La dimension temporelle indique quand une mesure est prise, combien de temps elle reste valable et comment l’état évolue entre observations. Horloge, dynamique, délai et qualité produisent un état daté.
Une mesure retardée est détectée par timestamp, séquence, délai et cohérence avec l’état courant et les autres flux. Elle est réordonnée, corrigée dans l’historique ou rejetée selon la décision.
Pour extraire un plan ou un obstacle, on ajuste des surfaces aux points, mesure les écarts et regroupe les régions cohérentes en tenant compte des normales, de la hauteur et du repère robot.
La latence se réduit en mesurant acquisition, transfert, synchronisation, calcul et publication, puis en associant l’estimation à son âge. Extrapolation, résolution ou fréquences multiples sont utilisées avec incertitude explicite.
Pour fusionner caméra et lidar, on aligne leurs repères et horloges, associe points et pixels avec leurs incertitudes puis vérifie la cohérence sur une scène commune.
Choisir une représentation dépend de la tâche, échelle, dynamique, capteurs, calcul, précision, mémoire, incertitude, mise à jour et conséquences d’une erreur.
Une représentation de l’environnement encode géométrie, objets, lieux, obstacles, surfaces, dynamique, sémantique et incertitude dans un ou plusieurs repères exploitables par le robot.
Représenter l’incertitude d’une carte robotique consiste à associer confiance, variance, âge, provenance, couverture et hypothèses aux cellules, objets, poses ou relations.
Pour mettre à jour une représentation avec des obstacles mobiles, le robot horodate observations, suit objets, expire les données anciennes et sépare statique, dynamique et prédiction.
Quand la reconnaissance est incertaine, le robot conserve les hypothèses, cherche une observation meilleure, réduit l’action, demande confirmation ou s’arrête selon le risque et la réversibilité.
Pour reconnaître un objet déjà observé, le robot associe apparence, géométrie, trajectoire, contexte et identifiant dans une mémoire temporelle tout en vérifiant ambiguïté et fraîcheur.
Mesurer la qualité d’une reconnaissance d’objets robotique exige précision, rappel, localisation, classes confondues, inconnus, confiance, latence et effet sur l’action dans des scènes variées.