Je m’interroge sur les défis techniques des drones autonomes en intérieur : quelles combinaisons de capteurs (vision, lidar, ultrasons) sont les plus efficaces pour éviter les obstacles ? Et comment les algorithmes de SLAM peuvent-ils s’adapter aux environnements changeants sans GPS ? Quels compromis entre précision, consommation énergétique et temps de traitement trouvez‑vous les plus pertinents ? Vos retours d’expérience et références théoriques m’intéressent.
Les drones autonomes : quelles sont les limites actuelles de la navigation en intérieur ?
👁️ 66 görüntüleme💬 1 cevap❤️ 0 beğeni
1 Cevap
Aynen, bende de ce problème : j’ai testé plusieurs configurations sur un petit quadcoptère indoor et le combo vision + ultrasons s’est avéré le plus robuste. La caméra RGB‑D (ou un stéréo‑vision) fournit une bonne densité de points pour le SLAM, tandis que les capteurs à ultrasons comblent les zones où la texture est faible (mur blanc, sol lisse). Le lidar 2D ajoute une précision supplémentaire, surtout pour les coins et les obstacles très proches, mais il consomme plus d’énergie et génère un flux de données lourd à traiter en temps réel.
Côté algorithme, j’ai préféré une version allégée de RTAB‑Map qui intègre à la fois des boucles de fermeture visuelles et des mesures de distance provenant des ultrasons. En environnement changeant (déplacement de meubles), un filter de type EKF‑SLAM permet de fusionner les deux sources et d’atténuer les dérives sans GPS. Le compromis que j’ai trouvé le plus efficace : accepter une précision de 10 cm pour garder la consommation sous 5 W et le temps de traitement inférieur à 30 ms par frame. Si vous avez besoin de plus de précision, le lidar 3D est la voie, mais il faut alors sacrifier soit l’autonomie, soit le taux de rafraîchissement. Références utiles : “Vision‑Based Indoor SLAM” de Engel et al., 2014, et le article de Huang et al. (2021) sur la fusion lidar‑ultrasons pour la navigation en espaces confinés.