RecherchearXiv cs.RO 21 mai 2026

Perception active et contrôle tenant compte des conflits dans les champs de Gaussian Splatting 3D via des fonctions barrière de contrôle

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs ont publié sur arXiv (référence 2605.20566) un cadre algorithmique baptisé "conflict-aware active perception and control" pour robots évoluant dans des environnements modélisés par 3D Gaussian Splatting (3DGS). L'approche repose sur un programme quadratique unifié qui traite simultanément deux objectifs antagonistes : la sécurité, imposée comme contrainte dure via une Control Barrier Function (CBF), et l'acquisition d'information, traitée comme contrainte souple assouplie par des variables de relâchement (slack variables). La CBF est dérivée d'une métrique de risque de collision dite Average Value-at-Risk (AV@R), qui intègre l'incertitude géométrique de la carte et garantit mathématiquement l'invariance avant d'un ensemble sûr. Pour maximiser la perception, le système sélectionne la prochaine meilleure vue (next-best-view) via une formulation risk-aware de l'Expected Information Gain (EIG), et oriente la caméra vers la direction de montée d'information locale grâce à des "perception barrier functions". Les résultats présentés sont issus de simulations uniquement, sans validation sur plateforme physique.

Le problème central que ce travail adresse est structurel : dans un environnement partiellement inconnu, les vues les plus informatives se trouvent précisément dans les zones les moins cartographiées, donc les plus à risque de collision. Les approches existantes basées sur 3DGS traitaient ces deux objectifs séparément ou par simple pondération, sans garanties formelles. Formuler la sécurité comme contrainte inviolable tout en relaxant la perception permet aux décideurs B2B et aux intégrateurs robotiques d'envisager des robots d'exploration actifs qui cartographient des environnements industriels non balisés sans compromis ad hoc entre productivité et sécurité. L'amélioration simultanée de la sécurité et du gain d'information, comparée aux méthodes 3DGS concurrentes, constitue un signal technique intéressant, même si l'absence d'expériences réelles limite pour l'instant la portée de la validation.

Le 3DGS s'est imposé comme représentation de référence pour les champs de radiance neuronaux depuis 2023, supplantant progressivement le NeRF grâce à sa vitesse de rendu et sa différentiabilité. Les CBF sont un outil établi en commande sûre, mais leur intégration dans des champs neuronaux pour la perception active reste un axe de recherche émergent. Aucune institution ni entreprise n'est explicitement nommée dans l'abstract, et aucun déploiement industriel n'est annoncé. Les concurrents directs sont les méthodes d'exploration active basées NeRF et les planificateurs next-best-view classiques. Les prochaines étapes naturelles seraient une validation sim-to-real sur plateforme physique et des tests dans des scènes plus complexes.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

SemSafe-3DGS : navigation active tenant compte du risque sémantique dans des cartes 3D Gaussian Splatting incertaines

Une équipe de recherche publie sur arXiv (identifiant 2609.19330v1) un nouveau framework baptisé SemSafe-3DGS, destiné à la navigation active et sécurisée de robots autonomes dans des environnements partiellement observés. Le système s'appuie sur des cartes 3D construites par Gaussian Splatting, une technique de reconstruction de scène par primitives gaussiennes, auxquelles sont associés des attributs sémantiques. Chaque primitive gaussienne reçoit un poids de risque dépendant de sa classe sémantique, intégré dans un modèle de distance de collision basé sur l'Average Value-at-Risk. Ces distances pondérées alimentent une fonction de barrière de contrôle (control barrier function, CBF), combinée à une seconde barrière dite de perception active qui pousse le robot à recueillir des observations réduisant l'incertitude géométrique de la carte le long de sa trajectoire prévue. Les deux objectifs sont fusionnés dans un unique programme quadratique sous contrainte CBF-QP, qui impose l'évitement de collision comme contrainte dure tout en assouplissant l'acquisition d'information lorsqu'elle entre en conflit avec la sécurité. Les auteurs rapportent des expériences validant l'efficacité de la contrainte de sécurité, une navigation améliorée grâce à la perception active, une adaptation de trajectoire dépendante de la sémantique, ainsi qu'une exécution sur robot réel à dynamique de type Ackermann. L'intérêt pour l'industrie robotique tient au constat de départ : les formulations de sécurité existantes raisonnent presque exclusivement sur la géométrie, traitant de façon identique des obstacles géométriquement similaires mais sémantiquement très différents, par exemple un mur et une personne. En intégrant la sémantique directement dans la fonction de barrière plutôt qu'en aval, l'approche vise une prise de décision plus fine pour les robots mobiles opérant en environnement humain ou industriel partiellement cartographié, un enjeu direct pour les intégrateurs d'AMR et de plateformes de navigation autonome. Ce travail s'inscrit dans la lignée des méthodes de contrôle sûr par CBF-QP, désormais couplées aux représentations de scène par Gaussian Splatting qui gagnent du terrain face aux cartes d'occupation classiques pour leur richesse géométrique et photométrique. Il s'agit d'une publication de recherche en preprint, sans annonce de produit ni de partenariat industriel ; les prochaines étapes concerneraient une validation sur davantage de plateformes robotiques et de scénarios sémantiques.

RecherchePaper

1 source

2arXiv cs.RO

Contrôle de sécurité : navigation vers vue optimale sans collision dans des cartes en Gaussian Splatting 3D

Splat-CBF, une méthode de contrôle publiée sur arXiv (2609.23100, soumis en septembre 2026), s'attaque à un problème classique de la navigation robotique en environnement non cartographié : où regarder et comment se déplacer en même temps, sachant que les zones les plus intéressantes à observer sont aussi celles où le robot maîtrise le moins ses marges de sécurité. La méthode combine deux fonctions barrières de contrôle (control barrier functions, CBF) dans un seul programme quadratique. La première impose la sécurité comme contrainte dure, en convertissant l'Average Value-at-Risk du champ de gaussiennes 3D (Gaussian Splatting) de la carte en une contrainte lisse et unique. La seconde encourage, en contrainte souple, les orientations de caméra qui maximisent le gain d'information de Fisher attendu le long de la trajectoire planifiée, une approche dite de "next-best-view". Une pénalité de relâchement s'ajuste dynamiquement selon la fréquence à laquelle la contrainte de perception a déjà été assouplie et la proximité d'une zone incertaine. Les auteurs valident l'approche en simulation intérieure, sur un bras manipulateur Kinova dans Isaac Sim, et sur un robot mobile à direction Ackermann en conditions réelles. Les résultats indiquent une navigation plus rapide, une collecte d'informations accrue et un temps de calcul en ligne réduit par rapport à des approches de référence limitées soit à la sécurité seule, soit à la perception seule, le robot ne renonçant à un mouvement informatif que lorsque la sécurité l'exige. L'intérêt pour les intégrateurs et roboticiens tient à la démonstration qu'exploration active et garanties de sécurité formelles peuvent être unifiées dans une seule optimisation temps réel plutôt que traitées en pipelines séquentiels, un enjeu direct pour les AMR d'entrepôt, les robots d'inspection ou les manipulateurs opérant dans des environnements inconnus ou changeants où attendre une cartographie complète avant de bouger n'est pas viable. Le travail s'inscrit dans l'adoption croissante du Gaussian Splatting, initialement une technique de rendu graphique, comme représentation de carte différentiable et photoréaliste pour la robotique, en alternative aux nuages de points ou aux champs de radiance neuronaux, avec l'avantage de fournir des estimations d'incertitude exploitables analytiquement. Il s'agit d'une contribution de recherche, testée à petite échelle sur un seul bras et un seul robot roulant, sans annonce de déploiement industriel ni de partenaire commercial ; les suites logiques évoquées par les auteurs porteraient sur des environnements dynamiques plus complexes ou des scénarios multi-robots.

RecherchePaper

1 source

3arXiv cs.RO

SplatCtrl : couplage perception-action via représentations de scène gaussiennes et contrôle robotique réactif

Des chercheurs présentent SplatCtrl, un système qui combine reconstruction 3D en temps réel et contrôle réactif de bras robotique pour éviter les collisions dans des environnements inconnus et changeants. Le framework s'appuie sur le 3D Gaussian Splatting, une technique de représentation de scène par nuages de gaussiennes 3D, et introduit une méthode hybride de filtrage voxel combinée à une relocalisation dynamique des gaussiennes, permettant de reconstruire la scène à partir de flux RGB-D tout en s'adaptant aux changements de l'environnement en continu. Pour le contrôle, les auteurs dérivent des fonctions de distance signée continues directement depuis les gaussiennes isotropes, ce qui fournit des estimations de probabilité de collision stables et différentiables, faisant le pont entre les champs de distance classiques et les représentations implicites modernes. Ces métriques sont ensuite injectées dans des fonctions de barrière de contrôle (control barrier functions), aboutissant à un couplage perception-action unifié capable de générer des mouvements fluides en réaction aux changements de scène. Le système a été validé en simulation, sur un robot physique réel, et dans un espace de travail partagé humain-robot. L'intérêt pour l'industrie tient à la promesse centrale du papier: rendre les bras manipulateurs, aujourd'hui performants surtout en environnement structuré et statique, capables d'opérer en sécurité dans des contextes dynamiques et partagés avec des humains, sans reprogrammation manuelle des trajectoires. Si les résultats se confirment à plus grande échelle, cela toucherait directement les intégrateurs industriels et logistiques confrontés à des cellules de travail non figées, ainsi que les applications de cobotique où la coexistence humain-robot impose une réactivité aux obstacles imprévus. C'est aussi un signal supplémentaire que le 3D Gaussian Splatting, initialement pensé pour le rendu photoréaliste, s'impose progressivement comme brique de perception robotique. Le travail s'inscrit dans une lignée de recherches récentes cherchant à exploiter le 3D-GS pour la robotique, au-delà de son usage d'origine en vision par ordinateur et rendu de scènes. L'article ne précise pas d'affiliation industrielle ni de partenaire de déploiement identifié: il s'agit d'une contribution de recherche académique publiée sur arXiv, sans indication de commercialisation ni de calendrier de transfert vers un produit. Les prochaines étapes attendues concernent le passage à l'échelle sur des scènes plus complexes et des tests prolongés en conditions réelles d'usine ou d'entrepôt.

RecherchePaper

1 source

4arXiv cs.RO

D-SafeMPC : commande prédictive sûre par diffusion avec fonctions barrières de contrôle en temps discret

Traduction et résumé en cours pour cet article de recherche sur D-SafeMPC. Des chercheurs présentent D-SafeMPC, une méthode qui combine modèles de diffusion et commande prédictive (MPC) pour générer des trajectoires robotiques à la fois sûres et faisables physiquement. Le problème de départ est connu : les modèles de diffusion, très utilisés en planification de mouvement, ne garantissent intrinsèquement ni la sécurité ni le respect des contraintes dynamiques, ce qui produit parfois des trajectoires irréalisables. Coupler diffusion et MPC existait déjà, mais l'approche restait instable, car une mauvaise initialisation de trajectoire par le modèle de diffusion empêchait le MPC de converger vers une solution correcte. D-SafeMPC guide le processus de diffusion inverse à l'aide de fonctions barrières de contrôle (CBF) et de fonctions de Lyapunov de contrôle (CLF), avec un schéma de projection itératif où le MPC affine la trajectoire à chaque étape de débruitage. Les tests ont porté sur un bras manipulateur Franka, en simulation sur quatre scénarios (un obstacle statique, trois configurations à obstacles dynamiques), puis en conditions réelles sur un robot Franka physique via une expérience de transfert sim-to-real. Le code source et les configurations expérimentales sont publiés sur GitHub (erdiphd/D-SafeMPC). L'intérêt de ces travaux dépasse le cas d'usage du bras manipulateur : ils s'attaquent directement à un point de friction connu entre planification générative et robotique déployable. Les modèles de diffusion produisent des trajectoires plausibles statistiquement, mais rien ne garantit qu'elles respectent les contraintes physiques d'un robot réel ou évitent des obstacles mobiles, un écart classique entre démonstration et fiabilité opérationnelle. En stabilisant l'interaction diffusion-MPC dès la phase de débruitage plutôt qu'en post-traitement, D-SafeMPC vise à fournir des points de démarrage fiables ("warm starts") au contrôleur, ce qui améliore selon les auteurs le taux de succès des tâches et l'efficacité de planification par rapport aux méthodes de référence de l'état de l'art. Pour les équipes travaillant sur la manipulation en environnement partagé avec des humains ou des obstacles mobiles, c'est un signal que les architectures hybrides génératif-contrôle progressent sur la sécurité formelle, un enjeu central pour toute certification industrielle. Ce travail s'inscrit dans une lignée de recherches cherchant à réconcilier planification par apprentissage profond et garanties de sécurité issues du contrôle classique, un axe actif depuis l'essor des politiques de diffusion en robotique (type Diffusion Policy). Les CBF et CLF sont des outils établis en commande sûre, mais leur intégration fine dans une boucle de diffusion itérative reste un domaine ouvert. La validation sim-to-real sur Franka, bras couramment utilisé en recherche académique, reste un test de complexité modérée comparé à des déploiements industriels ou humanoïdes ; la suite logique serait une extension à des plateformes à plus haute dimensionnalité ou à des tâches multi-obstacles plus denses.

RecherchePaper

1 source