Robot.com, anciennement Kiwibot, publie une couche Nav2 qui injecte la segmentation sémantique dans la carte de coût d’un robot mobile. Le projet, signalé dans le bulletin Open Robotics de la semaine, vise les robots équipés de caméras RGBD et d’un modèle de segmentation capable d’identifier des classes comme trottoir, herbe, obstacle ou zone praticable.
Dans Nav2, la costmap sert à décider où un robot peut rouler et ce qu’il doit éviter. Le plugin semantic_segmentation_layer ajoute une information plus riche que la simple présence d’un obstacle. Il reçoit un masque de segmentation, un nuage de points aligné et, si disponible, un masque de confiance. Chaque pixel peut alors être projeté vers une tuile de la carte en coordonnées 3D, puis transformé en coût de navigation.
Une mémoire sémantique par tuile
L’idée principale est de ne pas traiter chaque image comme une décision isolée. Le plugin maintient, pour chaque tuile, plusieurs files d’observations correspondant aux classes sémantiques vues récemment. Une classe peut devenir dominante si elle possède une priorité particulière ou si elle accumule suffisamment d’observations avec une confiance élevée. Les anciennes observations expirent selon un délai configurable, ce qui évite de conserver indéfiniment une interprétation devenue obsolète.
Cette architecture répond à une difficulté courante en robotique mobile : les modèles de perception ne sont pas parfaitement stables d’une image à l’autre. Une zone peut être classée comme praticable sur une frame, puis douteuse sur la suivante. En accumulant les observations et en appliquant des règles de priorité, le robot peut produire une carte plus robuste sans renoncer à la nuance sémantique.
Le dépôt décrit aussi deux modes de sélection lorsque plusieurs pixels tombent sur la même tuile : choisir selon le coût maximal ou selon la confiance du modèle. Ce choix est important selon le contexte. Pour un robot de livraison, une classe risquée peut devoir primer même si elle est observée brièvement. Pour un robot de laboratoire, l’objectif peut plutôt être de lisser les erreurs ponctuelles.
Pourquoi cela compte pour les robots de terrain
La navigation autonome a longtemps reposé sur une lecture géométrique du monde : murs, obstacles, distances, zones libres. Les robots qui circulent dans des environnements ouverts ont besoin d’un niveau supplémentaire. Savoir qu’un espace est plat ne suffit pas toujours ; il faut comprendre s’il s’agit d’un trottoir, d’un bord de route, d’une pelouse, d’une rampe ou d’une surface interdite.
Une couche Nav2 de segmentation sémantique rend cette information utilisable par la pile de navigation au lieu de la laisser dans un module de perception isolé. Pour l’écosystème ROS, l’intérêt est aussi pratique : le dépôt fournit un plugin, des paramètres et une démonstration liée à Gazebo, ce qui permet aux équipes de tester le comportement avant de l’intégrer sur un robot physique.
Notre analyse
Le projet est plus technique qu’une annonce produit, mais il touche un point central de la robotique mobile réelle : traduire la perception moderne en décisions de navigation fiables. La valeur dépendra de la qualité des modèles de segmentation, de la synchronisation RGBD et des réglages de coût. Mais le fait d’intégrer ces signaux directement dans Nav2 peut aider les développeurs à passer d’une démonstration de vision à un comportement exploitable sur le terrain.
