Aller au contenu principal
Héritage lamarckien en environnements dynamiques : comment les variables clés influencent la dynamique évolutiveIllustration générée par IA
RecherchearXiv cs.RO 

Héritage lamarckien en environnements dynamiques : comment les variables clés influencent la dynamique évolutive

1 source couvre ce sujet·Source originale ↗·

Compilé et résumé par IA · sources vérifiables en un clic · publié sans lecture humaine préalable · méthodologie

Résumé IASource unique

Une équipe de chercheurs en robotique évolutionnaire a publié en mai 2025 sur arXiv (2605.15769) une étude clarifiant les conditions dans lesquelles l'héritage lamarckien améliore ou dégrade les performances d'un système de co-optimisation corps-cerveau. L'expérience repose sur des robots mous virtuels dont la morphologie évolue par algorithme évolutionnaire, tandis que le contrôleur est optimisé en cours de vie par apprentissage, soit par optimisation bayésienne, soit par apprentissage par renforcement. L'héritage lamarckien consiste ici à transférer directement les paramètres de contrôle appris par un parent à sa descendance, à la différence de l'héritage darwinien classique qui ne transmet que le génome structurel. Les auteurs font varier deux dimensions de l'environnement dynamique : le niveau de conflit entre les changements environnementaux et le comportement optimal du robot, et la prévisibilité de ces changements pour l'agent. Résultat : l'héritage lamarckien n'est inférieur à l'approche darwinienne que dans le seul cas où les changements sont à la fois conflictuels et imprévisibles. L'ajout d'un capteur permettant de détecter les transitions environnementales restaure les bénéfices lamarckiens même dans les environnements conflictuels, en donnant à l'agent les moyens d'anticiper un changement de comportement nécessaire.

Ce résultat réconcilie une littérature jusque-là contradictoire. La théorie évolutionnaire classique considère l'héritage lamarckien comme neutre ou négatif à long terme, tandis que plusieurs travaux récents en robotique évolutionnaire rapportaient des gains de performance. Cette étude suggère que les comparaisons précédentes omettaient de contrôler conjointement la conflictualité et la prévisibilité des perturbations, deux variables qui interagissent de façon non-linéaire. Pour les praticiens du morpho-evolution, domaine qui cherche à co-optimiser forme et contrôle pour des robots adaptatifs industriels ou de terrain, cela pose un cadre d'analyse actionnable : le bon mécanisme d'héritage dépend du profil statistique de l'environnement opérationnel, pas d'un choix dogmatique.

La co-optimisation morphologie-contrôleur est un problème ouvert depuis les travaux fondateurs de Karl Sims dans les années 1990, et reste un défi majeur en conception de robots autonomes. La robotique douce (soft robotics) sert ici de banc d'essai car ses espaces morphologiques continus amplifient la sensibilité aux stratégies d'héritage. Ce preprint n'est pas encore évalué par les pairs et les résultats reposent exclusivement sur simulation, le transfert sim-to-real reste à démontrer. Parmi les acteurs qui travaillent sur des approches similaires figurent des laboratoires comme le Vermont Complex Systems Center ou le groupe Kriegman, ainsi que des initiatives industrielles en conception générative de robots. La prochaine étape naturelle est une validation sur morphologies physiques dans des environnements dont les statistiques sont connues et contrôlées.

Dans nos dossiers

À lire aussi

Robots évitant les collisions en temps réel dans des environnements dynamiques
Illustration générée par IA
1arXiv cs.RO 

Robots évitant les collisions en temps réel dans des environnements dynamiques

Des chercheurs publient une méthode qui convertit n'importe quel chemin géométrique, c'est-à-dire une simple séquence d'états produite par un planificateur de mouvement quelconque (échantillonné comme RRT ou PRM, ou basé sur la recherche comme ARA*), en une trajectoire réellement exécutable par un robot : cinématiquement faisable et à jerk limité. L'algorithme génère une suite de splines quintiques ou quartiques, discrétisées à une fréquence de contrôle choisie par l'utilisateur, puis diffusées directement vers le contrôleur bas niveau. Il peut être réinvoqué à tout instant pour recalculer une nouvelle trajectoire depuis l'état courant du robot vers une cible ou une séquence de cibles, avec adaptation en temps réel aux changements de l'environnement. Sous l'hypothèse que la vitesse des obstacles reste bornée, la méthode offre des garanties conditionnelles d'arrêt sécurisé sur un intervalle de temps fini, tout en tolérant une déviation géométrique limitée par rapport au chemin d'origine. Les contraintes cinématiques, jerk compris, sont traitées explicitement. En simulation comparative face à une méthode concurrente, les auteurs rapportent un meilleur lissage, un temps de calcul plus faible et de meilleures performances temps réel, en particulier lors de changements fréquents de cible, jusqu'à 1 kHz. Des expériences sur robot réel valident l'approche, y compris dans des scénarios où un humain fait office d'obstacle. Pour les intégrateurs, ce travail cible un problème très concret : la plupart des planificateurs de mouvement produisent des chemins géométriques, pas des trajectoires exécutables respectant les limites physiques du robot en vitesse, accélération et jerk. Combler ce fossé en temps réel, avec des garanties de sécurité formelles même quand des obstacles se déplacent, fait défaut à de nombreuses piles de navigation actuelles destinées aux environnements partagés avec des humains, entrepôts, usines ou bras collaboratifs. La capacité à replanifier jusqu'à 1 kHz sans dégrader la fluidité du mouvement représente un vrai gain pour les systèmes confrontés à des changements rapides de l'environnement, sans imposer le compromis habituel entre réactivité et stabilité. Le domaine de la planification de mouvement reste tiraillé entre planificateurs globaux, qui trouvent un chemin, et méthodes locales, chargées de le rendre exécutable en douceur : les chemins issus d'échantillonnage sont typiquement irréguliers et nécessitent un post-traitement. Les approches existantes de lissage gèrent souvent mal les obstacles dynamiques ou la replanification à haute fréquence, ce qui constitue la référence à laquelle ce travail se compare. La méthode s'appuie sur la génération de trajectoires par splines, technique classique en robotique pour le mouvement à jerk limité, en y ajoutant une gestion explicite des obstacles dynamiques et des garanties formelles d'arrêt sécurisé. Publiée en version révisée sur arXiv, elle ouvre la voie à des validations plus larges sur d'autres plateformes robotiques.

RecherchePaper
1 source
Auto-évolution d'agents incarnés par évolution de compétences en environnement d'entraînement
Illustration générée par IA
2arXiv cs.RO 

Auto-évolution d'agents incarnés par évolution de compétences en environnement d'entraînement

Un article publié sur arXiv (2608.11350v1, catégorie "cross-listing", 13 août 2026) présente SHAPER, un cadre pour l'adaptation sans entraînement d'agents incarnés (embodied agents) construits autour de modèles de fondation. Le principe : les poids du modèle restent figés, et c'est la couche non paramétrique autour de lui, compétences réutilisables et "harnais" de contexte-code, qui évolue via des essais répétés (rollouts) dans l'environnement cible. Le même modèle figé joue à la fois le rôle de planificateur et d'optimiseur, affinant ses compétences externes sans aucune mise à jour de paramètres. Les auteurs évaluent SHAPER sur deux bancs d'essai, VLABench et ESI-Bench, qui couvrent des agents disposant d'interfaces d'action bas niveau différentes, et comparent les résultats à l'exécution pure, au fine-tuning supervisé (SFT) et à des méthodes de mise à l'échelle au moment du test comme la sélection sans vérificateur et le vote. L'enjeu pour l'industrie robotique est concret. Le fine-tuning supervisé et l'apprentissage par renforcement exigent des données, des fonctions de récompense et des cycles d'entraînement coûteux ; à l'inverse, les approches sans entraînement centrées sur le code s'appuient d'ordinaire sur des API robotiques programmables, souvent absentes des systèmes à interface fixe. SHAPER propose une troisième voie, faire évoluer les compétences et le harnais logiciel plutôt que le modèle lui-même, ce qui intéresserait particulièrement les intégrateurs qui ne peuvent pas se permettre de réentraîner un modèle à chaque nouvel environnement de déploiement. Les résultats restent toutefois issus de bancs d'essai simulés, pas de déploiements sur robots physiques : c'est une preuve de concept méthodologique, pas encore une validation terrain. Ce travail s'inscrit dans une tendance plus large où la performance des agents incarnés dépend autant du harnais d'exécution, compétences, contexte, interfaces d'action, que des poids du modèle sous-jacent. Il se positionne explicitement entre deux familles d'approches existantes : le fine-tuning et le RL d'un côté, gourmands en données et en calcul, et les approches code-centric sans entraînement de l'autre, limitées par leur dépendance à des API robotiques programmables. L'article ne mentionne ni partenariat industriel ni plateforme robotique commerciale associée ; la suite logique serait une validation sur robots réels pour vérifier si les gains observés sur VLABench et ESI-Bench se transposent hors simulation.

RecherchePaper
1 source
UCON : navigation tenant compte de l'incertitude par réassociation historique en environnements dynamiques
Illustration générée par IA
3arXiv cs.RO 

UCON : navigation tenant compte de l'incertitude par réassociation historique en environnements dynamiques

UCON, un nouvel algorithme de navigation autonome pour environnements dynamiques, a été publie sur arXiv le 25 septembre 2026 sous la référence 2609.29419v1. Le système s'attaque a deux problèmes récurrents en robotique mobile : l'instabilité de la perception, qui provoque des changements d'identité entre obstacles suivis et des estimations de mouvement peu fiables, et le décalage entre incertitude et optimisation, qui empêche d'intégrer proprement cette incertitude dans le calcul de trajectoire. La solution combine un mécanisme de reassociation historique au niveau des points, qui exploite des fragments de nuages de points passes pour retrouver une cible perdue et maintenir la continuité de son identité, avec un filtre de Kalman fournissant une estimation anisotrope de l'état de mouvement et une propagation de la covariance. Les états prédits et leurs covariances sont ensuite convertis en secteurs d'incertitude, intégrés comme termes de cout différentiables dans le module d'optimisation de trajectoire. Les auteurs annoncent des tests en simulation et en conditions réelles, et promettent l'ouverture du code source, sans date de publication précisée. Pour les intégrateurs de robots mobiles autonomes (AMR) évoluant parmi des obstacles mouvants, humains ou autres robots, la perte d'identité d'une cible suivie est une source classique de replanifications brusques ou dangereuses. En reliant explicitement l'incertitude de perception au calcul de trajectoire, plutôt que de traiter ces deux étapes séparément, UCON s'attaque directement a ce point de friction technique, pertinent pour la fiabilité des déploiements industriels en entrepôt ou en usine. Les auteurs revendiquent une performance supérieure aux méthodes de l'état de l'art tout en conservant une bonne efficacité de calcul, mais ces comparaisons proviennent de leurs propres benchmarks et l'abstract ne fournit aucun chiffre concret, ni taux de réussite, ni temps de calcul, ni fréquence de traitement, ce qui rend l'ampleur réelle du gain difficile a juger avant la publication complète. Le texte se présente comme un article de recherche nouvellement annonce sur arXiv, sans nom d'institution, de laboratoire ou d'entreprise associe dans le résume, et sans lien vers un dépôt de code a ce stade. Il s'inscrit dans un courant de recherche plus large visant a réconcilier robustesse perceptuelle et planification de mouvement sous incertitude pour la navigation en environnement dynamique, un axe suivi par de nombreux groupes académiques travaillant sur les AMR et la navigation robotique. Aucun acteur concurrent n'est nomme explicitement, la comparaison restant générique aux "méthodes de l'état de l'art". La suite logique reste la publication du code promise par les auteurs et, vraisemblablement, une parution reviewee détaillant les résultats chiffres.

RecherchePaper
1 source
T-ConSG : un graphe de scène temporel de construction en temps réel par LiDAR pour les environnements dynamiques et évolutifs
Illustration générée par IA
4arXiv cs.RO 

T-ConSG : un graphe de scène temporel de construction en temps réel par LiDAR pour les environnements dynamiques et évolutifs

Des chercheurs présentent T-ConSG, un graphe de scène temporel construit en temps réel à partir de données LiDAR et conçu pour les chantiers de construction. Le graphe représente dans une même structure les zones d'espace libre, les objets statiques, les objets dynamiques et les événements environnementaux. Il relie ces éléments par deux types d'arêtes: des relations spatiales et des arêtes de participation à un événement. Il se construit de façon incrémentale à partir d'indices géométriques extraits du LiDAR. Il conserve l'information persistante sur l'espace libre et les objets statiques, et suit les objets mobiles. Quand les preuves spatiales accumulées changent, le système les traduit en événements explicites d'installation ou de retrait. Les auteurs l'évaluent sur trois cas d'usage: la navigation tenant compte des dynamiques sur un banc d'essai de maçonnerie (pose de briques), le suivi d'avancement de chantier sur le jeu de données ConSLAM, et la détection de changements en ligne dans un chantier simulé. Le résumé ne publie aucun chiffre de performance, ni temps de calcul, ni taux de détection, ni précision. L'enjeu est le fossé entre cartographie métrique et raisonnement de haut niveau. Les méthodes de SLAM dynamique et de SLAM longue durée savent détecter un mouvement ou un changement, mais leur sortie reste surtout une carte géométrique (nuage de points, grille d'occupation) qui dit peu de la structure. Sur un chantier, un camion de passage, une palette posée temporairement et une cloison achevée sont trois phénomènes de natures différentes, que la plupart des cartes traitent mal ensemble. Le graphe donne à un robot ou à un système de suivi de chantier une base pour raisonner sur ce qui bouge, ce qui est apparu et ce qui a disparu. Pour les intégrateurs, cela rapproche la navigation de robots mobiles, le contrôle d'avancement et le jumeau numérique. Les réserves sont nettes: l'évaluation tient en trois études d'application, dont une en simulation et un banc d'essai de laboratoire, sans comparaison chiffrée visible avec des méthodes existantes. La robustesse sur un chantier réel, bruyant et encombré, reste à démontrer. Ce travail prolonge les graphes de scène 3D (type Hydra, apparus dans la robotique pour les environnements intérieurs), qui structurent surtout des scènes plutôt statiques, et les approches de SLAM dynamique. Il s'appuie sur ConSLAM, un jeu de données de chantier réel, et sur un banc d'essai de pose de briques, signe d'une orientation vers la construction robotisée. Les concurrents se trouvent du côté des cartes sémantiques évolutives et des méthodes de détection de changement par comparaison de balayages, ainsi que des solutions commerciales de suivi d'avancement par scan laser. Le document est un préprint arXiv (v1), sans revue par les pairs à ce stade. Les prochaines étapes logiques sont une validation sur chantier réel, des mesures de latence et de précision, et une intégration avec des plannings ou des modèles BIM.

RecherchePaper
1 source