In de robotica is het vermogen om de omgeving visueel waar te nemen cruciaal voor een veilige navigatie en interactie. Hoewel camera's doorgaans worden gebruikt vanwege hun vermogen om rijke texturen en kleuren vast te leggen, stuiten deze systemen op grote beperkingen bij extreme lichtomstandigheden. In situaties met zeer weinig licht of juist een zeer hoog dynamisch bereik neemt de effectiviteit van traditionele optische sensoren drastisch af.
Om deze uitdaging aan te pakken, is er een innovatieve methode ontwikkeld die gebruikmaakt van Light Detection and Ranging (LiDAR). In tegenstelling tot camera's is LiDAR niet afhankelijk van externe belichting, omdat de technologie zelf geometrische eigenschappen en intensiteit vastlegt. De grote hindernis bij LiDAR is echter dat de verzamelde gegevens vaak schaars zijn en slechts uit één kanaal bestaan, wat een kloof creëert bij het gebruik van visiemodellen die getraind zijn op standaard RGB-kleurbeelden.
Volgens een wetenschappelijke publicatie op arxiv.org biedt het nieuwe framework Cyclops een oplossing door schaarse Non-Repetitive Scanning LiDAR (NRS-LiDAR) intensiteit om te zetten in RGB-video. Dit stelt robots in staat om perceptietaken uit te voeren zonder dat er een fysieke camera aan te pas komt. Het proces start met een densificatiemodule die de schaarse projecties omzet naar dichte representaties. Vervolgens wordt deze informatie via Latent Bridge Matching (LBM) en een geleerd snelheidsveld getransporteerd naar de gewenste RGB-distributie.
Een kritiek punt bij het genereren van video uit sensordata is de visuele stabiliteit. Om flikkeringen tussen opeenvolgende beelden te voorkomen, maakt het systeem gebruik van temporele aandachtslagen die context uit eerdere frames integreren. In de publicatie van wordt verder uitgelegd dat het snelheidsveld is geoptimaliseerd via een differentieerbare terminale beloning, wat de getrouwheid van het uiteindelijke beeld resultaat verbetert door middel van backpropagation.
Uit uitgebreide experimenten blijkt dat de gesynthetiseerde beelden zeer effectief zijn, zelfs wanneer ze in bijna volledige duisternis zijn gegenereerd. Standaard perceptiemodellen die op RGB-data vertrouwen, presteren met deze beelden aanzienlijk beter dan bij het gebruik van traditionele camera's of standaard LiDAR-baselines. Dit is met name zichtbaar bij specifieke taken zoals rijstrookherkenning, semantische segmentatie en het inkleuren van point clouds.
Deze ontwikkeling markeert een belangrijke stap richting camera-vrije inferentie, waardoor robots onafhankelijk van de tijd of lichtinval kunnen functioneren. Door de geometrische precisie van LiDAR te koppelen aan de semantische kracht van RGB-modellen, kunnen machines veiliger opereren in complexe omgevingen. Het onderzoek, dat op 17 augustus 2026 is ingediend, is terug te vinden in de onder de categorie Robotica.
Het is overigens belangrijk om een onderscheid te maken tussen dit AI-framework en andere organisaties met een gelijknamige titel. Zo bestaat er een commerciële entiteit genaamd Cyclops die actief is in Polen en België. Deze organisatie richt zich op industriële investeringen en projectmanagement, zoals vermeld op hun cyclops.be, en heeft geen enkele link met het genoemde robotica-onderzoek.