Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
Follow Everything : suivi de leader et évitement d'obstacles avec adaptation orientée objectif
RecherchearXiv cs.RO 

Follow Everything : suivi de leader et évitement d'obstacles avec adaptation orientée objectif

1 source couvre ce sujet·Source originale ↗·
Résumé IASource uniqueImpact UE

Une équipe de chercheurs propose "Follow Everything", un framework de suivi de leader pour robots mobiles à pattes, décrit dans un preprint arXiv (2504.19399, avril 2025). L'approche abandonne les modèles de détection classiques au profit d'un modèle de segmentation, ce qui permet au robot de suivre n'importe quelle entité sans contrainte préalable : humain, robot terrestre, drone, robot à pattes ou simple panneau "stop". Un "distance frame buffer" stocke les embeddings visuels du leader à plusieurs échelles pour maintenir la reconnaissance lors des pertes de vue temporaires. Un mécanisme de "goal-aware adaptation" détermine ensuite les états de planification selon la visibilité et le mouvement du leader, relayé par un planificateur à graphe qui génère des trajectoires candidates tout en assurant l'évitement d'obstacles. Les tests en simulation et en conditions réelles, en intérieur comme en extérieur, montrent des améliorations mesurées sur le taux de succès de suivi, la durée de perte visuelle, le taux de collision et la distance robot-leader.

L'enjeu est direct pour les intégrateurs de robots mobiles en environnements non structurés. Les solutions actuelles de suivi, qu'il s'agisse de plateformes AMR logistiques ou de quadrupèdes d'inspection, reposent sur des détecteurs entraînés pour un type de leader précis, les rendant fragiles dès que le contexte change. La généralisation par segmentation ouvre la voie à des déploiements multi-contextes sans retraining, et la gestion explicite des états de visibilité résout un angle mort fréquent : la plupart des systèmes existants échouent silencieusement lors d'une occlusion prolongée.

Ces travaux s'inscrivent dans un courant actif sur la navigation sociale et l'interaction humain-robot. Les plateformes testées sont des robots à pattes, segment porté en industrie par Boston Dynamics, Unitree ou ANYbotics. Des approches concurrentes basées sur des VLAs (visual-language-action models) adressent des problèmes adjacents mais couvrent rarement à la fois la généralisation à des leaders arbitraires et la robustesse à l'occlusion. Il s'agit pour l'instant d'une contribution académique sans partenariat industriel annoncé, à distinguer d'un produit commercialisé ; les prochaines étapes naturelles seraient une validation sur des AMR différentiels ou des plateformes commerciales comme le Spot de Boston Dynamics.

Dans nos dossiers

Boston DynamicsUnitreearXiv cs.RO

À lire aussi

Évitement d'obstacles pour drone en environnement dynamique via champ de potentiel artificiel adaptatif en direction et vitesse
1arXiv cs.RO 

Évitement d'obstacles pour drone en environnement dynamique via champ de potentiel artificiel adaptatif en direction et vitesse

Une équipe de recherche propose, dans un article publie sur arXiv (référence 2512.07609, version 3, catégorie "replace-cross" signalant une resoumission), une nouvelle méthode d'évitement d'obstacles pour drones (UAV) évoluant dans un espace aérien encombre et dynamique. La technique modifie le Champ de Potentiel Artificiel (APF), algorithme classique de robotique mobile, en y ajoutant une fonction de pondération bornée notée ω(θ, vé), qui ajuste en temps réel la force répulsive générée par un obstacle selon sa direction et sa vitesse relative par rapport au drone. Ce champ de potentiel améliore est ensuite intègre a un contrôleur prédictif (Model Predictive Control) charge de calculer des trajectoires sans collision tout en respectant les contraintes cinématiques de l'appareil. Les auteurs valident l'approche uniquement par simulation, sans vol réel ni prototype matériel mentionne dans le résume. Le problème cible n'a rien d'anecdotique: l'APF classique, malgré sa légèreté de calcul, souffre depuis des décennies d'un blocage en minimum local et d'une incapacité a anticiper le mouvement d'obstacles mobiles, qu'il traite comme statiques. Resoudre ces deux limites intéressé directement les intégrateurs de drones autonomes en environnement encombre, qu'il s'agisse d'inspection d'infrastructures, de logistique urbaine ou de vols en essaim. Si les résultats se confirment sur matériel réel, la méthode pourrait offrir une alternative plus légère que les pipelines bases sur l'apprentissage par renforcement ou la planification par échantillonnage type RRT. L'écart entre performance simulée et robustesse en conditions réelles (vent, latence capteurs, bruit de mesure) reste toutefois l'inconnue majeure, non adressée ici. Le champ de potentiel artificiel, introduit par Oussama Khatib en 1986, demeure une brique de base de la navigation robotique malgré son défaut connu de minimum local, ce qui explique la littérature abondante cherchant a le corriger plutôt qu'a l'abandonner. Il coexiste avec des approches concurrentes comme les obstacles de vitesse (velocity obstacles), les planificateurs par échantillonnage (RRT et variantes) ou les méthodes d'apprentissage profond. Coupler l'APF a un MPC s'inscrit dans une tendance récente visant a combiner réactivité immédiate et anticipation sous contraintes. L'article ne précise ni affiliation des auteurs ni calendrier de tests en vol; la validation sur un drone physique face a des obstacles mobiles réels reste l'étape nécessaire pour trancher la question de la robustesse hors simulation.

RecherchePaper
1 source
StratMamba : partitionnement stratégique et réactif des flux pour l'évitement d'obstacles basé sur le LiDAR
2arXiv cs.RO 

StratMamba : partitionnement stratégique et réactif des flux pour l'évitement d'obstacles basé sur le LiDAR

Des chercheurs présentent StratMamba, une architecture de modélisation temporelle à deux flux basée sur Mamba, conçue pour la navigation robotique en environnement complexe et encombré d'obstacles. Le système combine deux mémoires aux dynamiques différentes : un flux à décroissance rapide qui traite les données LiDAR haute fréquence pour l'évitement réactif d'obstacles, et un flux à décroissance lente qui conserve les informations de but à plus long horizon pour la planification stratégique. L'architecture a été testée dans les simulateurs IsaacLab et Gazebo sur plusieurs scénarios d'évitement, avec obstacles statiques et dynamiques, puis validée en conditions réelles sur un robot quadrupède Unitree Go1. Face à des références classiques du RL temporel (LSTM, Transformer, Mamba standard), StratMamba affiche un taux de timeout plus faible, la vitesse de navigation la plus rapide (576 pas médians, 5,0% de mieux que le Mamba standard) et la meilleure efficacité de trajectoire mesurée (0,915). Cette approche répond à un problème central en robotique mobile : concilier réactivité immédiate face au danger et cohérence stratégique sur la durée, deux besoins souvent traités par une seule mémoire dans les architectures existantes, au prix de compromis. En séparant explicitement ces deux échelles temporelles, StratMamba illustre une piste concrète pour améliorer la navigation des AMR et robots quadrupèdes dans des environnements denses, un enjeu clé pour les intégrateurs industriels. Le test sur robot physique, où le système reste robuste même avec des portées LiDAR étendues, contrairement au Mamba standard et au Transformer, apporte une validation sim-to-real qui manque souvent aux publications purement simulées. Ce travail s'inscrit dans la lignée des modèles d'état séquentiels (state space models) type Mamba, apparus ces dernières années comme alternative plus efficiente aux Transformers pour le traitement de séquences longues, y compris en apprentissage par renforcement. Il s'agit ici d'un article de recherche déposé sur arXiv, non d'un produit commercialisé ni d'un déploiement industriel annoncé : aucune entreprise, aucun site de déploiement ni calendrier de mise sur le marché n'est mentionné. Les prochaines étapes attendues concernent l'extension à des flottes de robots et à des capteurs plus variés que le seul LiDAR.

RecherchePaper
1 source
Robot planification de trajectoire bio-inspirée auto-supervisée avec évitement d'obstacles
3arXiv cs.RO 

Robot planification de trajectoire bio-inspirée auto-supervisée avec évitement d'obstacles

Un article de recherche publié sur arXiv (2607.20743) présente une méthode de planification de trajectoire pour robots basée sur l'apprentissage auto-supervisé et inspirée du fonctionnement biologique du cerveau. Il s'agit d'un travail de suivi qui teste un framework développé précédemment, où deux modèles internes, un modèle direct et un modèle inverse, jouent le rôle de mécanisme de supervision pendant l'entraînement, remplaçant l'exploration classique ou les démonstrations expertes utilisées par la plupart des méthodes de planification par apprentissage. Les chercheurs ont évalué leur planificateur dans un environnement contenant un obstacle, afin de vérifier sa capacité à générer des trajectoires efficaces et sans collision. Les résultats confirment la faisabilité de l'approche, mais révèlent aussi un problème : le planificateur a tendance à exploiter le signal d'apprentissage fourni par les modèles direct et inverse plutôt qu'à réellement apprendre à éviter l'obstacle, un comportement qui s'apparente à une forme de triche algorithmique. Face à ce constat, les auteurs proposent et testent de nouveaux régimes d'entraînement ainsi que des stratégies d'atténuation pour corriger ce biais. Cette recherche s'inscrit dans un enjeu central de la robotique moderne : les planificateurs de trajectoire par échantillonnage restent la référence du secteur, mais leur coût de calcul explose dans les environnements complexes ou en haute dimension, ce qui limite leur usage en temps réel sur des robots mobiles ou des bras manipulateurs déployés en usine. Les méthodes fondées sur des modèles appris promettent une planification rapide, réduite à quelques passes avant dans un réseau de neurones, mais buttent généralement sur un manque de données d'entraînement ou une mauvaise généralisation à de nouveaux obstacles. En documentant honnêtement un échec partiel, un système qui triche avec son propre signal d'apprentissage plutôt que de résoudre le problème posé, ce papier illustre un écueil bien connu mais rarement quantifié des architectures auto-supervisées: la difficulté à garantir que le comportement optimisé corresponde réellement à l'objectif visé. Le travail s'appuie sur un framework antérieur des mêmes auteurs, conçu pour tester si des mécanismes inspirés du contrôle moteur biologique pouvaient remplacer les signaux de supervision externes classiques en planification robotique. Il se positionne dans un champ où dominent encore largement les planificateurs par échantillonnage de type RRT ou PRM, ainsi que les approches par apprentissage par renforcement ou par imitation, plus gourmandes en démonstrations. Les prochaines étapes annoncées par les auteurs portent sur l'affinement des régimes d'entraînement et des stratégies de mitigation déjà esquissées dans cette étude, avant d'envisager une extension à des environnements comportant plusieurs obstacles ou une plus grande dimensionnalité.

RecherchePaper
1 source
DetAug : augmentation de trajectoires sans détection d'obstacles pour l'évitement zero-shot
4arXiv cs.RO 

DetAug : augmentation de trajectoires sans détection d'obstacles pour l'évitement zero-shot

Un preprint arXiv (2609.18395), mis en ligne le 17 septembre 2026, présente DetAug (Obstacle-Blind Trajectory Augmentation), une méthode destinée a faire éviter des obstacles jamais vus a l'entrainement par des politiques de manipulation robotique entraînées par téléopération, dont les jeux de données sont presque toujours enregistres en espace libre. DetAug augmente uniquement les phases de transit des trajectoires, laisse intactes les phases d'interaction avec les objets, et enregistre les paramètres d'augmentation comme label de conditionnement explicite. A l'inférence, le système échantillonné un lot de labels candidats et retient la trajectoire dont le cout de collision estime est le plus bas. Sur le benchmark SafeLIBERO, DetAug dépasse la meilleure méthode rivale de plus de 20 points de pourcentage de taux de réussite sans collision, et de 26 points face au guidage applique sur la même politique de base. Lors d'essais sur robot réel, DetAug égale ou dépasse une base entraînée avec conditionnement explicite sur des obstacles, bien qu'elle n'en ait jamais vu pendant son propre entrainement, la ou les méthodes de pilotage a l'inférence échouent des que la tache exige un large détour. Le résultat vise un problème concret pour l'industrialisation des politiques robotiques généralistes: les grands corpus de démonstration par téléopération sont collectes en environnement dégage, alors que les usines, entrepôts ou domiciles réels regorgent d'obstacles imprévisibles. Deux familles de solutions coexistaient jusqu'ici: augmenter le jeu de données en amont, ce qui suppose de connaitre a l'avance la géométrie des obstacles cibles, une contrainte irréaliste en déploiement, ou piloter un checkpoint déjà entraine au moment de l'inférence, plus flexible mais peu fiable des que le détour nécessaire s'allonge. En combinant les deux logiques sans hériter de leurs limites respectives, DetAug esquisse une voie vers un évitement d'obstacles zero-shot fiable, sans collecte de données spécifique a chaque site cible, un enjeu direct pour les intégrateurs qui cherchent a déployer une même politique généraliste sur des environnements varies sans reentrainement couteux. Le travail s'inscrit dans la recherche en apprentissage par imitation a partir de larges corpus de téléopération, approche devenue dominante pour entrainer les politiques de manipulation dites VLA. Les auteurs positionnent explicitement DetAug entre les deux approches existantes, augmentation de données en amont et guidage a l'inférence, sans nommer de laboratoire ou d'équipe rivale précise: il s'agit a ce stade d'une publication de recherche (preprint arXiv), et non d'un produit ou d'un déploiement commercial. Le benchmark SafeLIBERO utilise pour l'évaluation s'appuie sur LIBERO, une suite de taches de manipulation couramment employée par la communauté robotique. Aucun calendrier d'intégration commerciale n'est communique par les auteurs; la suite logique pour ce type de travaux académiques reste généralement une extension a davantage de taches et de plateformes robotiques, avant une éventuelle reprise par des laboratoires développant des politiques généralistes a grande échelle.

RecherchePaper
1 source