Automatisation et IA sur le terrain
en 2026

Introduction : le terrain sans l'opérateur ?

Pendant des décennies, l'acquisition de données topographiques et géospatiales sur le terrain a reposé sur la présence humaine : opérateurs manipulant des stations totales, géomètres implantant des points, techniciens relevant des façades. Cette présence est coûteuse, lente et parfois dangereuse — zones de chantier actives, infrastructures autoroutières, sites industriels, environnements confinés.

En 2026, deux évolutions convergent pour réduire cette dépendance :

Cette double révolution ne signifie pas la disparition de l'opérateur, mais sa reconfiguration : il passe de manipulateur à superviseur, de collecteur à analyste. Les compétences requises évoluent : maîtrise des logiciels, interprétation des données, gestion des systèmes autonomes.

Stations totales autonomes et IA embarquée

2.1. La station totale robotisée : un standard qui se généralise

La station totale robotisée n'est plus une nouveauté : elle équipe depuis plusieurs années les géomètres et les équipes de chantier. Mais l'édition 2026 marque un saut qualitatif avec l'intégration de l'IA embarquée.

2.2. L'IA embarquée : que change-t-elle vraiment ?

La Leica TS20 illustre la tendance : une NPU dédiée à l'IA permet à la station d'optimiser les flux de travail de manière autonome, d'identifier les erreurs potentielles avant qu'elles ne surviennent et de garantir des mesures fiables tout en protégeant la confidentialité des données[reference:6].

Concrètement, cela se traduit par :

• Recherche et alignement automatiques de la cible, même en conditions de pluie ou de brouillard[reference:7]
• AI-Detect : reconnaissance du type de cible et alerte si la cible ne correspond pas au type sélectionné dans le logiciel[reference:8]
• AI-Follow : suivi de la mire même lorsque la ligne de vision est interrompue, économisant du temps à l'opérateur[reference:9]
• Détection précoce des erreurs : l'IA identifie les incohérences avant qu'elles ne se propagent dans les calculs

2.3. Vers des stations totales « sans opérateur » ?

Si les stations actuelles restent téléopérées ou supervisées par un opérateur, la tendance est à l'autonomie croissante. Les fonctions de stationnement automatique (HTS-820), de recherche de cible par IA (TS20) et de suivi continu préfigurent des systèmes capables de réaliser des campagnes de mesure sans présence humaine permanente sur le terrain, l'opérateur se contentant de définir la mission et de valider les résultats à distance.

Robots mobiles et scan autonome

3.1. Boston Dynamics Spot + Leica BLK ARC

Le robot quadrupède Spot de Boston Dynamics, équipé du scanner laser Leica BLK ARC, incarne l'autonomie sur le terrain. Le BLK ARC est un module de scan laser qui, monté sur Spot, permet des missions de capture 3D entièrement autonomes et répétables. Le robot se déplace, scanne, et transmet les données pour créer des jumeaux numériques d'installations industrielles, de sites complexes ou de zones à risque[reference:12].

Le BLK ARC est également compatible avec le robot ANYmal d'ANYbotics, élargissant les possibilités d'intégration. Cette polyvalence témoigne de la maturation de l'écosystème des robots mobiles pour la capture de réalité.

3.2. Réduction de l'exposition aux risques

L'un des arguments majeurs de ces systèmes est la sécurité. Sur les chantiers complexes, dans les usines, les centrales ou les zones contaminées, l'envoi d'un robot permet de réduire la durée d'exposition des opérateurs aux dangers. Le robot peut opérer dans des environnements où l'homme ne peut ou ne devrait pas rester.

Mobile mapping et computer vision

4.1. Le mobile mapping : une collecte à grande échelle

Le mobile mapping consiste à embarquer des capteurs (LiDAR, caméras, GNSS/INS) sur un véhicule pour acquérir des données géospatiales à grande échelle, à vitesse normale de circulation. Cette technique permet de couvrir des centaines de kilomètres de voiries en une seule campagne, avec une densité de points et une résolution d'image élevées.

Les plateformes modernes intègrent souvent plusieurs LiDAR (pour une couverture à 360°) et plusieurs caméras, synchronisées avec une centrale inertielle et un GNSS RTK. Les données produites servent à la cartographie HD, à la gestion d'actifs, à l'inspection et à la modélisation 3D.

4.2. La computer vision au service de l'acquisition

L'innovation majeure de 2026 réside dans l'intégration de la computer vision directement dans les flux d'acquisition. Les algorithmes ne se contentent plus de collecter ; ils identifient et classent les éléments au fur et à mesure.

Les approches récentes combinent :

• Deep learning sur nuages de points : architectures PointNet++, U-Net, transformeurs pour la segmentation sémantique[reference:14][reference:15]
• Fusion LiDAR + imagerie : exploitation conjointe de l'intensité LiDAR et des images pour améliorer la classification[reference:16]
• Modèles multimodaux : intégration de modèles de langage et de vision (LLM/VLM) pour l'inventaire routier[reference:17]
• Annotation sparse : réduction du besoin d'annotation manuelle grâce à des représentations en polylignes[reference:18]

Classification automatique des éléments de voirie

5.1. Les éléments identifiés

Les algorithmes de computer vision sont capables de détecter et de classer une large gamme d'éléments de voirie :

5.2. Performances des modèles

Les résultats publiés en 2026 sont impressionnants :

5.3. Vers la vectorisation automatique

Au-delà de la classification, les systèmes les plus avancés produisent des sorties vectorielles compatibles CAO et SIG : polylignes pour les bordures et les marquages, points pour les poteaux et les panneaux, polygones pour les chaussées. Le framework Reflektar va jusqu'à la vectorisation des attributs sémantiques à partir des détections, éliminant le besoin d'interaction manuelle et permettant un déploiement à l'échelle de centaines de kilomètres[reference:24].

Applications et retours d'expérience

6.1. Gestion d'actifs et maintenance

La classification automatique des éléments de voirie ouvre la voie à une gestion d'actifs proactive : inventaire à jour des panneaux, suivi de l'usure des marquages, détection des équipements dégradés, planification des interventions de maintenance. Les collectivités peuvent ainsi optimiser leurs budgets et prioriser les travaux.

6.2. Cartographie HD et véhicules autonomes

Les cartes HD (haute définition) nécessaires aux véhicules autonomes reposent sur une connaissance précise des marquages, des bordures et de la signalisation. Le mobile mapping couplé à l'IA permet de produire et de mettre à jour ces cartes à grande échelle, avec des coûts et des délais réduits.

6.3. Sécurité et conformité

L'identification automatique des éléments de voirie facilite les audits de sécurité routière et la vérification de la conformité des aménagements (visibilité des panneaux, lisibilité des marquages, présence de passages piétons). Les gestionnaires peuvent ainsi anticiper les risques et justifier les investissements.

6.4. Le cas de SOCOTEC

SOCOTEC, acteur majeur de l'inspection et du conseil en construction, a organisé en septembre 2026 un Expert Talk dédié à sa proposition de valeur pour la transformation numérique des villes et des infrastructures, s'appuyant sur la technologie Mobile Mapping[reference:26]. Cette initiative illustre l'adoption croissante du mobile mapping par les acteurs de l'ingénierie et du contrôle.

Défis et perspectives

7.1. Les limites actuelles

7.2. Les perspectives

• Démocratisation : les prix devraient baisser avec l'augmentation des volumes et la concurrence.
• Intégration cloud : les données seront de plus en plus traitées et stockées dans le cloud, avec des interfaces unifiées.
• IA générative : les modèles de langage et de vision pourraient permettre des interactions en langage naturel avec les systèmes de mesure.
• Robots collaboratifs : des flottes de robots coordonnés pourraient couvrir de grandes zones en parallèle.

Conclusion

L'automatisation et l'IA sur le terrain transforment en profondeur les métiers de la topographie, de la géomatique et de la gestion d'infrastructures. Les stations totales autonomes (Leica TS20, Trimble Ri, Hi-Target HTS-820) intègrent des capacités d'IA qui augmentent la productivité et réduisent les erreurs. Les robots mobiles (Spot + BLK ARC) exécutent des missions de scan répétables et sécurisent les opérateurs. Le mobile mapping couplé à la computer vision permet la classification automatique des éléments de voirie avec des performances remarquables.

Les points clés à retenir sont les suivants :

• La Leica TS20 est la première station totale robotisée dotée d'une NPU et d'IA embarquée, avec recherche de cible par IA et détection précoce des erreurs[reference:27].
• Le Boston Dynamics Spot + Leica BLK ARC permet des missions de scan autonomes et répétables, réduisant l'exposition des opérateurs aux zones à risques[reference:29].
• Le mobile mapping LiDAR + IA atteint une précision globale de 92,4 % (mIoU 0,86) pour la classification des éléments de voirie, avec une réduction de 85 % du temps de traitement[reference:30].
• Les modèles de deep learning (PointNet++, U-Net, YOLO, transformeurs) permettent la vectorisation automatique des bordures, marquages et panneaux, avec des sorties CAO/SIG exploitables[reference:31].
• Les défis restent le coût, l'autonomie énergétique, la connectivité et la formation des compétences.

Pour les bureaux d'études et les gestionnaires d'infrastructures, la maîtrise de ces technologies devient un avantage compétitif décisif. Dans les contextes ouest-africains, où les ressources sont parfois limitées et les infrastructures en forte croissance, l'automatisation intelligente peut permettre de faire plus avec moins, tout en améliorant la qualité et la sécurité des interventions.

Références & Sources

1. Leica Geosystems (2025). Introducing the Leica TS20 robotic total station with edge AI: Elevating everyday productivity even in the toughest conditions. 2 octobre 2025[reference:32]
2. ISPRS Archives (2026). AI-Driven Extraction of Road Geometry and Asset Inventory from Mobile LiDAR Point Clouds. 23 juillet 2026[reference:33]
3. Reflektar / INTERGEO 2026 (2026). Scalable AI-Driven Extraction of Linear Road Features from Mobile LiDAR: Breaking the Automation Barrier. Septembre 2026[reference:34]
4. Boston Dynamics (2026). Spot at ST Engineering MRAS — Case Study. Février 2026[reference:35]
5. Leica Geosystems (2026). BLK ARC — Autonomous Mobile Scanner. Fiche produit
6. Hi-Target / Novatest (2026). HTS-820 — Station totale robotisée. Fiche technique[reference:37]
7. Trimble (2026). Trimble Ri — Robotic Total Station. Fiche produit[reference:38]
8. IEEE Xplore (2026). Automatic Lane Marking Extraction From Mobile LiDAR Point Cloud by Integrating BEV Projection and Sparse Polyline Annotation. 24 septembre 2026[reference:39]
9. PubMed / Sensors (2026). Automated Road Marking Wear Assessment via Multimodal Fusion of LiDAR Intensity and YOLOv11 Semantic Segmentation. 31 août 2026[reference:40]
10. BET PLUS SAS (2026). Retours d'expérience en automatisation et IA sur le terrain au Sénégal.