Thèse Navigation Robuste dans les Environnements Naturels avec Modélisation 3D Avancée de l'Environnement H/F

Doctorat.Gouv.Fr

Établissement : Université Paris-Saclay GS Sciences de l'ingénierie et des systèmes École doctorale : Sciences et Technologies de l'Information et de la Communication Laboratoire de recherche : ONERA - Département Traitement de l'information et systèmes Direction de la thèse : Hélène PIET-LAHANIER ORCID 0000000182477790 Début de la thèse : 2026-10-01 Date limite de candidature : 2026-11-01T23:59:59 La navigation autonome des robots en environnements naturels (non structurés) demeure un défi majeur, notamment en raison des limites des méthodes traditionnelles de SLAM (Simultaneous Localization and Mapping), qui ne s'adaptent pas aux topographies complexes, à la végétation ou aux surfaces irrégulières. Ces approches, basées sur des modèles explicites (points, grilles), manquent de robustesse face aux environnements dynamiques et ne permettent pas d'intégrer efficacement des informations sémantiques (comme la traversabilité du sol).
Pour surmonter ces contraintes, cette thèse vise à développer une solution d'autonomie robotique reposant sur des modèles implicites de l'environnement. Ces techniques pourraient offrir une modélisation plus flexible et plus précise, mais plusieurs points critiques restent à traiter pour les mettre en oeuvre dans des systèmes de navigation, tels que la sélection de la méthodologie la plus adaptée aux capteurs d'intérêt et aux environnements déstructurés, leur capacité à construire un modèle stable passant à l'échelle sur une large zone géographique sans provoquer d'oubli catastrophique, ou encore la mise en oeuvre de ces représentations en temps réel sur des systèmes embarqués. Les avancées récentes en apprentissage automatique ont introduit des représentations implicites de
l'environnement, comme les NeRF [1][2] (modèles de champ de radiance) ou de nouvelles représentations explicites comme le Gaussian Splatting [3], qui réalisent une reconstruction 3D géométrique et photométrique implicite. Cependant, ces techniques restent limitées en termes de robustesse, de gestion des incertitudes ou d'intégration de données sémantiques. D'autres travaux, portant sur les processus gaussiens [4], offrent des perspectives prometteuses pour la modélisation probabiliste, mais nécessitent des optimisations pour des applications en robotique. Enfin, proposée plus récemment, la représentation de type BEV Feature Map [5] semble également intéressante pour la navigation en zone non structurée. Les objectifs de cette thèse incluent le développement d'un framework de modélisation pour la navigation autonome exploitant l'une de ces représentations émergeantes, l'intégration de données multimodales et sémantiques afin de renforcer la robustesse et la précision, ainsi que la gestion des incertitudes en temps réel. Au-delà de la recherche académique, ces travaux pourraient avoir des applications concrètes dans des domaines civils (sauvetage, exploration) ou militaires (navigation en zones dégradées), en permettant aux robots de s'adapter à des environnements complexes et
imprévisibles. Étape 1 - Analyse bibliographique et définition du cadre méthodologique
- Étude approfondie des nouvelles représentations 3D (Neural Fields, Gaussian Splatting, processus
gaussiens, représentations BEV...).
- Analyse comparative des propriétés : scalabilité, complexité, gestion des incertitudes, coût calculatoire.
- Identification des verrous scientifiques spécifiques à la navigation.
Étape 2 - Conception d'une représentation 3D (géométrie seule) adaptée à la navigation
-Développement d'une architecture permettant une mise à jour incrémentale du modèle.
-Exploitation de la représentation pour la planification
-Adaptation aux environnements à grande échelle.
Étape 3 - Intégration d'information sémantique
-Construction d'un modèle unifié géométrique + sémantique.
-Analyse du modèle unifier pour déterminer les zones navigables en fonction des capacités du robot, de règles de sécurité et des objectifs de la mission
Étape 4 - Intégration des incertitudes
-Introduction d'une modélisation de l'incertitude dans le modèle unifié
-Propagation des incertitudes vers les modules de planification