Certains environnements ont la réputation d'être particulièrement difficiles. Lorsque nous avons reçu les plans et les photos d'un tunnel d'égout en Suisse, nous avons tout de suite compris pourquoi le client s'était adressé à nous : plusieurs solutions de pointe SLAM avaient déjà tenté de s'attaquer à ce chantier et avaient échoué.
Un tunnel souterrain de 1,48 km, d’environ 3 mètres de diamètre, revêtu de béton, dans lequel une canalisation d’égout en acier s’étend sur toute la longueur du sol, posée sur des pieux en béton. Peu d’éléments, une géométrie répétitive, un éclairage minimal. Le genre d’environnement qui pousse la technologie de cartographie mobile à ses limites.
Le défi
Les tunnels sont réputés pour poser des difficultés SLAM. Celui-ci l’était d’autant plus : des semelles en béton tous les cinq à dix mètres, des ouvrages d’infrastructure plus imposants tous les cinquante mètres, ainsi que des conduites ou des canalisations occasionnelles tous les cent mètres environ. Les formations salines sur les parois — là où l’eau souterraine s’était infiltrée à travers le béton avant de se cristalliser — apportaient une certaine variation, mais à peine. Tout semblait identique, et c’est précisément là que réside le problème.
SLAM localisation et cartographie simultanées) fonctionne en analysant en permanence la géométrie de son environnement afin de déterminer sa position. En l’absence de repères suffisamment distinctifs à détecter et à reconnaître, la localisation commence à défaillir et les erreurs s’accumulent. Imaginez-vous à l’intérieur d’un tuyau en acier où tout se ressemble. Même une personne perdrait rapidement le sens de l’orientation. L’algorithme est confronté au même défi.
Le client avait déjà investi du temps et de l’argent dans d’autres solutions, mais aucune n’avait donné de résultats exploitables. À chaque fois, le système dérivait et se décalait.
Il avait également une exigence spécifique : pas de points de contrôle au sol. Il avait besoin d’une solution capable de produire des résultats précis sans points de contrôle au sol ni géoréférencement — il suffisait d’entrer, de scanner et d’obtenir les résultats.
12 heures et une seule chance
Notre spécialiste de terrain a roulé pendant 12 heures pour se rendre sur place. La veille de la numérisation, le client nous a envoyé des photos de l'intérieur du tunnel.
« Je me suis dit : “Ça n’a pas l’air d’être un environnement SLAM” », se souvient Jeremy Sofonia. « J’ai dû commencer à réfléchir à la manière dont j’allais gérer les attentes. »
Ce qu’il ignorait encore, c’est que les attentes du client étaient déjà très modestes. Lorsque Jérémie est arrivé sur place, le client avait déjà assisté à suffisamment de tentatives infructueuses pour supposer que celle-ci suivrait le même schéma.
Rien ne garantissait que ce ne serait pas un déplacement inutile — seulement la confiance dans la technologie et une approche méthodique face à un environnement difficile.
Lorsque vous n’êtes pas sûr d’un SLAM , vous commencez à pied. Vous avancez lentement. Vous laissez le capteur faire ce qu’il fait le mieux. C’est exactement ce que nous avons fait. Nous avons parcouru les 1,48 km dans leur intégralité, fait demi-tour, puis sommes revenus sur nos pas — un seul balayage continu, utilisant la quasi-totalité des deux heures d’autonomie disponibles.
Là où d'autres ne voient que des murs sans relief, nous voyons des données
L'essentiel était d'identifier ce qui était déjà présent et de donner à l'algorithme les meilleures chances possibles de s'en servir. 
La résolution est primordiale dans un environnement difficile. Plus le nuage de points est dense, plus les chances sont grandes de détecter et de suivre les petits éléments présents : semelles en béton, structures de canalisations, texture à peine perceptible des formations salines sur les murs. Marcher lentement permet d’optimiser la densité des points. Le fait de porter Hovermap , plutôt que dans son support de sac à dos, permettait au capteur de voir simultanément vers l’avant et vers l’arrière, reliant ainsi les éléments déjà dépassés à ceux qui se trouvaient encore devant.
« Quels que soient les éléments présents dans l’environnement, je souhaitais obtenir la résolution la plus élevée possible sur chacun d’entre eux », explique Jeremy. « J’ai donc marché lentement, en gardant l’appareil à mes côtés pour qu’il puisse voir à la fois devant et derrière moi, et j’ai essayé de relier ces éléments entre eux. »
Le client marchait à ses côtés, observant le nuage de points se construire en temps réel sur Emesent Commander.
Méthode et résultats
Le traitement initial a révélé quelques décalages — ce qui n'était pas surprenant dans un tunnel de cette longueur, comportant si peu de repères et dépourvu de points de contrôle au sol (GCP) pouvant servir de repères. Quelques ajustements des paramètres de traitement ont suffi pour obtenir un nuage de points d'une grande netteté.
Le client a mis quelques jours à mener à bien son évaluation technique. Lorsqu’il est revenu, les données répondaient aux exigences de précision que toutes les tentatives précédentes n’avaient pas réussi à atteindre.
« Il avait du mal à croire qu’il avait enfin trouvé un équipement capable de mener à bien cette tâche », explique Jeremy.
À retenir
Toutes les numérisations ne se déroulent pas sans encombre dès le premier essai. Ce qui importe, c'est de disposer d'une technologie capable de capturer les données dès le départ, ainsi que d'une flexibilité de traitement permettant d'affiner les résultats.
Comme le dit Jérémie : « Nous pouvons affirmer que Emesent SLAM le meilleur, mais cela n'a qu'un poids limité. Ce sont des projets comme celui-ci qui nous permettent d'expliquer précisément pourquoi. Nous savons où nos concurrents ont rencontré des difficultés, et où nous avons réussi là où ils ont échoué. »