Robot.com révolutionne la navigation des robots mobiles avec une couche Nav2 de segmentation sémantique
← Retour aux actualitésTrottoir (traversable, coût = 0) Herbe (à éviter, coût = 254) Obstacle (danger, coût = 254) Zone praticable (coût intermédiaire, ex. 127) Priorité absolue : Éviter les obstacles (coût max = 254). Préférence : Rester sur les trottoirs (coût = 0). Flexibilité : Traverser une zone intermédiaire si nécessaire (coût = 127). Navigation contextuelle : Les robots ne se contentent plus de détecter des obstacles géométriques (murs, meubles). Ils comprennent leur environnement ("ceci est un trottoir", "cette zone est glissante"). Robustesse accrue : Même si un obstacle classique (un mur) n’est pas détecté, le robot peut éviter une zone dangereuse grâce à la segmentation sémantique. Adaptabilité : La couche est modulaire : on peut ajouter ou modifier des classes sémantiques (ex. "escalier", "flaque d’eau") sans tout reprogrammer. Un plugin Nav2 pour intégrer la segmentation sémantique dans la carte de coût. Un nœud ROS 2 pour l’inférence en temps réel (compatible avec des modèles ONNX pré-entraînés). Des démos pour tester le système sur un TurtleBot 4 en simulation (environnement Baylands) ou sur du matériel réel. Sidewalk (trottoir) → coût = 0 (trajectoire idéale). Background (zone neutre) → coût = 127 (acceptable). Grass (herbe) → coût = 254 (à éviter). La logistique (robots de livraison évitant les pelouses). L’industrie (robots de nettoyage ou d’inspection adaptant leur trajectoire). Les services (robots de restauration ou de sécurité naviguant en intérieur/extérieur). -- Code du plugin Nav2 (GitHub) Démo TurtleBot 4 (GitHub) Tutoriel NVIDIA Jetson
📑 Sommaire
💡 En 3 points clés
- Trottoir (traversable, coût = 0)
- Herbe (à éviter, coût = 254)
- Obstacle (danger, coût = 254)
La navigation robotique entre dans une nouvelle ère
Imaginez un robot de livraison qui, en arrivant devant une pelouse, décide automatiquement de contourner l’herbe pour rester sur le trottoir. Ou un robot de nettoyage industriel qui évite les zones glissantes ou encombrées grâce à une compréhension fine de son environnement. C’est précisément ce que permet la nouvelle couche Nav2 de segmentation sémantique publiée par Robot.com.
Cette innovation repose sur un principe simple : intégrer la perception sémantique directement dans la carte de coût utilisée par les robots mobiles pour planifier leurs trajectoires. Plus besoin de silos entre vision, compréhension et action – tout est fusionné dans un seul système cohérent.
Comment ça marche ?
1. Perception intelligente : Un modèle de segmentation sémantique (comme ceux basés sur des réseaux de neurones convolutifs ou des transformers) analyse en temps réel les images d’une caméra RGBD (couleur + profondeur). Il identifie des classes comme :
2. Intégration dans Nav2 : La couche personnalisée de Robot.com injecte ces informations dans la carte de coût de Nav2 (le framework de navigation open source de ROS 2). Chaque pixel de l’image segmentée est converti en un coût spatial, permettant au planificateur de trajectoire d’éviter les zones non désirées.
3. Décision en temps réel : Le robot ajuste sa trajectoire en fonction des priorités configurées. Par exemple :
Pourquoi c’est une avancée majeure ?
Un projet open source pour accélérer l’innovation
Robot.com a publié son code sous licence open source, permettant à la communauté ROS de l’adapter à leurs besoins. Le projet inclut :
En pratique : à quoi ça ressemble ?
Dans une démo publiée par Robot.com, un TurtleBot 4 navigue dans un environnement simulé (Baylands) avec trois classes sémantiques :
Résultat : Le robot reste systématiquement sur les trottoirs, même si cela implique un détour.
Perspectives : vers des robots plus autonomes et sûrs
Cette couche Nav2 pourrait devenir un standard pour les robots mobiles, notamment dans :
Note de Hype-mètre : 4/5 (Innovation technique majeure, mais déploiement encore limité aux prototypes et démos).
🔗 Pour aller plus loin :