Terrain Traversability

• Aussi appelé: traversability estimation, traversability analysis, traversability mapping
• Catégorie: State estimation & navigation › Navigation
• Mots-clés: navigation, field-robotics, perception, terrain-mapping, off-road

Une estimation de la possibilité, et de la facilité, pour un robot terrestre de rouler ou de marcher sur une portion de terrain, fondée sur sa géométrie, son matériau et les capacités propres du robot.

Définition

Traversabilité du terrain (terrain traversability) : description de la facilité avec laquelle une zone de sol peut être franchie par un robot donné. Elle est généralement représentée sous forme de carte, souvent une grille 2,5D autour du robot, dans laquelle chaque cellule contient soit une étiquette binaire (traversable ou non), soit un coût ou un score continu qu'un planificateur peut utiliser. La traversabilité est toujours relative à la plateforme : une bordure de trottoir qui arrête un robot de livraison à roues peut être facile pour un quadrupède, et des herbes hautes qui ressemblent à un mur pour un LiDAR peuvent être sans danger à traverser.

Les approches classiques estiment la traversabilité à partir de la géométrie. À l'aide d'un LiDAR ou d'une caméra de profondeur, le robot construit une carte d'élévation et calcule des caractéristiques comme la pente, la hauteur de marche, la rugosité et la présence de trous, puis les compare aux limites de la plateforme. Cela fonctionne bien sur un terrain rigide mais peine avec la végétation, la boue, la neige et l'eau, où la géométrie seule est trompeuse.

Les approches sémantiques ajoutent l'apparence. Les images de caméra sont traitées par segmentation sémantique pour étiqueter des classes de terrain comme chemin, herbe, gravier, roche ou eau, et un coût est attribué à chaque classe. De nombreux systèmes combinent les deux, en fusionnant étiquettes sémantiques et caractéristiques géométriques dans la même carte.

Les approches fondées sur l'apprentissage estiment la traversabilité directement à partir des données, en utilisant parfois l'expérience du robot lui-même comme supervision : le terrain que le robot a franchi, accompagné du glissement, des vibrations ou de l'effort qu'il y a mesurés, devient une étiquette d'entraînement. On parle souvent d'apprentissage auto-supervisé de la traversabilité. Dans tous les cas, la sortie alimente une carte de coûts ou un planificateur local qui décide où le robot doit aller.

Pourquoi c'est important

Les robots d'extérieur et de terrain échouent le plus souvent en s'engageant sur un terrain qu'ils ne peuvent pas gérer ou en évitant un terrain qu'ils auraient pu franchir. Une bonne estimation de la traversabilité permet à un robot de se déplacer efficacement tout en le tenant à l'écart des endroits où il basculerait, glisserait ou resterait bloqué.

Applications principales

• Conduite autonome tout-terrain et robotique de terrain
• Navigation de robots à pattes sur terrain accidenté et naturel
• Robots agricoles circulant entre les rangs de cultures et sur des champs irréguliers
• Navigation de rovers planétaires
• Navigation sur sentiers et dans les parcs pour les robots de service d'extérieur

En pratique

Une pile de navigation d'extérieur typique fusionne les points LiDAR dans une carte d'élévation centrée sur le robot (par exemple avec les paquets open source elevation_mapping et grid_map utilisés avec ROS), calcule des caractéristiques de pente et de marche pour chaque cellule, et superpose des étiquettes sémantiques projetées depuis un réseau de segmentation de caméra. Celles-ci sont combinées en une couche de coûts qu'un planificateur global ou local utilise pour choisir les chemins. Les équipes fixent les seuils à partir de la garde au sol, de la géométrie des roues ou des pattes et des marges de stabilité de leur plateforme, et les valident en faisant rouler ou marcher le robot sur des terrains représentatifs, comme des pentes, des bordures et de la végétation, avant de se fier à la carte sur le terrain.

Idées reçues

• La traversabilité est une propriété du seul terrain — elle dépend de la taille du robot, de sa garde au sol, de son mode de locomotion et de ses limites de stabilité
• La détection d'obstacles suffit — un sol peut être dégagé d'obstacles et pourtant infranchissable à cause de la pente, de la mollesse ou du glissement
• La végétation haute est toujours un obstacle — les capteurs géométriques voient l'herbe comme solide, il faut donc des indices sémantiques ou appris pour la reconnaître comme franchissable

Qui devrait le savoir

• Ingénieurs en robotique de terrain et tout-terrain
• Développeurs de navigation pour robots à pattes
• Équipes de robotique agricole
• Ingénieurs en perception travaillant sur la segmentation sémantique pour la navigation

Technologies associées

• Cartographie d'élévation (Elevation Mapping)
• Segmentation sémantique (Semantic Segmentation)
• Carte de coûts (Costmap)
• LiDAR
• Apprentissage auto-supervisé (Self-Supervised Learning)
• grid_map

Termes associés

• Locomotion
• LIDAR
• Point Cloud
• Obstacle Avoidance

Projets associés

• Open3D: Modern library for 3D point cloud processing, mesh operations, and 3D machine learning
• PCL: Industry-standard C++ library for point cloud processing in robotics perception
• Nav2: ROS 2 navigation stack with path planning and obstacle avoidance for mobile robots
• DimOS: Python robotics runtime with agents, SLAM and teleop, no ROS required
• ROS Motion Planning: One repo implementing 40+ classic and learning-based robot path planners as ROS plugins
• OpenMind OM1: AI-native operating system for robots with modular perception, cognition, and action