A LiDAR-Inertial SLAM Tightly-Coupled with Dropout-Tolerant GNSS Fusion for Autonomous Mine Service Vehicles (2023)

• Référence : LiDARSLAM2023 — A LiDAR-Inertial SLAM Tightly-Coupled with Dropout-Tolerant GNSS Fusion for Autonomous Mine Service Vehicles (arXiv:2308.11492)
• Auteurs : Wang et al. (équipe véhicules de service miniers)
• Domaine : SLAM LiDAR-inertiel, fusion GNSS, véhicules autonomes en mine
• Thème Teleforge : fusion
• Lien : arXiv:2308.11492

1. Contexte et problème adressé

• Véhicules de service autonomes en environnement minier : géométrie complexe, zones couvertes, réflexions, poussière, etc.
• LiDAR-inertiel seul donne une bonne odométrie relative, mais dérive à long terme.
• GNSS est très intermittent / dégradé (obstructions, multipath) → difficile à utiliser en mode « simple correction de pose ».
• Objectif : proposer un schéma de SLAM LiDAR-inertiel qui exploite le GNSS de façon étroitement couplée (tightly coupled) et tolérante aux dropouts, pour fournir une localisation fiable et continue aux véhicules de service.

2. Contributions principales

1. Pipeline LiDAR-inertiel + GNSS étroitement couplé :

   • Fusion LiDAR + IMU dans un cadre de error-state Kalman filter (ESKF) pour l’odométrie locale.
   • Intégration des mesures GNSS comme observations dans le filtre plutôt que simple “post-correction”, ce qui permet de tirer parti des composantes même quand certaines sont manquantes.

2. Tolérance aux pertes GNSS :

   • Le système est conçu pour rester stable et cohérent pendant les périodes sans GNSS (mine souterraine, tunnel, zones couvertes).
   • Lors du retour du signal, les mesures GNSS sont exploitées pour recadrer la trajectoire sans discontinuité brutale.

3. Adaptation aux environnements miniers :

   • Choix des structures de carte (nuage de points 3D, structures locales) et des paramètres de fusion adaptés à des scènes structurées mais fortement masquées.
   • Prise en compte des particularités opérationnelles des véhicules de service (vitesses modérées, trajectoires fortement contraintes par les galeries).

4. Validation expérimentale sur véhicules réels :

   • Expériences menées sur véhicules de service miniers autonomes.
   • Comparaison avec des pipelines multi-capteurs sans GNSS ou avec un couplage plus lâche ; la solution proposée montre une dérive réduite et une meilleure robustesse en présence de dropouts GNSS.

3. Méthodologie et architecture

• Odométrie LiDAR-inertiel :

  • LiDAR utilisé pour estimer les transformations relative frame-to-frame.
  • IMU pré-intégrée pour fournir une propagation rapide de l’état entre deux scans LiDAR.
  • L’ESKF combine ces deux sources pour produire une trajectoire lisse et localement cohérente.

• Fusion GNSS étroitement couplée :

  • Les mesures GNSS (position, parfois vitesse) sont intégrées dans le même espace d’état que la pose LiDAR-inertiel.
  • Le filtre prend en compte les incertitudes GNSS (covariances anisotropes, géométrie satellites dégradée).
  • En absence de GNSS, le filtre se rabat sur la chaîne LiDAR-inertiel ; à la reprise, il met à jour l’état sans saut brutal.

• Structure de carte :

  • Carte 3D construite/maintenue à partir des nuages LiDAR (type SLAM).
  • La localisation est formulée en pose sur carte avec corrections GNSS qui contraignent la dérive globale.

4. Résultats et performances

• Scénarios miniers réels :

  • Parcours avec longues sections sans GNSS, puis retour de signal.
  • Comparaison avec :
    • LiDAR-inertiel sans GNSS → dérive accumulée.
    • GNSS + IMU moins couplés (couplage lâche) → moins bonne stabilité en dropout.

• Observations clés :

  • La solution proposée maintient une erreur globale de trajectoire plus faible, tout en restant stable en l’absence de GNSS.
  • Les ré-acquisitions GNSS n’introduisent pas de “saut” violent dans la pose ; on observe un recalage progressif.
  • Le pipeline reste adapté aux contraintes temps réel des véhicules de service.

(Les chiffres précis de RMSE/ATE ne sont pas recopiés ici ; les reprendre si besoin pour un tableau comparatif dans P004.)

5. Liens avec RS3 / Telemachus / VAE

Pour P004 – GNSS/INS robuste en milieu urbain

• Excellent cas d’usage “GNSS intermittent + capteur exteroceptif” complémentaire aux scénarios urbains P004.
• Peut servir de bloc “LiDAR + IMU + GNSS” dans une section « architectures multi-capteurs » :
  • RS3 simule déjà IMU + GNSS → ce papier indique comment ajouter un LiDAR simulé et coupler étroitement les mesures GNSS.
  • Intéressant pour discuter les cadres ESKF vs MMKF (Mafi2025) quand on ajoute des capteurs exteroceptifs.

Pour V001 – Compétence fusion multi-capteurs

• Montre :
  • Maîtrise des schémas de fusion LiDAR/IMU/GNSS.
  • Capacité à travailler en environnement GNSS-degraded / GNSS-denied avec retour progressif.
• À citer comme exemple de fusion LiDAR-inertiel + GNSS tightly coupled dans la frise historique/typologique de V001.

Pour V005 – Reproductibilité

• Cas intéressant de scénarios RS3→Telemachus inspirés de la mine :
  • Simuler dans RS3 des pertes GNSS longue durée + contraintes géométriques fortes.
  • Exporter en Telemachus et proposer un jeu de données type “mine” pour benchmarker des pipelines SLAM fusionnés.

6. Limites, critiques et points de vigilance

• Dépendance au LiDAR :
  • Solution orientée environnements miniers, avec structures bien visibles au LiDAR ; plus délicat à transposer tel quel en environnement urbain ouvert.
• Détails algorithmiques :
  • Le papier se concentre sur la chaîne globale ; il faudrait examiner plus finement :
    • le modèle bruit IMU,
    • la gestion des observations GNSS partiellement valides,
    • la stratégie de re-calage lors du retour GNSS.
• Pas de standardisation des données :
  • Pas de format type Telemachus ; ce sera à toi de définir quels signaux LiDAR / GNSS / IMU rendre disponibles dans un dataset reproductible.

7. Idées pour toi (RS3 / Teleforge)

1. Scénarios “mine” dans RS3

   • Créer des cas d’usage RS3 avec :
     • GNSS dégradé ou coupé sur de longues sections,
     • trajectoires très contraintes (couloirs, galeries).
   • Comparer pipelines :
     • GNSS+IMU (classique),
     • GNSS+IMU+LiDAR (inspiré de ce papier).

2. Démonstrateur P004 “GNSS intermittent + LiDAR”

   • Ajouter une sous-section dans P004 :
     “Exploiter un capteur exteroceptif (LiDAR) pour contraindre la dérive inertielle en GNSS intermittent”.

3. Extension Telemachus / RoadGeometry

   • Réfléchir aux champs nécessaires pour décrire :
     • les mesures LiDAR dérivées (features, poses),
     • les métadonnées d’observabilité (zones GNSS-degraded, tunnels, etc.).

8. Tagging interne

• Tags : fusion, lidar, slam, gnss_intermittent, mine, eskf
• Niveau de priorité : 🟢 Haute (aligne bien P004/V001, bon exemple LiDAR+IMU+GNSS en environnement extrême)