation en couches plutôt que sur une source unique de données de positionnement. Au sein de ces systèmes, le VINS joue un rôle essentiel dans les structures PNT résilientes, en contribuant à maintenir l’efficacité opérationnelle lorsque d’autres sources de navigation deviennent indisponibles ou sont compromises.
La technologie des capteurs inertiels visuels est passée de la recherche spéculative en laboratoire à l’équipement standard pour les machines déployées sur le terrain. Sa polyvalence permet à diverses plates-formes de véhicules aériens, terrestres et maritimes d’effectuer des tâches critiques sans dépendre de l’infrastructure.
La croissance rapide des opérations autonomes des drones a été l’un des principaux moteurs de l’adoption des VINS. La technologie prend en charge la navigation de précision pour les petits drones, le décollage et l’atterrissage autonomes, le vol en intérieur et les opérations au-delà de la ligne de visée visuelle (BVLOS). Elle joue également un rôle de plus en plus important dans les stratégies de navigation collaborative pour les essaims de drones et les missions multi-drones.
Pour les systèmes autonomes basés au sol, le VINS fournit une localisation fiable dans des environnements où la couverture GNSS peut être limitée ou indisponible. Les applications comprennent la navigation hors route, l’automatisation industrielle, l’exploration souterraine et les opérations militaires dans des environnements urbains ou souterrains. La capacité de fonctionner indépendamment de l’infrastructure externe rend le VINS particulièrement précieux pour les déploiements d’UGV sur des terrains complexes.
Les plateformes maritimes autonomes bénéficient également des progrès de la navigation visuo-inertielle. Les navires de surface sans pilote (USV) peuvent utiliser le VINS pour compléter les systèmes de navigation traditionnels lors d’opérations de proximité autour des ports et des infrastructures. Pour les véhicules aériens sans pilote (AUV) opérant sous la surface, les techniques visuelles-inertielles constituent un moyen important de localisation lorsque la navigation par satellite est impossible.
Les applications de défense représentent l’un des marchés à la croissance la plus rapide pour la technologie VINS. Les opérateurs militaires ont de plus en plus besoin de solutions de navigation capables de fonctionner dans des environnements électromagnétiques contestés où la disponibilité du GNSS ne peut être garantie.
Les zones de déploiement typiques sont les suivantes
En dehors du secteur de la défense, la technologie VINS permet d’atteindre des niveaux d’autonomie plus élevés dans le domaine de la robotique industrielle et commerciale. Cette technologie permet de naviguer et de se positionner en toute sécurité sans dépendre d’une infrastructure externe, ce qui la rend intéressante pour les applications intérieures et extérieures. Les cas d’utilisation les plus courants sont l’agriculture de précision, les opérations minières et les carrières, l’automatisation des entrepôts et de la logistique, ainsi que l’inspection des infrastructures énergétiques et des services publics.
La prochaine génération de systèmes inertiels visuels est fortement axée sur le calcul localisé et les réseaux de communication multiplateformes. Avec la réduction du matériel informatique, les architectures de suivi peuvent gérer des tâches de cartographie plus rapides et plus coopératives.
Les progrès en matière de traitement embarqué permettent à des algorithmes de navigation et de perception de plus en plus sophistiqués de fonctionner directement à bord de plateformes autonomes. Cette évolution vers l’IA périphérique réduit la dépendance à l’égard des ressources informatiques externes tout en permettant une prise de décision plus rapide et une plus grande indépendance opérationnelle.
Les capteurs basés sur les événements continuent à attirer l’attention en raison de leur capacité à fournir des informations visuelles à grande vitesse avec une latence exceptionnellement faible. Ces caractéristiques les rendent particulièrement intéressants pour les drones agiles, la robotique à grande vitesse et d’autres systèmes autonomes dynamiques.
Les futurs systèmes autonomes devraient fonctionner comme des réseaux interconnectés plutôt que comme des plateformes individuelles. La localisation collaborative permet à plusieurs véhicules de partager des observations et des données de navigation, améliorant ainsi la précision, la résilience et la connaissance de la situation de l’ensemble de la flotte.
Recherche d'entreprises et de produits
S'abonner à l'eBrief hebdomadaire
Les derniers développements techniques et d'ingénierie directement dans votre boîte aux lettres électronique - rejoignez les milliers d'ingénieurs qui la reçoivent.