RechercheRobohub 1 mai 2026

Robot Talk, épisode 154 : la navigation visuelle chez les insectes et les robots, avec Andrew Philippides

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Andrew Philippides, professeur de biorobotique à l'Université du Sussex (Royaume-Uni), mène des travaux à l'intersection de la biologie expérimentale, de la robotique et du machine learning pour décoder les mécanismes de navigation visuelle chez les insectes sociaux. Co-directeur du Centre for Computational Neuroscience and Robotics et du programme doctoral be.AI (financé par le Leverhulme Trust), il étudie spécifiquement comment les fourmis et les abeilles parviennent à se repérer et à apprendre des trajectoires complexes avec un cerveau de quelques milliers de neurones seulement.

L'enjeu pour la robotique mobile est direct : les algorithmes de navigation actuels (SLAM, odométrie visuelle) restent coûteux en calcul et fragiles face aux environnements non structurés. Les insectes, eux, résolvent ce problème avec une efficacité énergétique et computationnelle hors norme. Comprendre ces mécanismes permet de concevoir des algorithmes bioinspiré légers, potentiellement déployables sur des robots à ressources contraintes, drones miniatures, robots agricoles autonomes, robots d'inspection en milieu dégradé.

Les travaux de Philippides s'inscrivent dans un courant de recherche en pleine expansion qui inclut des équipes comme celle d'Antoine Wystrach (CNRS Toulouse) sur la navigation des fourmis, ou les projets de robotique neuromorphique portés par Intel (Loihi) et l'Université de Zurich. Le groupe du Sussex collabore avec des biologistes comportementaux pour valider les modèles sur terrain réel, limitant ainsi le sim-to-real gap qui affecte nombre d'approches purement computationnelles. Les prochaines étapes annoncées portent sur l'intégration de ces algorithmes dans des plateformes robotiques embarquées.

Impact France/UE

Les travaux d'Antoine Wystrach au CNRS Toulouse sur la navigation des fourmis s'inscrivent directement dans ce courant de recherche bioinspiré, positionnant la France comme contributeur actif à la conception d'algorithmes de navigation légers pour drones agricoles et robots d'inspection.

À lire aussi

1Robohub

Robot Talk, épisode 166 : l'évolution des corps et des cerveaux de robots, avec Rika Antonova

L'épisode 166 du podcast Robot Talk met en scène un entretien entre la présentatrice Claire et Rika Antonova, professeure associée (Associate Professor) à l'Université de Cambridge. Il porte sur l'usage de l'intelligence artificielle pour concevoir de façon complémentaire le matériel et les algorithmes des robots, c'est-à-dire faire évoluer ensemble leur corps et leur « cerveau ». Les travaux d'Antonova couvrent la co-conception, la découverte automatisée d'algorithmes, l'apprentissage par renforcement économe en données, l'exploration, l'apprentissage actif et la robotique. Elle a fait un master de recherche au Robotics Institute de Carnegie Mellon, un doctorat au KTH Royal Institute of Technology, puis une bourse Computing Innovation Fellowship à Stanford. Elle avait auparavant été ingénieure logicielle senior chez Google. Il s'agit d'une conversation de recherche : la présentation ne mentionne ni robot précis, ni benchmark, ni chiffre de performance, ni calendrier de déploiement. Le sujet touche un point sensible de la robotique actuelle. La plupart des projets figent d'abord la mécanique, puis entraînent un logiciel qui s'en accommode. La co-conception propose d'optimiser les deux ensemble, ce qui pourrait réduire le coût d'adaptation d'un robot à une tâche. L'apprentissage par renforcement économe en données répond à un autre verrou, le coût des essais sur matériel réel, central pour le passage de la simulation au monde physique. Ces enjeux concernent les intégrateurs et les industriels qui se demandent si l'écart entre démonstration et exploitation se réduira par de meilleurs modèles seuls ou aussi par un meilleur matériel. Le parcours d'Antonova, entre laboratoires académiques américains et européens et expérience industrielle chez Google, illustre la proximité entre recherche fondamentale et ingénierie à grande échelle. Aucune entreprise ni aucun concurrent n'est cité dans la description, et la co-conception reste surtout un sujet de recherche plutôt qu'une pratique industrielle établie. Aucune suite n'est annoncée au-delà de l'épisode lui-même.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

2Robohub

Robot Talk, épisode 165 : les robots derrière la recherche, avec Kushant Patel

L'épisode 165 du podcast Robot Talk met face à face Claire et Kushant Patel, ingénieur logiciel au Brookhaven National Laboratory, laboratoire américain du Department of Energy. L'échange porte sur les robots qui travaillent dans des installations scientifiques, notamment les accélérateurs de particules. Kushant Patel développe des logiciels qui permettent aux robots et aux instruments de percevoir, cartographier et traverser l'espace physique. Chez Brookhaven, il conçoit des systèmes de contrôle pour des lignes de lumière de synchrotron avancées. L'épisode est un entretien, pas une annonce produit : aucun chiffre de payload, de degrés de liberté ou de volume de déploiement n'est communiqué, et aucun robot commercial n'est nommé. L'intérêt tient à ce que ce profil dit de la robotique en milieu scientifique. Les synchrotrons et accélérateurs sont des environnements où l'instrument lui-même doit être piloté avec précision, et où la frontière entre robot mobile, bras et appareil de mesure se brouille. Le parcours de l'intervenant illustre un transfert de compétences, de la perception et de la cartographie vers le contrôle d'équipements de recherche. Pour les intégrateurs, c'est un rappel que des niches très exigeantes, peu médiatisées, absorbent une part du savoir-faire en navigation et en autonomie. Kushant Patel a obtenu un master en ingénierie mécatronique à l'University of Waterloo. Il a ensuite passé deux ans à l'University of California, Berkeley, à apprendre à des robots quadrupèdes à cartographier et inspecter des matières nucléaires, puis un an à l'University of California, Davis, sur des interfaces cerveau-machine en boucle fermée. Aucun calendrier ni pilote n'est évoqué dans la présentation de l'épisode, et le détail de ses travaux à Brookhaven reste à découvrir à l'écoute.

RechercheActu

1 source

3Robohub

Robot Talk, épisode 159 : captation sensorielle et manipulation robotique, avec Maria Koskinopoulou

Maria Koskinopoulou, maître de conférences en robotique et vision par ordinateur à l'université Heriot-Watt (Édimbourg), était l'invitée du 159e épisode du podcast Robot Talk animé par Claire Asher. Co-directrice de l'ARM²Lab (Autonomous Robotic Manipulation and Multi-Agent Systems Lab) au sein du National Robotarium britannique, aux côtés d'Ignacio Carlucho, elle y présente ses travaux sur la manipulation robotique autonome appliquée à la chirurgie, à l'industrie manufacturière et à des domaines émergents comme la robotique sous-marine et le tri de déchets. Ses projets sont financés par le UKRI (UK Research and Innovation) et des programmes européens, sans que des montants ou des échéances précises ne soient communiqués dans cet épisode. L'intérêt de ces travaux réside dans la convergence de plusieurs verrous technologiques : perception visuelle embarquée, interaction homme-robot, et apprentissage automatique appliqué à des environnements non structurés. La robotique chirurgicale et le tri autonome de déchets représentent deux cas d'usage où le gap sim-to-real reste un obstacle majeur, et où les approches multi-agents peuvent offrir une redondance opérationnelle pertinente pour les intégrateurs industriels. Le National Robotarium, inauguré en 2022 à Édimbourg avec un financement de 22,4 millions de livres sterling du gouvernement écossais et de Heriot-Watt University, positionne le Royaume-Uni comme acteur de premier plan en robotique appliquée post-Brexit. L'ARM²Lab s'inscrit dans un écosystème concurrentiel où des laboratoires comme le Dynamic Robot Systems Group d'Oxford ou le LIRMM en France travaillent sur des problématiques similaires. Cet épisode reste une présentation de recherche académique en cours, sans annonce de produit ni de déploiement commercial.

UELes travaux de l'ARM²Lab bénéficient de financements de programmes européens et s'inscrivent dans un écosystème de recherche en manipulation autonome que partagent des laboratoires français comme le LIRMM, sans déploiement commercial ni impact direct sur le marché européen.

RecherchePaper

1 source

4arXiv cs.RO

G2-Nav : cartes de coûts vision-langage ancrées et sécurisées pour la navigation sociale des robots

Des chercheurs présentent G2-Nav, un nouveau framework de navigation sociale pour robots mobiles, détaillé dans un article déposé sur arXiv (2607.16956v1). Plutôt que de laisser un modèle vision-langage (VLM) décider directement des trajectoires, comme le font les approches end-to-end existantes, G2-Nav traduit le raisonnement sémantique du VLM en une costmap vision-langage interprétable. Le modèle identifie les zones traversables et les agents sociaux à partir d'une perception en ensemble ouvert (open-set), puis cartographie ce contexte social sous forme de coûts exploitables par le planificateur. Pour renforcer la robustesse en conditions réelles, le VLM effectue aussi une vérification sémantique sur le suivi (tracking) en amont, et les auteurs ajoutent un contrôle de sécurité à haute fréquence destiné à compenser la latence du système avant la génération de trajectoire. Des expériences en environnement réel, selon les auteurs, montrent une navigation autonome sûre, efficace et socialement conforme dans des espaces non structurés. Le code source doit être publié ultérieurement. L'intérêt de ce travail tient à la faille qu'il cherche à combler entre deux approches jugées insuffisantes pour l'autonomie complète: les frameworks VLM end-to-end, qui produisent des décisions de planification difficiles à auditer et donc risquées à déployer, et les méthodes d'instruction-following, pensées pour suivre des consignes humaines plutôt que pour opérer de façon totalement autonome. En cantonnant le VLM à un rôle d'évaluation sémantique plutôt que de contrôle direct, G2-Nav vise une architecture plus traçable, un enjeu concret pour les intégrateurs et décideurs industriels qui doivent justifier la sécurité de robots évoluant parmi des humains, en entrepôt, en établissement de santé ou en espace public. Le garde-fou de sécurité haute fréquence répond en particulier à un angle mort fréquent des démonstrations VLM: la latence d'inférence, souvent ignorée dans les vidéos promotionnelles du secteur. Ce travail s'inscrit dans la vague de recherche actuelle sur l'usage des VLM pour doter les robots d'un raisonnement de niveau humain en navigation sociale, un domaine où les benchmarks restent encore largement issus de démonstrations contrôlées. L'abstract ne précise ni l'institution porteuse ni le matériel robotique utilisé pour les essais réels, et le code, annoncé comme futur, n'est pas encore disponible: il s'agit donc à ce stade d'un préprint à confirmer par la publication effective et par une évaluation indépendante, plutôt que d'une solution déployée ou commercialisée.

RecherchePaper

1 source