EchoLiDAR et mobilité inclusive
Détecter les obstacles sans saturer l'utilisateur
EchoNav étudie comment le LiDAR, la caméra et un moteur de décision peuvent produire une information courte sur les obstacles proches. Le projet reste un prototype et ne remplace pas les aides de mobilité existantes.
Ce que mesure le LiDAR
Dans ARKit, la profondeur de scène représente une estimation de la distance entre la caméra arrière et les zones visibles de l'environnement. Les données comprennent une carte de profondeur et un niveau de confiance. EchoNav utilise cette information pour travailler sur une zone proche de l'utilisateur.
Le LiDAR ne donne pas automatiquement le nom d'un obstacle. La caméra et le modèle de détection complètent donc la profondeur avec une classe possible, par exemple une personne, un vélo, un véhicule ou un poteau. Le moteur de décision combine ensuite la distance, la direction et la stabilité de la détection.
Consulter la documentation Apple sur la profondeur de scène.
Pourquoi limiter les alertes
Une application d'assistance ne doit pas décrire chaque élément visible. Trop de sons ou de phrases peuvent masquer l'information importante et augmenter la charge cognitive. EchoNav cherche donc à conserver le danger le plus pertinent dans la zone proche.
LiDAR, caméra et mouvement de l'iPhone.
Classe probable, profondeur et direction.
Sélection du danger jugé le plus utile.
Son spatial, phrase courte ou vibration.
La non-répétition suit la même logique : si le danger et sa priorité restent stables, le prototype doit éviter de répéter continuellement le même message. Une nouvelle alerte devient utile lorsque la distance, la direction ou la priorité change.
Limites techniques à communiquer
Les mesures de profondeur ont une confiance variable. Les vitres, les surfaces très réfléchissantes et certaines géométries peuvent produire des données incomplètes ou instables. La reconnaissance visuelle dépend aussi de la luminosité, de l'angle de vue et des classes présentes dans le modèle ML.
Une autre difficulté consiste à attribuer la bonne profondeur au bon objet. Une boîte détectée dans l'image couvre plusieurs pixels et peut inclure l'arrière-plan. EchoNav doit filtrer ces mesures et vérifier leur stabilité avant de produire une alerte.
Ces limites empêchent de présenter le prototype comme une garantie de sécurité. EchoNav reste un outil complémentaire à la canne blanche, au chien-guide et aux techniques de déplacement déjà maîtrisées.
Comment EchoTest aide la validation
EchoTest permet de rejouer une scène enregistrée avec une nouvelle version de l'algorithme. L'équipe peut ainsi comparer les décisions sans recréer exactement le même parcours. Cette méthode facilite l'analyse des répétitions, des changements de priorité et des erreurs d'association entre le ML et le LiDAR.
La même capture sert à plusieurs versions du moteur.
La classe, la distance et l'alerte choisie peuvent être examinées.
Le résultat avant et après une modification peut être comparé.
La prochaine étape : les bêta-testeurs
Une bonne performance technique ne suffit pas. Les futurs tests doivent déterminer quelles alertes sont réellement compréhensibles, quels obstacles sont prioritaires et dans quelles situations le silence est préférable.
Le recrutement tient compte du modèle d'iPhone, de l'usage d'une canne ou d'un chien-guide, des environnements de déplacement et de la disponibilité. Les réponses sont utilisées pour organiser les tests, avec une collecte limitée aux informations nécessaires.
Approfondir la conception d'EchoNav
Consultez l'article consacré à l'architecture complète : LiDAR, Core ML, moteur déterministe, audio spatial et validation responsable.
Lire l'article technique