Perception pour la Robotique Agricole*

I. Introduction

La perception désigne l’ensemble des mécanismes permettant à un système, qu’il soit biologique (humain) ou artificiel (robot), d’acquérir et d’interpréter des informations sur son environnement.

Pour un robot agricole, elle regroupe les processus par lesquels le robot collecte, traite et exploite les données de ses capteurs afin de construire une représentation cohérente de son environnement et de son propre état. Cette étape est essentielle pour lui permettre de se localiser, d’interagir avec son milieu et de naviguer de manière autonome.

Afin de comprendre comment cette tâche est réalisée, il convient de présenter les principaux capteurs utilisés, puis de distinguer les deux formes de perception mises en œuvre :

la perception extéroceptive, relative à l’environnement extérieur (obstacles, cultures, terrain, etc.) ;

et la perception proprioceptive, liée à l’état interne du robot (orientation, vitesse, accélération, etc.).

II. Les capteurs utilisés par les robots agricoles

Comme le présente la Figure 1 ci-dessous, les capteurs utilisés par les robots agricoles peuvent être regroupés en deux grandes catégories : les capteurs proprioceptifs, qui mesurent l’état interne du robot, et les capteurs extéroceptifs, qui mesurent les éléments de son environnement.

Capteurs utilisés par les robots agricoles : ils peuvent être regroupés en deux grandes catégories : les capteurs proprioceptifs, qui mesurent l’état interne du robot, et les capteurs extéroceptifs, qui recueillent des informations sur l’environnement extérieur.

Figure 1: Capteurs utilisés par les robots agricoles

Ils peuvent être regroupés en deux grandes catégories : les capteurs proprioceptifs, qui mesurent l’état interne du robot, et les capteurs extéroceptifs, qui recueillent des informations sur l’environnement extérieur.

Parmi les capteurs proprioceptifs généralement utilisés, on peut citer :

La centrale inertielle (IMU: Inertial Motion Unit) : c’est une unité capable de fournir des informations telles que l’accélération linéaire et angulaire du robot.
Les encodeurs : ce sont des capteurs qui mesurent la rotation des roues.

Ces informations permettent, grâce à des algorithmes de perception, d’estimer la pose du véhicule (position et orientation).

Quant aux capteurs extéroceptifs, on retrouve notamment :

Le GNSS (Global Navigation Satellite System), par exemple un GPS (Global Positioning System) : il utilise les signaux satellites pour déterminer la position du robot par rapport à un référentiel terrestre fixe. Sa précision peut être affectée par l’environnement (par exemple l’obstruction par la canopée). En condition normale, il offre une précision de l’ordre du mètre. Lorsqu’il est associé à une station de référence terrestre, la précision devient centimétrique : on parle alors de GPS RTK (Real Time Kinematic).
La caméra : ce capteur fournit une image de l’environnement du robot. Les caméras RGB-D(Red Green
Blue - Distance) fournissent à la fois une image en couleur et la distance des objets par rapport au robot. Elles sont les plus répandues en agriculture. Leur principal inconvénient reste leur faible robustesse face aux éléments perturbateurs comme la pluie, la neige ou la poussière, qui peuvent obstruer l’objectif.
Le LIDAR (Light Detection And Ranging) : contrairement à la caméra, il est robuste aux conditions météorologiques dégradées et à la poussière. Par l’émission et la réception de faisceaux lumineux, il génère un nuage de points représentant l’environnement autour du robot, permettant ainsi la cartographie de celui-ci. Toutefois, il reste environ cinq fois plus coûteux qu’une caméra.

III. Approches de perception proprioceptive

Les algorithmes de perception permettent essentiellement d’estimer l’état du robot, notamment sa localisation (position et orientation) par rapport à un référentiel terrestre fixe. Certains algorithmes utilisent uniquement les données des capteurs proprioceptifs pour déterminer la position du robot, on parle alors de "dead reckoning". Toutefois, ces informations étant internes au robot, leur utilisation individuelle pour se localiser par rapport à un référentiel extérieur conduit à des résultats dont la précision se dégrade rapidement.

Pour améliorer la précision, on combine les informations des capteurs, ce qui permet d’obtenir une localisation plus fiable. Parmi les algorithmes les plus utilisés pour ce type de fusion, on retrouve le filtre de Kalman.

Figure 2 : Principe d'un filtre de Kalman

Il repose sur deux étapes principales. La première est la prédiction, qui estime l’état futur du robot à partir de son état précédent et de son modèle d’évolution. La seconde est la correction, au cours de laquelle les mesures issues des capteurs sont utilisées pour ajuster et affiner la prédiction effectuée, permettant ainsi d’obtenir une estimation plus précise de l’état réel du robot.

Le filtre de Kalman est un algorithme récursif qui permet à un robot d’estimer son état (position et orientation) en combinant les mesures de ses capteurs et un modèle d’évolution qui prédit où le robot devrait se trouver.

Comme le montre la Figure 2 ci dessus, cet algorithme comporte deux étapes principales :

Prédiction : Cette étape utilise l’état précédent du robot et le modèle d’évolution pour prédire son état futur.
Correction : Dans cette étape, l’état prédit est comparé aux mesures obtenues par les capteurs et l’estimation de l’état est ajustée, permettant ainsi d’obtenir une localisation plus précise du robot.

IV. Approches de perception extéroceptive

Ces algorithmes reposent sur les capteurs extéroceptifs qui, en plus de contribuer à la perception proprioceptive (comme dans le cas de la localisation par GNSS RTK), sont utilisés pour représenter l'environnement.

Comme le montre la Figure 3 ci dessous la perception extéroceptive pour un robot agricole a donc pour principal rôle de modéliser l’environnement du robot et de positionner celui-ci dans cet environnement.

Principe de la perception extéroceptive : utilisation d’approches basées sur l’intelligence artificielle ou l’analyse géométrique pour modéliser l’environnement utile du robot à partir d’images, de nuages de points et/ou de sa position GNSS

Figure 3 : Principe de la perception extéroceptive

Utilisation d’approches basées sur l’intelligence artificielle ou l’analyse géométrique pour modéliser l’environnement utile du robot à partir d’images, de nuages de points et/ou de sa position GNSS.

Pour ce faire, deux grandes approches peuvent être utilisées :

Approche basée sur l’intelligence artificielle : un réseau de neurones analyse les informations issues des capteurs (images, nuages de points), identifie et classe les différents éléments présents dans l’environnement (plantes d’intérêt, adventices, obstacles, humains, etc.), et génère ensuite une cartographie structurée comprenant les positions de chacun de ces éléments ainsi que celle du robot.
Approche basée sur l’analyse géométrique : la sortie est similaire, à savoir une cartographie des différents éléments de l’environnement et du robot. La différence réside dans la méthode : elle repose sur l’analyse géométrique des nuages de points fournis par les capteurs. Par exemple, certaines formes géométriques dans le nuage de points peuvent être détectées et attribuées à une catégorie spécifique (plante d’intérêt, adventice, etc).

V. Conclusion

Pour conclure, un robot agricole utilise des capteurs proprioceptifs et extéroceptifs pour percevoir son environnement et se localiser avec précision. Parmi les plus répandus, on retrouve le GNSS (GPS RTK), la caméra RGB-D et le LIDAR. Lorsqu'ils sont associés à des algorithmes adaptés, ces capteurs fournissent au robot des informations cruciales pour la navigation et la prise de décision autonome.

*: Les informations techniques présentées dans cet article sont fournies à titre indicatif. Elles ne remplacent pas les notices officielles des fabricants. Avant toute installation, manipulation ou utilisation, veuillez consulter la documentation du produit et respecter les consignes de sécurité. Le site Torque.works ne saurait être tenu responsable d'une utilisation inappropriée ou d’une interprétation incorrecte des informations fournies.