Aller au contenu
Retour à santismm.com
Physical AIby Santi

06Cadre de référence

Un langage commun pour la robotique hors de l’usine

Quatre axes pour classer tout système robotique non industriel (humanoïdes, quadrupèdes, véhicules autonomes et drones) selon sa maturité technologique, sa sécurité opérationnelle et son retour sur investissement.

Dernière révision: 2026-11Méthodologie et sources →

01 · Périmètre et vue d’ensemble

La robotique pour des lieux que personne n’a conçus pour des robots

Le cadre couvre les plateformes qui opèrent hors des environnements industriels contrôlés : dynamique extrême, infrastructures non structurées et conditions hostiles ou changeantes. Nous classons les avancées selon quatre formes physiques.

  • HUM

    Humanoïdes

    Systèmes de forme humaine (bipèdes ou sur base à roues) dotés d’une manipulation dextre, conçus pour utiliser des outils et des infrastructures pensés pour l’humain.

    12 dans l’explorateur

  • MAN

    Manipulateurs mobiles

    Base à roues ou à chenilles portant un ou plusieurs bras : elle déplace des caisses, charge et décharge des camions ou prélève des pièces, sans forme humaine.

    2 dans l’explorateur

  • QDR

    Quadrupèdes

    Plateformes à pattes articulées offrant une forte motricité et une grande stabilité sur terrain accidenté, dans les escaliers et sur la roche.

    7 dans l’explorateur

  • UGV

    Véhicules terrestres

    Systèmes à roues ou à chenilles pour le transport de charges, la logistique et l’inspection longue distance.

    6 dans l’explorateur

  • UAV

    Drones et robots aériens

    Voilure tournante ou fixe pour la surveillance, l’inspection verticale, la logistique express et les essaims.

    6 dans l’explorateur

02 · Objectifs stratégiques

Du catalogue du fournisseur au besoin opérationnel

Combler l’écart opérationnel

Relier ce que les fournisseurs de robotique savent faire à ce dont les opérations ont réellement besoin.

Besoins métierCapacités technologiques
Inspection 24 h/24 et 7 j/7 sans exposer le personnelAutonomie N4 + recharge automatique sur station
Opérer sans couverture GPSSLAM visuel / LiDAR
Couvrir de grandes surfacesCoordination de flotte ou d’essaim
Voir à travers la fumée et l’obscuritéFusion thermique + radar

Normaliser les critères

Offrir un vocabulaire partagé pour évaluer toute plateforme au moyen de trois questions :

01
Maturité
Quel niveau d’autonomie atteint-elle de façon durable, et dans quel domaine opérationnel ?
02
Sécurité
Quand et comment un humain intervient-il, et que se passe-t-il si la liaison est perdue ?
03
ROI
Quand est-elle amortie par rapport à l’exploitation manuelle, coût total de possession compris ?

Les quatre axes

Chaque robot est décrit par quatre coordonnées

Ce sont des dimensions catégorielles et indépendantes : un drone peut avoir une autonomie élevée et aucune coordination, et un humanoïde une perception riche et une commande téléopérée.

Axe 1 · Autonomie et prise de décision

Six niveaux, de la téléopération à l’autonomie distribuée

Le niveau décrit l’autonomie opérationnelle typique dans les déploiements réels, et non le maximum de la brochure. Sélectionnez un niveau pour voir quelles plateformes de l’explorateur s’y trouvent aujourd’hui.

Cette échelle de 0 à 5 est un cadre adapté par ce site à la robotique non industrielle. Elle s’inspire des niveaux d’automatisation de la conduite de la SAE J3016 et du concept d’ODD, mais ce n’est pas une norme officielle et elle ne remplace pas la certification.[DIN Media, 2026] La terminologie de base (autonomie, robot de service) suit le vocabulaire normalisé de l’ISO 8373.[ISO, 2021]

N4

Autonomie élevée

Fonctionne en continu sans intervention humaine dans un domaine de conception opérationnelle délimité (ODD).

◆ Rôle humainGère la flotte et l’ODD

Clé : le domaine de conception opérationnelle (ODD)

Le concept provient de la SAE J3016 ; la norme ISO 34503 définit l’ODD comme les conditions de fonctionnement dans lesquelles un système de conduite automatisée est conçu pour fonctionner en sécurité, et le décrit au moyen d’éléments fixes du décor (routes, feux de signalisation), de conditions environnementales (météo, connectivité) et d’éléments dynamiques (trafic). Ce cadre applique la même idée aux robots : le niveau 4 n’a de sens qu’au sein d’un ODD explicite, et un même robot peut être N4 dans un poste électrique connu et N2 sur un terrain nouveau.[ISO, 2023]

Axe 2 · Réseaux et coordination multirobot

Du robot isolé à l’intelligence en essaim

La topologie de communication détermine l’échelle, la résilience et ce qui se passe lorsqu’un nœud tombe en panne.

  • Indépendant

    12 plateformes

    Aucune communication entre robots ; chaque unité fonctionne isolément.

    • Aucune dépendance au réseau
    • Échelle = nombre d’opérateurs
    • Défaillance isolée
  • Coordonné

    21 plateformes

    Partage son état et sa télémétrie via une station de base ou un serveur central.

    • Station de base ou cloud
    • Planification centrale de la flotte
    • Point de défaillance unique
  • Essaim collaboratif

    0 plateforme

    Décisions décentralisées sur un réseau maillé pair à pair ; les tâches sont réparties selon la capacité et la position de chaque nœud.

    • Réseau maillé / MANET entre pairs
    • Répartition dynamique des tâches
    • Dégradation progressive
Approfondir les essaims résilients →

Axe 3 · Perception et observation de l’environnement

Aucun capteur ne voit tout : la clé, c’est la fusion

Chaque modalité a un angle mort. Les plateformes matures en combinent plusieurs pour maintenir la localisation et la détection dans l’obscurité, le brouillard, la poussière ou sans GNSS.

  • LiDAR 3D

    11/33
    + Apporte:
    Géométrie 3D précise, de jour comme de nuit
    − Limite:
    Coût ; dégradé par le brouillard dense et la pluie
  • Caméras stéréo / VIO

    10/33
    + Apporte:
    Léger, base de la VIO sans GPS
    − Limite:
    Dépend de la lumière et de la texture
  • Caméras de profondeur RGB-D

    9/33
    + Apporte:
    Profondeur dense à courte distance
    − Limite:
    Courte portée, sensible au soleil
  • Caméras RGB

    22/33
    + Apporte:
    Sémantique riche pour les modèles de vision
    − Limite:
    Pas de profondeur directe ; échoue dans l’obscurité
  • Thermique / infrarouge

    10/33
    + Apporte:
    Détecte la chaleur : personnes, fuites, points chauds
    − Limite:
    Basse résolution, ni couleur ni texture
  • Radar mmWave

    2/33
    + Apporte:
    Traverse le brouillard, la poussière et la fumée ; mesure la vitesse
    − Limite:
    Faible résolution angulaire
  • GNSS / RTK

    10/33
    + Apporte:
    Position globale centimétrique avec RTK
    − Limite:
    Inutile sous terre ou en cas de brouillage
  • IMU

    22/33
    + Apporte:
    Mouvement à haute fréquence, toujours disponible
    − Limite:
    La dérive augmente sans corrections
  • LiDAR 2D

    0/33
    + Apporte:
    Bon marché et fiable pour les plans en intérieur
    − Limite:
    Un seul plan : ne voit pas les obstacles hauts ou bas
  • Capteurs tactiles / haptiques

    6/33
    + Apporte:
    Force et glissement lors de la manipulation
    − Limite:
    N’informe qu’au contact
  • Ultrasons

    2/33
    + Apporte:
    Proximité à bas coût, surfaces transparentes
    − Limite:
    Courte portée, faible précision
  • Capteurs à temps de vol (ToF)

    1/33
    + Apporte:
    Mesure de distance à courte portée, bon marché et compacte
    − Limite:
    Courte portée ; sensible à la forte lumière du soleil et aux surfaces sombres
  • Acoustique / ultrasons de fuite

    3/33
    + Apporte:
    Fuites de gaz ou d’air et défauts de roulements
    − Limite:
    Bruit ambiant industriel
  • Détection de gaz

    2/33
    + Apporte:
    Concentration de gaz dangereux
    − Limite:
    Mesure ponctuelle, nécessite un étalonnage
  • Caméra PTZ à zoom

    4/33
    + Apporte:
    Zoom optique pour lire les manomètres à distance
    − Limite:
    Champ de vision étroit

Fusion de capteurs et SLAM

La localisation et cartographie simultanées (SLAM) permettent au robot de savoir où il se trouve sans GPS. La chaîne de traitement typique comporte cinq étapes :

  1. 01
    Capteurs

    LiDAR, caméras, IMU, odométrie des roues ou des pattes

  2. 02
    Odométrie (front-end)

    Extraction de caractéristiques et odométrie visuelle-inertielle (VIO) ou LiDAR

  3. 03
    Filtre

    Filtre de Kalman étendu ou non parfumé (EKF/UKF) qui fusionne les estimations à haute fréquence

  4. 04
    Optimisation (back-end)

    Optimisation de graphes de facteurs et fermeture de boucle pour corriger la dérive

  5. 05
    Carte + pose

    Une carte 3D cohérente et la position du robot dans celle-ci

Localisation sans GPS (GPS-denied)

Dans les tunnels, les mines, en intérieur ou en présence d’interférences, le GNSS disparaît. La VIO estime le mouvement en comparant des images successives avec l’IMU ; le SLAM LiDAR aligne des nuages de points ; et la fermeture de boucle reconnaît les lieux déjà visités pour annuler la dérive accumulée.

Axe 4 · Modes de commande et d’exploitation

Du pilote FPV à la politique apprise

Le mode de commande indique quelle part du comportement est écrite par un ingénieur, exécutée par un pilote ou apprise par un réseau de neurones.

◆ Dépendant de l’humainAppris / autonome ●
  1. 01

    Pilotage FPV

    Liaisons vidéo à faible latence (<50 ms) pour manœuvrer dans des espaces exigus. Le pilote est le système de perception.

    1/33
  2. 02

    Téléopération

    Le robot se stabilise et se protège ; l’humain décide de chaque mouvement. C’est la base de la collecte de données pour l’apprentissage par imitation.

    25/33
  3. 03

    Mission supervisée

    Missions enregistrées ou programmées que le robot répète ; l’opérateur approuve les exceptions depuis une console.

    27/33
  4. 04

    Flotte BVLOS

    Un opérateur supervise plusieurs unités au-delà de la ligne de vue. Exige une fonction de détection et d’évitement (detect-and-avoid) et une autorisation réglementaire.

    5/33
  5. 05

    Politique apprise (RL/VLA)

    Réseaux entraînés par apprentissage par renforcement ou modèles vision-langage-action, souvent avec des réseaux de neurones informés par la physique (PINN) pour la marche et la manipulation.

    14/33

Sim-to-real : entraîner en simulation, déployer dans le monde réel

Les politiques de locomotion sont entraînées sur des millions de pas dans des simulateurs parallèles avec randomisation de domaine (frottement, masses, latences, bruit des capteurs) afin qu’elles résistent à la réalité. L’écart résiduel est comblé par un ajustement fin sur le terrain et des données de téléopération.

  1. Simulation massive
  2. Randomisation de domaine
  3. Déploiement
  4. Ajustement sur le terrain

Mise en pratique

Comment appliquer la taxonomie pour évaluer un fournisseur

Chaque axe se traduit en questions vérifiables. Demandez des preuves d’exploitation réelle dans un domaine semblable au vôtre, et non des démonstrations préparées.

  1. Autonomie

    Question: Dans quel domaine de conception opérationnelle (ODD) précis le niveau déclaré a-t-il été démontré ?

    Preuves à demander: Journaux de missions réelles avec les interventions humaines par heure et leurs causes, dans des conditions comparables aux vôtres.

  2. Coordination

    Question: Que fait chaque robot s’il perd la liaison avec la station de base ou le cloud ?

    Preuves à demander: Comportement documenté en cas de déconnexion : quelles tâches se poursuivent, lesquelles sont suspendues et comment la mission reprend.

  3. Perception

    Question: Quels capteurs comprend la configuration proposée, et non le catalogue, et comment se localise-t-elle sans GNSS ?

    Preuves à demander: Essais avec poussière, pluie, faible luminosité ou reflets, et précision de localisation obtenue sur votre site.

  4. Commande

    Question: Quelle partie de la mission est téléopérée, et comment la politique apprise a-t-elle été entraînée et validée ?

    Preuves à demander: Processus de validation (simulation et données réelles), fréquence des mises à jour et procédure de retour à une version antérieure.

  5. Spécifications

    Question: Dans quelles conditions chaque chiffre a-t-il été mesuré, et quelle est l’autonomie avec votre charge utile réelle ?

    Preuves à demander: Une fiche indiquant les conditions de mesure (charge, vitesse, température) et un essai avec votre configuration.

Méthodologie de visualisation

Pourquoi nous n’utilisons pas de graphiques en radar

Les axes de cette taxonomie sont qualitatifs et non linéaires. Un graphique en radar leur attribue des nombres arbitraires, et l’aire du polygone, qui est ce que l’œil lit, change avec le simple ordre des axes.

Mêmes données, ordre des axes différent

Ordre A31%Aire visuelle
Ordre B43%Aire visuelle

Le même robot paraît « plus capable » dans un ordre que dans l’autre.

Ce que nous recommandons

Graphique en coordonnées parallèles

Trace un profil continu pour chaque modèle à travers des axes verticaux et fait apparaître des schémas de conception et de maturité sans imposer une métrique scalaire unique.

Ouvrir le graphique →

Matrice de classification interactive

Une interface bidimensionnelle qui croise le niveau d’autonomie et la capacité de coordination pour cartographier les architectures de systèmes.

Ouvrir la matrice →

Et le marché ?

La matrice d’automatisation « tâches × marché » (cas d’usage, famille de robots, autonomie, fusion de capteurs et ROI estimé) se trouve dans le calculateur de ROI.

Voir la matrice d’automatisation →