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.
Normaliser les critères
Offrir un vocabulaire partagé pour évaluer toute plateforme au moyen de trois questions :
- Maturité
- Quel niveau d’autonomie atteint-elle de façon durable, et dans quel domaine opérationnel ?
- Sécurité
- Quand et comment un humain intervient-il, et que se passe-t-il si la liaison est perdue ?
- 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).
Plateformes à ce niveau
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 plateformesAucune communication entre robots ; chaque unité fonctionne isolément.
- Aucune dépendance au réseau
- Échelle = nombre d’opérateurs
- Défaillance isolée
Coordonné
21 plateformesPartage 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 plateformeDécisions 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
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 :
- 01Capteurs
LiDAR, caméras, IMU, odométrie des roues ou des pattes
- 02Odométrie (front-end)
Extraction de caractéristiques et odométrie visuelle-inertielle (VIO) ou LiDAR
- 03Filtre
Filtre de Kalman étendu ou non parfumé (EKF/UKF) qui fusionne les estimations à haute fréquence
- 04Optimisation (back-end)
Optimisation de graphes de facteurs et fermeture de boucle pour corriger la dérive
- 05Carte + 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.
- 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 - 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 - 03
Mission supervisée
Missions enregistrées ou programmées que le robot répète ; l’opérateur approuve les exceptions depuis une console.
27/33 - 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 - 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.
- Simulation massive
- Randomisation de domaine
- Déploiement
- 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.
- 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.
- 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.
- 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.
- 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.
- 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
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 →