Thèse : Caractérisation des Arbres dans les Vergers à partir de Données LiDAR 3D Collectées par des Robots Mobiles

Résumé

Cette thèse examine l'utilisation de capteurs LiDAR 3D et de plateformes robotiques mobiles pour la surveillance des vergers dans le cadre de l'agriculture de précision. Le LiDAR fournit des descriptions tridimensionnelles détaillées de la végétation, mais son utilisation dans des applications agricoles à grande échelle se heurte encore à des défis liés à la conception d'algorithmes, à l'évolutivité des modèles et à l'utilisation des informations brutes du LiDAR au-delà des tâches de navigation.

La recherche s'articule autour de trois questions principales : comment identifier et caractériser structurellement les arbres individuels dans des nuages de points non étiquetés ; comment estimer la densité de la surface foliaire à l'aide de modèles d'apprentissage automatique appliqués à des données LiDAR brutes; et comment l'intégration entre le LiDAR et les robots peut améliorer l'interprétation des scènes de vergers par des modèles basés sur les données. Pour répondre à ces questions, les travaux combinent des expériences sur le terrain et des simulations, et prennent en compte à la fois les plateformes d'acquisition terrestres et aériennes.

Les contributions comprennent la conception d'un système pratique d'acquisition LiDAR pour les vergers, la construction d'une base de données structurée et réutilisable, et un cadre permettant de transférer des modèles entraînés sur des données synthétiques vers des mesures réelles sans étiquetage manuel. En outre, une représentation enrichie du nuage de points est proposée, étendant les coordonnées cartésiennes standard avec des attributs dérivés localement pour prendre en charge l'estimation de la densité de la surface foliaire. Dans l'ensemble, les résultats indiquent que l'intégration du LiDAR à des robots mobiles et à des méthodes basées sur l'apprentissage offre une voie prometteuse vers une caractérisation détaillée et évolutive de la structure et de la variabilité des vergers.

Abstract

This thesis investigates the use of 3D LiDAR sensors and mobile robotic platforms for orchard monitoring within the framework of precision agriculture. LiDAR provides detailed three-dimensional descriptions of vegetation, but its use in large-scale agricultural applications still faces challenges related to algorithm design, model scalability, and the utilisation of raw LiDAR information beyond navigation tasks.

The research is structured around three main questions: how to identify and structurally characterise individual trees in unlabelled point clouds; how to estimate leaf area density using machine learning models applied to raw LiDAR data; and how integration between LiDAR and robots can improve the interpretation of orchard scenes by data-based models. To address these issues, the work combines field experiments and simulations, and considers both terrestrial and aerial acquisition platforms.

The contributions include the design of a practical LiDAR acquisition system for orchards, the construction of a structured and reusable database, and a framework for transferring models trained on synthetic data to real measurements without manual labelling. In addition, an enriched point cloud representation is proposed, extending standard Cartesian coordinates with locally derived attributes to support the estimation of leaf area density. Overall, the results indicate that integrating LiDAR with mobile robots and learning-based methods offers a promising route towards detailed, scalable characterisation of orchard structure and variability.