Dataset EuroC : Performances IMU En Navigation & SLAM

Salut les passionnés de robotique et de SLAM ! Aujourd'hui, on plonge au cœur du dataset EuroC, un truc super utile quand on veut tester nos algorithmes de navigation et de localisation simultanée (SLAM). Les gars qui ont créé EuroC ont fait un boulot de dingue en fournissant des données assez complètes, notamment avec des capteurs IMU (Unité de Mesure Inertielle) de haute qualité. Mais voilà, certains d'entre nous, dont notre ami qui a lancé la discussion, rencontrent des soucis au moment d'évaluer les performances de ces données brutes IMU. Peu importe les outils qu'ils utilisent, que ce soit evo, open_vins ou d'autres pépites comme celles de l'équipe RPG, l'erreur semble bizarrement plus basse lorsqu'on compare la trajectoire dérivée de l'IMU par rapport à la référence, le fameux ground truth. C'est frustrant, je sais ! On s'attend à des erreurs plus significatives pour pouvoir vraiment juger de la précision de nos systèmes. Alors, qu'est-ce qui cloche ? Pourquoi ces valeurs d'erreur si basses ? Est-ce que l'outil d'évaluation est mal configuré ? Le dataset lui-même présente-t-il des particularités qu'il faut prendre en compte ? Ou est-ce que notre compréhension de l'évaluation IMU-vs-ground truth a besoin d'un petit coup de pouce ? Accrochez-vous, on va décortiquer tout ça ensemble pour que vous puissiez tirer le meilleur parti d'EuroC et de vos données IMU.

Comprendre l'IMU et son rôle dans la navigation autonome

Avant de plonger dans les méandres de l'évaluation, rappelons rapidement ce qu'est un IMU. Les gars, c'est le cœur battant de nombreux systèmes de navigation robotique ! Une IMU, c'est en gros une combinaison d'accéléromètres et de gyroscopes. Les accéléromètres mesurent l'accélération linéaire dans trois axes (avant/arrière, gauche/droite, haut/bas), tandis que les gyroscopes mesurent la vitesse de rotation autour de trois axes (roulis, tangage, lacet). En combinant ces mesures, on peut estimer la pose (position et orientation) d'un robot au fil du temps. C'est le principe de la navigation inertielle. L'avantage ? Les IMU sont autonomes et ne dépendent pas de signaux externes comme le GPS (qui ne fonctionne pas en intérieur, par exemple) ou de caractéristiques visuelles pour fonctionner. Ils fournissent des données à haute fréquence, ce qui est crucial pour capturer les mouvements rapides et les changements d'attitude. Cependant, le gros hic des IMU, c'est qu'ils souffrent de dérives. Les mesures des accéléromètres sont sensibles aux accélérations externes (vibrations, mouvements non désirés) et les gyroscopes accumulent des erreurs avec le temps, entraînant une dérive de la position et de l'orientation estimées. C'est pourquoi, dans les systèmes de navigation et de SLAM, l'IMU est presque toujours fusionnée avec d'autres capteurs comme les caméras (visuel-inertiel) ou les LiDAR (LiDAR-inertiel). L'objectif est de corriger ces dérives grâce aux informations plus stables fournies par les autres capteurs. Le dataset EuroC est particulièrement intéressant car il a été conçu pour tester précisément ces systèmes visuels-inértiels et inertiels, avec des données IMU de qualité et des trajectoires de référence précises. Mais quand on cherche à évaluer spécifiquement la contribution de l'IMU brute, on doit s'assurer que notre processus d'évaluation est solide.

Les défis de l'évaluation des données IMU brutes avec EuroC

Maintenant, parlons de ce qui pose problème, les gars. Vous utilisez des outils comme evo pour évaluer les trajectoires. C'est un excellent outil, très utilisé dans la communauté SLAM, et il permet de comparer des trajectoires estimées à des trajectoires de référence (ground truth). Cependant, l'interprétation des résultats peut parfois être délicate, surtout lorsqu'on travaille avec des données IMU brutes. Le problème que vous rencontrez – obtenir des erreurs plus faibles que prévu en comparant IMU vs ground truth – peut avoir plusieurs origines. Premièrement, la manière dont l'IMU est utilisée pour générer une trajectoire. Une trajectoire purement IMU est obtenue par double intégration des accélérations (après compensation de la gravité) et intégration de la vitesse angulaire pour l'orientation. Chaque étape d'intégration amplifie les erreurs. Si les données IMU sont exceptionnellement propres et peu bruitées, et que le mouvement est relativement lent et simple, alors oui, la dérive peut être minime sur de courtes périodes. Mais généralement, pour obtenir une trajectoire comparable au ground truth (qui est souvent issue de systèmes de localisation plus précis, comme des encodeurs de haute précision ou des systèmes de capture de mouvement), il faut une décalibration et une mise à l'échelle des données IMU, ainsi qu'une estimation des biais initiaux. Est-ce que vos outils évaluent la trajectoire avant ou après une éventuelle initialisation ou calibration ? Un autre point crucial : la synchronisation temporelle. Les données IMU ont une fréquence très élevée. Si les données IMU ne sont pas parfaitement synchronisées avec le ground truth (qui peut provenir de caméras par exemple, avec une fréquence plus basse), même un décalage minime peut fausser l'évaluation. evo et d'autres outils ont des paramètres pour gérer la synchronisation, mais il faut s'assurer qu'ils sont correctement réglés. De plus, les différentes métriques d'erreur peuvent induire en erreur. evo propose l'erreur de trajectoire absolue (ATE), l'erreur de trajectoire relative (RPE), etc. Êtes-vous sûr de comparer les bonnes métriques ? L'ATE compare les poses, tandis que le RPE compare les déplacements et rotations sur des intervalles de temps définis. Enfin, certains systèmes, comme ceux de l'équipe RPG, peuvent intégrer des méthodes de post-traitement ou de fusion implicite même lorsqu'ils présentent les résultats