Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
LiftNav : planification de trajectoire par élévation sémantique dans un Gaussian Splatting guidé par TSDF
RecherchearXiv cs.RO 

LiftNav : planification de trajectoire par élévation sémantique dans un Gaussian Splatting guidé par TSDF

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

Une équipe de chercheurs a publié LiftNav sur arXiv (référence 2605.31376), un système de planification de trajectoires pour robots autonomes en environnements intérieurs inconnus. Le système repose sur une carte duale combinant TSDF (Truncated Signed Distance Function, représentation géométrique précise pour l'évitement d'obstacles) et Gaussian Splatting (GS, méthode de rendu à base de primitives gaussiennes 3D), en s'appuyant sur l'architecture GSFusion comme fondation. À cette base hybride s'ajoutent, en temps réel, une détection d'objets par YOLO, un mécanisme de "lifting" 3D ancré dans le TSDF pour projeter les détections sémantiques dans l'espace volumique, et une optimisation de trajectoire par splines B. Pour améliorer fluidité et sécurité, les auteurs introduisent une pénalité de collision basée sur la hinge loss. Évalué en simulation sur le dataset Replica (environnements intérieurs synthétiques de haute fidélité de Meta), LiftNav atteint un taux de faisabilité de 100% et génère des trajectoires plus courtes qu'un système de référence basé sur les champs de radiance neuraux.

Ce résultat s'attaque à un compromis fondamental de la navigation robotique : les représentations classiques comme le TSDF garantissent la sécurité géométrique mais sont aveugles sémantiquement, tandis que les méthodes photorréalistes de type Gaussian Splatting offrent une compréhension visuelle riche mais présentent des géométries floues peu fiables pour l'évitement de collision. LiftNav propose de réconcilier les deux sans recourir à des embeddings 3D denses, souvent coûteux en mémoire et en calcul, ce qui constitue l'argument différenciant central. Pour les intégrateurs robotique, c'est une architecture susceptible de réduire la complexité de déploiement de robots de service dans des espaces non structurés. Il convient toutefois de souligner que ces performances sont mesurées exclusivement en simulation, sans aucune validation sur robot physique rapportée dans cette publication.

LiftNav s'inscrit dans une dynamique de recherche active autour de la navigation sémantique : des travaux comme ConceptFusion ou LERF intègrent des embeddings de type CLIP dans des NeRF ou des GS, mais au prix d'une empreinte computationnelle élevée. L'approche par lifting TSDF retenue ici est plus légère, au potentiel détriment d'une richesse sémantique fine. Les concurrents directs incluent les pipelines combinant SLAM 3D avec des couches de détection dense comme Mask3D, ainsi que les systèmes NeRF-Nav. La prochaine étape naturelle serait une validation sur plateforme physique pour quantifier le gap sim-to-real, point clé que les auteurs ne mentionnent pas dans cet abstract.

Dans nos dossiers

arXiv cs.RO

À lire aussi

Planification de trajectoire sans données de trajectoire : une approche guidée par les variétés
1arXiv cs.RO 

Planification de trajectoire sans données de trajectoire : une approche guidée par les variétés

Une équipe de chercheurs propose Ariadne, une méthode de planification de trajectoire qui se passe entièrement de données de trajectoires d'experts. L'approche habituelle consiste à entraîner un modèle génératif sur de grandes collections de trajectoires, puis à lui demander, à l'inférence, de produire un chemin exécutable à partir des contraintes de la tâche (point de départ, objectif). Ariadne apprend à la place la variété (manifold) sous-jacente de l'espace d'états, puis construit les trajectoires en exploitant la géométrie de cette variété. L'entraînement ne requiert que des observations d'états, sans séquences d'actions ni chemins complets. Les expériences portent sur Maze2D et sur des benchmarks de planification de mouvement robotique. Selon les auteurs, Ariadne produit des chemins faisables à partir d'une supervision limitée aux états et généralise à des paires départ-objectif jamais vues. Sur une tâche de planification à deux bras en haute dimension, la méthode reste "compétitive" face à des approches supervisées par trajectoires et à des planificateurs classiques, sans aucune donnée de trajectoire. Le résumé ne donne aucun chiffre précis (taux de réussite, temps de calcul, nombre de DOF). L'enjeu est d'abord économique. Les méthodes génératives par trajectoires dépendent d'une supervision coûteuse : il faut collecter ou synthétiser des démonstrations expertes, ce qui pèse sur le passage à l'échelle. Les auteurs soulignent aussi deux faiblesses connues de ces méthodes : elles se dégradent avec la longueur des séquences et généralisent mal aux contraintes nouvelles, comme un couple départ-objectif absent des données d'entraînement. Si le résultat tient, il réduirait la dépendance à des jeux de démonstrations propriétaires, un goulot d'étranglement pour les intégrateurs qui veulent adapter un planificateur à une nouvelle cellule robotisée. À nuancer : "compétitif" n'est pas "supérieur", et la plupart des évaluations se font en simulation. Maze2D est un banc d'essai de faible dimension, et la tâche à deux bras n'est décrite que de façon qualitative. Les performances en temps de calcul, face à des planificateurs par échantillonnage éprouvés, restent à établir. La robustesse face à des obstacles dynamiques ou à du bruit de perception n'est pas non plus documentée. Ce travail s'inscrit dans un débat plus large sur le coût des données en robotique. D'un côté, les approches par diffusion et les politiques apprises à partir de démonstrations (imitation learning) ont fait progresser la planification et la manipulation. De l'autre, les planificateurs classiques à base d'échantillonnage, de type RRT ou PRM, n'ont besoin d'aucune donnée mais peinent en haute dimension et dans les espaces contraints. Ariadne se place entre les deux : un apprentissage non supervisé de la géométrie de l'espace d'états, suivi d'une planification qui exploite cette structure. Le papier, publié sur arXiv (2610.08863, version 1), n'annonce ni code ni déploiement industriel. Les prochaines étapes à surveiller sont la validation sur robot réel, des comparaisons chiffrées sur des bras à 7 DOF ou plus, et le test sur des scènes encombrées avec des contraintes de collision changeantes.

UEPas d\'impact direct sur la France/UE

RecherchePaper
1 source
2DGS-Planner : planification de trajectoire par rasterisation dans une carte en éclaboussures gaussiennes 2D
2arXiv cs.RO 

2DGS-Planner : planification de trajectoire par rasterisation dans une carte en éclaboussures gaussiennes 2D

Des chercheurs proposent 2DGS-Planner, un planificateur de trajectoire pour robots terrestres qui travaille directement sur une carte en 2D Gaussian Splatting (2DGS), une représentation de scène composée de disques gaussiens que l'on peut rendre très rapidement par rastérisation. Le papier, publié sur arXiv (2610.11752), part d'un constat : les primitives gaussiennes sont optimisées conjointement par rendu en composition alpha, à partir d'un nombre fini de vues de reconstruction. Une primitive isolée ne correspond donc pas forcément à un obstacle réel. Plutôt que de traiter chaque gaussienne comme un obstacle, le système interroge la carte par rastérisation. Hors ligne, une attribution multi-vues convertit la dispersion des normales rendues en scores structurels pour les disques « non-sol » étayés par les vues de reconstruction. Ces scores guident un échantillonnage adaptatif des nœuds sur le sol. Des requêtes orthographiques alignées sur le chemin valident les arêtes candidates, et des requêtes cylindriques estiment des champs de dégagement local, mis en cache sur chaque arête. En ligne, une recherche dans le graphe initialise l'itinéraire, puis un raffinement réutilise ces champs en tenant compte des dimensions du robot et des contraintes du sol. Les auteurs annoncent une meilleure connectivité de la feuille de route, une estimation plus précise du dégagement et un taux de réussite de planification plus élevé que les références testées. Le code et les données sont publiés sur le site du projet. L'intérêt tient au fait qu'il s'agit d'un travail de recherche et non d'un produit : aucun déploiement, aucun chiffre de payload ou de temps de cycle n'est annoncé, et les gains ne sont quantifiés que par rapport à des baselines choisies par les auteurs, dont l'abstract ne donne pas le détail. Il traite pourtant un vrai point de friction. Les cartes gaussiennes produisent des rendus photoréalistes, mais les exploiter pour la navigation est délicat, car la géométrie est un sous-produit de l'optimisation visuelle. Des primitives « flottantes » ou mal placées peuvent créer de faux obstacles ou en masquer de vrais. En faisant de la rastérisation l'interface de requête géométrique, l'approche évite de convertir la carte en grille d'occupation ou en nuage de points, et réutilise le moteur de rendu déjà nécessaire à la reconstruction. Pour un intégrateur, cela suggère qu'une même carte pourrait servir à la fois à la visualisation, à la localisation et à la planification. Reste à vérifier la robustesse en environnement dynamique, car la méthode repose sur une carte reconstruite hors ligne. Le travail s'inscrit dans la vague des méthodes de navigation fondées sur le Gaussian Splatting, issues du 3DGS puis du 2DGS, ce dernier offrant des surfaces mieux définies grâce à ses disques orientés. Les planificateurs concurrents s'appuient plutôt sur des champs de distance signés, des grilles d'occupation (type OctoMap) ou des NeRF, souvent plus lourds à interroger. La restriction aux robots terrestres, avec une hypothèse de sol explicite, limite pour l'instant la portée : drones et humanoïdes en sont exclus. Les prochaines étapes probables sont des tests en conditions réelles, l'intégration d'une mise à jour incrémentale de la carte, et une comparaison sur des benchmarks partagés avec les autres planificateurs basés sur le splatting.

UEPas d\'impact direct sur la France/UE

RecherchePaper
1 source
SPARC : planification de trajectoire spatiale par communication robotique attentive
3arXiv cs.RO 

SPARC : planification de trajectoire spatiale par communication robotique attentive

Une équipe de chercheurs a publié sur arXiv (référence 2603.02845v3) SPARC, un système de planification de trajectoires pour flottes de robots autonomes décentralisées, centré sur un nouveau mécanisme de communication baptisé RMHA (Relation enhanced Multi Head Attention). Le constat de départ est précis : dans les approches d'apprentissage multi-agents existantes, chaque robot traite les messages de ses voisins de manière uniforme, sans tenir compte de leur distance réelle. En environnement dense, cette indifférence spatiale dilue l'attention là où la coordination est justement la plus critique. RMHA intègre directement les distances de Manhattan par paires dans le calcul des poids d'attention, permettant à chaque robot de prioriser dynamiquement les messages des voisins les plus proches. Ce mécanisme est couplé à un masque d'attention contraint par distance et à une fusion de messages par réseau GRU (Gated Recurrent Unit), le tout entraîné en bout en bout via MAPPO, un algorithme d'apprentissage par renforcement multi-agents. Sur des grilles de 40x40 cases avec 30 % de densité d'obstacles, SPARC atteint environ 75 % de taux de succès, surpassant la meilleure méthode de référence de plus de 25 points de pourcentage. Le résultat le plus structurant est la généralisation zéro-shot : le système est entraîné sur des scénarios à 8 robots et testé directement sur des configurations à 128 robots, sans ré-entraînement. Cette capacité de mise à l'échelle sans supervision supplémentaire est un verrou majeur pour les déploiements industriels réels, notamment en logistique entrepôt où les flottes AMR peuvent dépasser plusieurs dizaines d'unités. Les ablations confirment que l'encodage de la relation de distance est le facteur déterminant du gain de performance en haute densité, ce qui valide l'hypothèse que le biais spatial manquait aux architectures à attention standard appliquées à la coordination robotique. MRPP est un champ de recherche actif depuis une décennie, avec des approches classiques comme CBS (Conflict-Based Search) et des variantes apprises reposant sur QPLEX, MAPPO ou des graph neural networks. SPARC s'inscrit dans la lignée des travaux combinant attention multi-têtes et apprentissage multi-agents coopératif, en corrigeant un angle mort de conception commun à la majorité de ces systèmes. Il n'y a pas, à ce stade, de déploiement annoncé ni de partenariat industriel mentionné : il s'agit d'une contribution de recherche académique. Les prochaines étapes attendues dans ce domaine incluent la validation sur environnements physiques réels et l'extension à des grilles de plus grande dimension, deux conditions nécessaires avant toute intégration dans des systèmes AMR commerciaux.

RecherchePaper
1 source
Un système de planification garantit que la trajectoire de vol d'un robot restera sans collision
4MIT News Robotics 

Un système de planification garantit que la trajectoire de vol d'un robot restera sans collision

Des chercheurs du MIT ont mis au point SANDO (Safe AutoNomous trajectory planning for Dynamic unknOwn environments), un planificateur de trajectoire pour drones (UAV) qui calcule des vols dont l'absence de collision est prouvée mathématiquement, y compris dans un environnement inconnu, sans carte préalable, avec des obstacles mobiles aux mouvements imprévisibles. Les travaux, publiés dans IEEE Transactions on Robotics, sont signés de Kota Kondo (SM 2023, doctorat 2026, auteur principal), Jesús Tordesillas (désormais professeur assistant à l'université pontificale Comillas de Madrid), Juan Rached, Lili Sun, Yixuan Jia, et de Jonathan P. How, professeur au MIT et responsable de l'Aerospace Controls Laboratory. Le système construit d'abord un « couloir de sécurité » : une suite de régions 3D connectées, garanties sans obstacle. Contrairement aux approches classiques, ce couloir tient compte du temps. Un module dédié détecte, regroupe et suit les obstacles dynamiques pour estimer leurs positions futures possibles. La seule donnée que le planificateur doit recevoir est la vitesse maximale que les obstacles peuvent atteindre. Le texte source étant tronqué, les détails de la méthode au-delà de cette étape et les résultats expérimentaux (vols réels, taux de succès, temps de calcul) ne sont pas connus ici. L'enjeu est la nature de la garantie. La plupart des planificateurs existants n'offrent une sécurité formelle que si l'environnement est statique ou si les obstacles sont connus à l'avance. Pour les obstacles mobiles, ils se contentent en général de les éviter « au mieux », sans preuve. Or énumérer tous les scénarios de collision possibles dans un environnement dynamique prend trop de temps pour un usage embarqué. SANDO déplace donc le problème : au lieu de prédire les trajectoires, il raisonne sur l'enveloppe de ce qui est physiquement atteignable, d'où l'unique hypothèse de vitesse maximale. Pour un intégrateur ou un décideur B2B, c'est un argument de certification potentiel dans les missions à haut risque : recherche et secours dans des bâtiments effondrés ou des feux de forêt, exploration de mines, livraison en zone dense, notamment de matériel médical. Une réserve s'impose : une preuve formelle vaut sous ses hypothèses (capteurs fiables, borne de vitesse correcte, dynamique du drone respectée), et l'écart entre garantie théorique et robustesse en conditions réelles reste à documenter. Il s'agit aussi d'un résultat académique, pas d'un produit livré ni d'un déploiement. Ce travail s'inscrit dans la lignée de l'Aerospace Controls Laboratory du MIT, historiquement actif sur la planification de trajectoires pour drones, et prolonge des recherches antérieures de Tordesillas, docteur du MIT en 2022, sur l'évitement d'obstacles. Il se positionne face à deux familles de méthodes : les planificateurs pour environnements statiques inconnus, et ceux qui gèrent le dynamique sans garantie formelle. Aucun calendrier de pilote, partenaire industriel ni commercialisation n'est mentionné dans la partie disponible. La suite logique sera de voir la méthode confrontée à des essais en conditions sévères (fumée, débris, vent) et intégrée à des piles de navigation existantes, ainsi que la manière dont elle s'accommode du bruit de perception, point faible habituel des garanties formelles.

UEPas d\'impact direct sur la France/UE

RecherchePaper
1 source