Combien de fois une simple carte numérique vous a-t-elle mené dans une impasse ou devant un bâtiment qui n’existe plus ? Et si la cartographie urbaine intelligente pouvait enfin fiabiliser la représentation de nos villes, jusque dans leurs moindres détails ? Une équipe de chercheurs propose une avancée en la matière, en fusionnant images spatiales et signaux radiofréquence grâce à l’intelligence artificielle.

Au cœur de cette innovation, on retrouve l’architecture DINOv2 : un modèle de vision par transformeur, capable d’extraire et de croiser des informations issues de sources aussi différentes que des plans open-source et les données radio captées par les équipements mobiles et les antennes-relais. L’objectif ? Surmonter les limites inhérentes aux cartes existantes, souvent incomplètes ou erronées, en leur adjoignant des indices invisibles à l’œil nu – mais omniprésents dans l’espace urbain connecté.

Fusionner signaux et images pour dépasser les erreurs de plans (cartographie urbaine intelligente)

La cartographie urbaine intelligente selon cette approche s’appuie sur un principe simple : là où les cartes classiques échouent – mauvaises géolocalisations, bâtiments non référencés ou disparus –, les signaux radiofréquence (RF), eux, tracent leur propre empreinte du paysage bâti. Encore fallait-il unifier ces deux univers. C’est ce que permet aujourd’hui leur modèle d’IA, qui traite de manière conjointe les signaux RF et les images de plans, en capturant à la fois les dépendances spatiales et les structures cachées dans les données.

Pour évaluer la robustesse de cette méthode, les chercheurs ont travaillé sur un jeu de données synthétiques, co-développé avec Huawei, où ils ont introduit volontairement du bruit dans les signaux RF pour simuler les aléas du monde réel. Ils ont également conçu une variante du modèle, se basant uniquement sur la perte de signal radio (path loss), afin de mesurer l’apport réel de la fusion multimodale.

Des gains mesurables et une validation sur le terrain

La supériorité de la cartographie urbaine intelligente basée sur la fusion IA se lit dans les chiffres. Sur l’indicateur clé de l’IoU (Jaccard index), le modèle obtient un score moyen de 65,3%, là où les cartes erronées plafonnent à 40,1%, les méthodes basées uniquement sur les signaux RF à 37,3% et une approche hybride non-IA à 42,2%. D’autres métriques géométriques, comme la distance de Hausdorff et la distance de Chamfer, confirment également ce net avantage.

Mais la vraie épreuve reste celle du terrain. Les auteurs ont ainsi testé leur solution sur des données réelles collectées dans la région d’Oslo. Résultat : leur meilleur modèle atteint 64,9% d’IoU, confirmant la pertinence de l’approche dans un contexte urbain authentique, avec ses incertitudes et ses obstacles imprévus.

L’un des défis majeurs demeure le passage à l’échelle : comment déployer la cartographie urbaine intelligente sur de vastes territoires ? Les chercheurs proposent de diviser la ville en zones qui se chevauchent, chaque « fenêtre » étant traitée indépendamment, puis assemblée pour reconstituer une carte fiable et cohérente à grande échelle.

Si l’étude n’aborde pas encore l’intégration en temps réel ou les questions de confidentialité des données, elle met en lumière la puissance de l’IA pour transformer la cartographie des villes, en exploitant la richesse des signaux invisibles qui circulent en permanence autour de nous.


Source originale : Fusion of Pervasive RF Data with Spatial Images via Vision Transformers for Enhanced Mapping in Smart Cities via arxiv.org (15/06/2026)