[PERSEO - PERception coopérative Sûre dans des Environnements Ouverts et évolutifs pour l’autonomie robotique]

Responsable projet : Maan El Badaoui El Najjar, Université de Lille, CRIStAL

Équipe : ToSyMA du Groupe Thématique : ToPSyS

Résumé :

L’un des principaux défis pour l’autonomie décisionnelle des robots évoluant en environnements extérieurs peu structurés ou faiblement structurés, terrestres, aériens ou sous-marins, réside dans leur capacité à percevoir et interpréter de manière fiable et sûre leur environnement afin d’assurer localisation, planification d’actions et d’exécution. La diversité de ces milieux et la forte variabilité des conditions externes (éclairage, météorologie, végétation, turbidité, etc.) augmentent considérablement la complexité des tâches de perception : détection et évitement d’obstacles, localisation et cartographie précises, et compréhension fine de la scène.

Pour relever ces verrous, le projet PERSEO explore la perception en conditions difficiles, réalisée tant par des plateformes individuelles que de façon coopérative entre robots et capteurs distants. La perception coopérative autorise le partage et la diffusion d’observations hétérogènes (imagerie, LiDAR, radar, sonar, capteurs proprioceptifs), permettant de lever les ambiguïtés locales, de réduire les incertitudes et d’accroître la résilience opérationnelle face aux pannes ou aux pertes de communication.

Le consortium réunit des laboratoires aux expertises complémentaires comme l’estimation probabiliste, le SLAM collaboratif, la fusion multimodale, l’IA embarquée et frugale, le jumeau numérique et la validation expérimentale pour concevoir des solutions innovantes et économes adaptées aux contraintes opérationnelles. PERSEO vise à établir des fondations scientifiques solides pour des systèmes de localisation, de perception et de cartographie novateurs, tout en assurant disponibilité, fiabilité et robustesse dans des environnements complexes et dynamiques.

La recherche portera sur des méthodologies génériques, transposables à plusieurs domaines d’application : mobilité autonome, surveillance environnementale, opérations de recherche-et-sauvetage et exploration maritime. Le projet combine avancées théoriques, conception d’algorithmes robustes et validation par démonstrateurs multi-domaines et jumeaux numériques, accélérant la boucle "simulation → réel" et garantissant la reproductibilité expérimentale.

Parmi les retombées attendues figurent des publications à fort impact, des jeux de données ouverts, des piles logicielles reproductibles et des briques technologiques modulaires prêtes à être transférées vers des usages civils et industriels. PERSEO contribuera également à la formation d’une nouvelle génération de docteurs et de posts-docs, à la mutualisation des plateformes expérimentales et à la diffusion de bonnes pratiques pour l’évaluation et la pré-maturation des solutions autonomes.

Le déploiement se fera en deux phases complémentaires : une phase initiale consacrée aux fondations méthodologiques et aux algorithmes, suivie d’une phase d’intégration et de validation par démonstrateurs, permettant d’orienter la seconde phase à partir des résultats de la première. Des conventions de co-direction doctorale et une enveloppe opérationnelle (mobilité, équipement, campagnes) garantiront l’implication effective des partenaires. PERSEO mutualisera des infrastructures partagées typiquement le jumeau numérique, les bancs d’essai et les plateformes aéro-terrestres/marines afin d’accélérer la boucle simulation→réel et assurer l’accès expérimental aux équipes. Par l’ouverture de données et d’outils reproductibles et par une volonté de lancer des actions de pré-maturation industrielle, le consortium vise à produire des résultats scientifiquement robustes et directement exploitables.

Abstract :

One the principal challenges for decision-making autonomy in robots operating in unstructured or weakly structured outdoor environments, whether terrestrial, aerial or underwater, lies in their ability to perceive and interpret their surroundings reliably and safely so as to enable accurate localization, action planning and execution. The diversity of these environments and the strong variability of external conditions (illumination, weather, vegetation, turbidity, etc.) substantially increase the complexity of perception tasks, such as obstacle detection and avoidance, precise localization and mapping, and fine-grained scene understanding.

To address these bottlenecks, the PERSEO project investigates perception under adverse conditions, carried out either by individual platforms or cooperatively across multiple robots and remote sensors. Cooperative perception enables the sharing and fusion of heterogeneous observations (imagery, LiDAR, radar, sonar, proprioceptive sensors), which helps to resolve local ambiguities, reduce uncertainty and increase operational resilience in the face of faults or communication losses.

The consortium brings together laboratories with complementary expertise in probabilistic estimation, collaborative SLAM, multimodal fusion, frugal/on-board AI, digital twins and experimental validation, to design innovative and resource-efficient solutions adapted to operational constraints. PERSEO aims to establish solid scientific foundations for novel localization, perception and mapping systems, while ensuring high availability, reliability and robustness in complex, dynamic environments.

The research will focus on generic methodologies that are transferable across multiple application domains, notably autonomous mobility, environmental monitoring, search-and-rescue operations and maritime exploration. The project combines theoretical advances, the design of robust algorithms and validation through multi-domain demonstrators and digital twins, accelerating the simulation to reality loop and ensuring experimental reproducibility.

Expected outcomes include high-impact publications, open datasets, reproducible software stacks and modular technological building blocks ready for transfer to civil and industrial uses. PERSEO will also contribute to the training of a new generation of PhD students and post-docs, the pooling of experimental platforms and the dissemination of best practices for evaluation and pre-industrial maturation of autonomous solutions.

Deployment will follow two complementary phases, an initial phase devoted to methodological foundations and algorithms, followed by a phase of integration and validation via demonstrators, allowing Phase 2 to be steered by the results of Phase 1. Co-supervision agreements for doctoral theses and an operational envelope (mobility, equipment, field campaigns) will guarantee partners’ effective involvement. PERSEO will pool shared infrastructures, notably the digital twin, testbeds and aero-terrestrial/marine platforms, to accelerate the sim-to-real loop and ensure experimental access for project teams. Through open data and reproducible tools, and by pursuring pre-industrial maturation activities, the consortium aims to deliver scientifically robust and directly exploitable results.