Partager la charge : transport autonome de fret…

1arXiv cs.RO

H-SPAR : simulation hydrodynamique pour le transport de particules et les robots autonomes

Des chercheurs ont publié sur arXiv (2610.01985) H-SPAR, un simulateur open source qui couple pour la première fois dans un même environnement trois éléments généralement traités séparément en robotique marine : le champ de courant, l'autonomie du véhicule et la cible d'échantillonnage. L'outil combine des champs de vitesse variables dans l'espace et le temps, un transport lagrangien de particules (chaque particule est suivie individuellement dans l'écoulement), un échantillonnage probabiliste et l'autonomie d'un véhicule de surface sans équipage (USV) sous ROS 2 et Gazebo. Des champs d'écoulement précalculés, partagés, pilotent à la fois l'advection des particules et les forces de courant appliquées au véhicule en boucle fermée. Les premiers résultats chiffrés concernent la planification : le planificateur SVF-RRT, qui tient compte des courants, réduit de 69,4 % le coût amont par rapport à un RRT classique au niveau du plan, mais cette réduction tombe à 41,7 % à l'exécution sous courants variables. Pour la couverture de zone, l'orientation du balayage fait varier le taux d'échantillonnage de particules jusqu'à 22,2 % dans la configuration complète. Le code est disponible sur GitHub et une page projet accompagne la publication. L'intérêt tient surtout à l'écart mesuré entre plan et exécution. Près de 28 points de gain disparaissent dès que le véhicule doit suivre sa trajectoire dans un courant qui évolue, avec ses contraintes de manœuvre et ses déviations. Cela rappelle qu'un planificateur validé uniquement sur des métriques de planification surestime ses performances réelles, un biais familier en robotique terrestre sous l'étiquette « sim-to-real ». Pour les opérateurs de surveillance environnementale (qualité de l'eau, microplastiques, panaches de polluants, hydrocarbures), l'enseignement est pratique : choisir le cap de balayage ou l'algorithme sans simuler conjointement le courant et le transport des particules peut fausser à la fois le coût de mission et la quantité de matière collectée. Il s'agit toutefois d'un travail de simulation. Aucune validation sur un USV réel n'est annoncée, et le simulateur reste à confronter aux mesures de terrain, notamment sur la précision des champs de courant précalculés. Le contexte est celui de simulateurs marins existants, qui modélisent généralement soit la dynamique du véhicule, soit l'écoulement, rarement les deux avec la cible de mesure. L'écosystème ROS 2/Gazebo, déjà standard pour les USV de recherche, facilite l'adoption par les laboratoires et les intégrateurs, et la publication du code ouvre la voie à des comparaisons reproductibles entre planificateurs. SVF-RRT* est cité comme planificateur existant, ce qui signale que la valeur de H-SPAR est d'abord celle d'un banc d'essai. Les suites logiques seraient l'ajout d'autres planificateurs sensibles aux courants, des campagnes d'essais en conditions réelles et des champs d'écoulement issus de données océanographiques. Aucun calendrier ni acteur industriel européen n'est mentionné dans le résumé.

RecherchePaper

1 source

2arXiv cs.RO

Q-Learning par transport optimal pour le pilotage et l'accélération de politiques de flux

Des chercheurs proposent une nouvelle méthode baptisée Optimal Transport Q-Learning (OTQL), destinée à affiner et accélérer les politiques robotiques basées sur des modèles de diffusion et de flow matching, très utilisées dans les modèles vision-langage-action (VLA). Publiée le 8 juillet sur arXiv, l'étude combine apprentissage par renforcement (RL) post-entraînement et transport optimal conditionné par l'avantage, pour corriger les comportements sous-optimaux de ces politiques sans recourir à la distillation, coûteuse en calcul. Avec un budget d'interaction limité à seulement 50 à 60 épisodes, la méthode fait grimper le taux de succès moyen de politiques mono-tâche de 36 % à 86 %, et celui d'un modèle VLA pré-entraîné de 38 % à 76 %, tout en réduisant de 70 % le nombre d'étapes d'inférence nécessaires pour générer une action. Les tests ont été menés à la fois en simulation et sur des tâches robotiques réelles. Ces résultats s'attaquent à deux limites bien connues des politiques de diffusion et de flow matching pour la robotique: leur dépendance à des démonstrations de haute qualité, souvent rares ou coûteuses à collecter, et leur lenteur d'inférence, qui freine leur déploiement temps réel sur des robots physiques. En démontrant qu'un nombre restreint d'épisodes d'expérience réelle suffit à corriger significativement les échecs sous décalage de distribution, OTQL apporte un début de réponse à l'écart persistant entre démonstrations en laboratoire et performance en conditions réelles, un problème central pour les intégrateurs qui cherchent à fiabiliser des modèles VLA du type de ceux utilisés dans les bras manipulateurs ou les humanoïdes actuels. La réduction de 70 % des étapes d'inférence est également notable pour les décideurs B2B, car elle touche directement au coût de calcul embarqué et à la latence, deux freins concrets à la commercialisation à grande échelle de politiques génératives sur robot. Les politiques de diffusion et de flow matching se sont imposées ces dernières années comme l'approche dominante pour capturer des distributions de trajectoires multimodales dans les tâches de manipulation robotique, notamment dans les architectures VLA. Mais leur adoption industrielle butait jusqu'ici sur deux verrous: l'accélération de l'inférence, généralement traitée par des méthodes de distillation gourmandes en ressources de simulation, et l'amélioration post-déploiement, qui nécessite habituellement de nouvelles données de démonstration coûteuses à produire. OTQL s'inscrit dans une lignée de travaux cherchant à exploiter le RL pour du post-entraînement léger plutôt que du réentraînement complet. Les auteurs ne précisent pas encore de calendrier de transfert vers des plateformes commerciales, mais la méthode ouvre une piste pour que les opérateurs de flottes robotiques affinent leurs politiques directement à partir de l'expérience de terrain, sans dépendre de nouveaux cycles de collecte de données coûteux.

RechercheActu

1 source

3arXiv cs.RO

SAFARI : inspection autonome des risques guidée par la sémantique et les frontières

SAFARI est un framework d'exploration autonome présenté dans un preprint arXiv (v1) qui vise à chercher des objets potentiellement dangereux dans des zones inconnues tout en construisant une carte complète tenant compte du risque. Il a été testé sur une plateforme quadrupède lors de 11 missions réparties sur trois sites réels. Selon les auteurs, le système a couvert en moyenne 98,7 % de la zone accessible, a fonctionné sans intervention d'un opérateur pendant 97,6 % de la durée des missions et a détecté des objets dont la dimension caractéristique descend à 15 cm. Son principe consiste à traiter la détection d'objets comme un canal natif d'une carte probabiliste unifiée. L'exploration et la planification s'appuient ainsi à la fois sur des preuves géométriques et sémantiques. Des études d'ablation et une analyse du comportement du système complètent l'évaluation. L'enjeu est de rapprocher l'exploration autonome des contraintes d'un site dangereux. Beaucoup d'approches privilégient la couverture géométrique ou le gain d'information, sans lier la détection sémantique au risque d'évoluer près d'un objet dangereux. Les auteurs affirment aussi que beaucoup de systèmes restent démontrés en simulation ou en environnement contrôlé, et que la validation en terrain non structuré est rare. Ici, les essais ont eu lieu sur le terrain. Les ablations indiquent que la prise en compte de la taille des objets et une planification de trajectoire attentive à la sécurité sont déterminantes pour une recherche efficace. Pour un intégrateur ou un exploitant de sites à risque (déminage, sites industriels contaminés, inspection après sinistre), le ratio d'autonomie de 97,6 % est le chiffre le plus parlant. Il faut cependant le lire avec prudence. Onze missions constituent un échantillon modeste, les sites ne sont pas décrits dans le résumé, et la couverture porte sur la zone « accessible », une définition qui peut écarter les zones les plus difficiles. Le résumé ne donne ni taux de fausses détections ni comparaison chiffrée avec des méthodes concurrentes. Le contexte est celui de l'exploration robotique fondée sur les frontières (frontier-based exploration), qui guide le robot vers les limites entre zones connues et inconnues. Elle a longtemps été développée avec des objectifs de couverture ou d'information, puis enrichie de modules sémantiques ajoutés après coup. SAFARI intègre ces éléments dès la représentation cartographique. Le résumé ne cite ni modèle de détection, ni robot précis, ni partenaire industriel, ni calendrier de déploiement. Il s'agit donc d'un résultat de recherche, sans produit commercial ni pilote annoncé. La suite logique serait une publication complète avec protocoles détaillés, des comparaisons à d'autres planificateurs et des tests sur des sites réellement dangereux, étape nécessaire avant tout usage opérationnel.

RecherchePaper

1 source

4arXiv cs.RO

OTRetarget : retargeting conjoint du mouvement du robot et de l'objet par transport optimal

Des chercheurs publient sur arXiv (2609.36602) OTRetarget, une méthode qui transfère des démonstrations humaines vers un humanoïde en retargetant conjointement le mouvement du robot et celui des objets manipulés. Elle représente les interactions de surface par trois quantités : distances signées, points les plus proches sur la surface et directions relatives. Un transport optimal entropique projette ces grandeurs entre les géométries de l'humain, du robot et des objets. Les cibles obtenues alimentent une cinématique inverse sous contraintes, qui arbitre à chaque frame entre préservation des contacts et style du mouvement, en optimisant simultanément les poses du robot et des objets. Sur le jeu de données OMOMO, les auteurs annoncent un score de Jaccard d'interaction robot-objet de 87 % et une erreur de profondeur de 8,7 mm, contre 28 % et 29,3 mm pour OmniRetarget. La validation physique porte sur un humanoïde Unitree G1, avec des politiques corps entier entraînées par apprentissage par renforcement sur les références retargetées. Les mouvements testés incluent la dépose à deux mains d'une boîte sur une table. Le retargeting est un goulot d'étranglement peu visible de la chaîne qui va de la capture humaine aux politiques de loco-manipulation. Quand les proportions du robot diffèrent de celles de l'opérateur, les contacts avec le sol et les objets dérivent, et les politiques apprennent alors sur des références physiquement incohérentes. La plupart des approches figent la trajectoire de l'objet ou remettent à l'échelle la scène et la démonstration. OTRetarget laisse l'objet libre de s'adapter à la morphologie du robot, sans changer l'échelle de la scène. Le gain annoncé face à OmniRetarget est important, mais il vient d'un benchmark sur données de capture, avec une métrique de contact définie par les auteurs. Il ne dit pas encore quel taux de réussite on obtiendrait sur des tâches longues ou contraintes en cadence. La démonstration matérielle se limite à un G1 de petite taille et à des tâches simples. Aucun temps de cycle, aucune charge utile ni aucun taux d'échec n'est mentionné dans le résumé. Ces travaux s'inscrivent dans la vague de pipelines « humain vers humanoïde » qui cherchent à produire des données d'entraînement à grande échelle sans téléopération coûteuse. OmniRetarget en est la référence directe, et OTRetarget se positionne explicitement contre lui. Le G1 est devenu la plateforme de recherche par défaut, car elle est abordable et largement répandue dans les laboratoires. Les VLA généralistes comme Pi-0, GR00T N2 ou Helix ont besoin de données cohérentes en contacts, ce qui donne à cette brique un intérêt direct. Les prochaines étapes à surveiller sont la diffusion du code, la validation sur des humanoïdes plus grands et sur des objets déformables ou articulés, ainsi qu'une évaluation sur des scènes multi-objets plus encombrées.

RecherchePaper

1 source

Partager la charge : transport autonome de fret par flotte de rovers

À lire aussi

H-SPAR : simulation hydrodynamique pour le transport de particules et les robots autonomes

Q-Learning par transport optimal pour le pilotage et l'accélération de politiques de flux

SAFARI : inspection autonome des risques guidée par la sémantique et les frontières

OTRetarget : retargeting conjoint du mouvement du robot et de l'objet par transport optimal