Quantification de l'incertitude et fusion sémantique multimodale pour la navigation critique des rovers spatiaux en environnement extraterrestre

L’exploration planétaire par des rovers autonomes exige une navigation hautement sécuri-sée au sein d’environnements extraterrestres non structurés. Si les modèles de perception multimodale basés sur l’apprentissage profond offrent une compréhension sémantique indis-pensable pour évaluer la traversabilité des terrains, ils souffrent d’une limitation structurelle critique : la surconfiance. Ces réseaux tendent en effet à formuler des prédictions erronées avec des probabilités extrêmement élevées, en particulier face à des données hors-distribution ou des géologies inédites, ce qui peut conduire à la perte du système robotique. L’objectif de ce mémoire est de concevoir, d’implémenter et de valider un pipeline unifié de quantification et de calibration de l’incertitude pour la perception dense multimodale. L’enjeu est de doter le robot d’une capacité d’introspection statistique lui permettant de rejeter les prédictions ambiguës avant qu’elles n’influencent la prise de décision. La méthodologie propose une architecture symétrique appliquée conjointement à la segmen-tation d’images 2D et de nuages de points 3D. Elle fusionne l’approximation bayésienne par Monte-Carlo Dropout, pour estimer l’incertitude épistémique, avec une calibration para-métrique par Temperature Scaling pour corriger la surconfiance. Pour fournir des garanties statistiques formelles, l’approche intègre la prédiction conforme : les Ensembles Prédictifs Adaptatifs assurent une couverture marginale cible, tandis qu’une adaptation par classe de la calibration de Kandinsky garantit une fiabilité régionale sémantiquement interprétable. L’évaluation sur des données lunaires démontre la robustesse de l’architecture. La calibration corrige drastiquement la surconfiance initiale, tandis que la prédiction conforme maintient des garanties statistiques sans sacrifier la lisibilité des prédictions. L’analyse prouve la capa-cité du pipeline à isoler avec justesse les défaillances locales des capteurs. En exploitant la complémentarité des modalités, le système opère un filtrage intelligent : il impose un rejet strict des éléments visuellement ambigus en 2D, tout en validant leur détection si elle s’ap-puie sur une topologie 3D fiable. Ce rejet sélectif améliore ainsi la précision sémantique sur l’ensemble des données conservées. En conclusion, ce mémoire établit qu’une quantification rigoureuse de l’incertitude transmute les défaillances perceptuelles de l’apprentissage profond en signaux d’exclusion fiables. Pro-jetés en cartes de risque, ils sont directement exploités par le nouvel algorithme probabiliste AURA* (Adaptive Uncertainty-Aware Risk A*). En optimisant la trajectoire sur ce champ de coût continu, ce planificateur dote le système d’une navigation préventive, apportant ainsi la résilience fondamentale exigée par l’autonomie des futures missions d’exploration spatiale.