Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
HiCrowd : alignement hiérarchique du flux de foule pour les environnements humains denses
RecherchearXiv cs.RO 

HiCrowd : alignement hiérarchique du flux de foule pour les environnements humains denses

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

Des chercheurs ont publié HiCrowd (arXiv:2602.05608, troisième révision), un framework hiérarchique conçu pour permettre aux robots mobiles de naviguer dans des foules piétonnes denses sans se bloquer. L'architecture combine une politique d'apprentissage par renforcement (RL) à haut niveau, qui génère un "follow point" vers un groupe de piétons compatible, et un contrôleur prédictif par modèle (MPC) à bas niveau chargé du suivi sécurisé à horizon court. La méthode a été évaluée en mode offline (rejeu de trajectoires humaines enregistrées) et en mode online (simulation où les piétons réagissent au robot), puis déployée dans un musée public et sur le site de l'Expo 2025 Osaka, sans réentraînement spécifique à ces environnements.

Le résultat central est la réduction substantielle du "freezing robot problem", phénomène où le robot, incapable de trouver un couloir sécurisé, se retrouve immobile au milieu de la foule. Ce blocage est l'un des principaux obstacles au déploiement d'AMR (autonomous mobile robots) en milieu public. HiCrowd surpasse les baselines réactives classiques et les approches purement par apprentissage sur deux métriques clés : efficacité de navigation et sécurité. Le déploiement à l'Expo 2025 Osaka sans réentraînement apporte un argument de robustesse sim-to-real qui mérite d'être noté, même si les auteurs ne publient pas de métriques quantitatives de terrain. La contribution conceptuelle est un changement de paradigme : traiter les piétons comme un flux à aligner plutôt que comme des obstacles dynamiques à esquiver ouvre une voie différente des approches ORCA ou CADRL dominantes.

La navigation sociale robotique est un domaine compétitif depuis une décennie, avec des méthodes allant de Dynamic Window Approach aux réseaux de graphes attentionnels (SARL, CrowdNav) et aux approches POMDP. HiCrowd se positionne dans la lignée des hybrides RL+MPC, qui cherchent à concilier la prise de décision à long terme et la sécurité temps-réel. Le code et les démonstrations sont disponibles sur GitHub. La v3 de l'article suggère une soumission en cours vers une conférence de robotique majeure (ICRA ou IROS). Les prochaines étapes naturelles seraient une validation sur des robots commerciaux (Boston Dynamics Spot, Clearpath) et des métriques de confort social mesurées auprès des piétons réels.

Dans nos dossiers

Boston DynamicsAMR & automatisation d'entrepôtarXiv cs.RO

À lire aussi

Algorithme de planification hiérarchique de trajectoire de couverture pour environnements inconnus
1arXiv cs.RO 

Algorithme de planification hiérarchique de trajectoire de couverture pour environnements inconnus

Des chercheurs présentent dans un preprint publié sur arXiv (arXiv:2609.12595v1) un algorithme de planification de trajectoire de couverture en ligne, conçu pour des robots évoluant dans des environnements totalement inconnus au départ. Le principe repose sur une décomposition progressive : à mesure que le robot avance et découvre des obstacles, la zone à couvrir est découpée en sous-zones disjointes, organisées dans un arbre de décomposition construit de façon incrémentale qui conserve les relations hiérarchiques parent-enfant entre ces sous-zones. Un planificateur global maintient et met à jour en continu un itinéraire de couverture, en priorisant les nouvelles sous-zones enfants selon leur état d'exploration et leur distance au robot, tandis qu'un planificateur local génère les mouvements de couverture à l'intérieur de chaque sous-zone sélectionnée, ce qui permet à la trajectoire de s'adapter au fur et à mesure que l'environnement se révèle. La méthode a été évaluée uniquement en simulation haute-fidélité, sur des scénarios complexes, et comparée à trois algorithmes de référence existants. Les auteurs rapportent une meilleure efficacité de couverture, mesurée par la longueur du trajet parcouru et le taux de recouvrement (overlap ratio) des zones déjà balayées. Pour l'industrie robotique, ce type d'algorithme cible un problème très concret : les robots de nettoyage industriel, de tonte, d'inspection ou agricoles doivent balayer l'intégralité d'une surface plutôt que simplement relier un point A à un point B, et la carte des lieux n'est souvent pas connue à l'avance ou évolue (mobilier déplacé, obstacles temporaires, chantiers). Les approches classiques de coverage path planning supposent généralement une carte déjà connue et calculent un plan hors ligne ; ce travail s'inscrit dans la lignée plus exigeante des méthodes en ligne, qui composent avec une incertitude croissante sur la géométrie de l'espace. Réduire le recouvrement et la longueur de trajet a un impact direct sur l'autonomie énergétique et le temps de cycle des AMR déployés en usine, en entrepôt ou en extérieur. Ceci dit, il s'agit à ce stade d'un résultat purement académique, validé en simulation face à des baselines choisies par les auteurs, et non d'un système testé sur robot physique ni déployé en conditions réelles : l'écart classique entre démonstration simulée et robustesse terrain reste entier. Le papier ne mentionne aucune affiliation industrielle, aucun partenaire de déploiement ni aucun robot commercial précis, ce qui en fait une contribution méthodologique plutôt qu'une annonce produit. Le champ de la planification de couverture en environnement inconnu reste actif depuis plusieurs années, avec des approches concurrentes basées sur la décomposition cellulaire, les grilles d'occupation ou des heuristiques gloutonnes, que les auteurs utilisent justement comme points de comparaison. Publié comme preprint de type "new" sur arXiv, donc non encore revu par les pairs, ce travail ouvre la voie à des tests sur robot physique et dans des environnements réels plus variés, étape nécessaire avant toute adoption par des intégrateurs ou fournisseurs de robots mobiles autonomes.

RecherchePaper
1 source
Planification hiérarchique et contrôle des systèmes véhicule-manipulateur sous-marins en environnements confinés
2arXiv cs.RO 

Planification hiérarchique et contrôle des systèmes véhicule-manipulateur sous-marins en environnements confinés

Un article publié le 11 août 2026 sur arXiv (référence 2608.08871v1) présente MANTA, un cadre hiérarchique en trois couches pour la planification et le contrôle de systèmes véhicule-manipulateur sous-marins (UVMS) dans des environnements confinés et partiellement connus, comme des grottes, tubes ou structures subsea encombrées. La première couche identifie des corridors de passage praticables dans un espace de base réduit ; la deuxième optimise conjointement le mouvement du véhicule porteur et la trajectoire du bras pour produire une trajectoire combinée sans collision ; la troisième apprend, via l'algorithme MC-PILCO d'apprentissage par renforcement basé sur un modèle à processus gaussien, une politique de maintien de position pour le suivi de trajectoire et le maintien au poste. Le système détecte les changements de carte en cours d'exécution et déclenche une reprise ou une réparation d'itinéraire si le corridor choisi devient infaisable. Sur 120 requêtes de planification appariées, MANTA obtient un taux de réussite supérieur aux méthodes de référence par échantillonnage à état complet, avec des marges de dégagement plus larges, un mouvement de bras réduit, et des erreurs de suivi de position et de lacet plus faibles, y compris sur des trajectoires tubulaires inédites. Ce résultat s'attaque à un verrou concret de l'intervention sous-marine autonome : coupler la navigabilité d'un espace étroit à la faisabilité de manipulation, deux contraintes que les planificateurs existants traitent généralement de façon séparée. Pour les intégrateurs de robotique subsea, chargés d'inspection de pipelines ou de cartographie de grottes noyées, l'intérêt tient surtout à la frugalité en données réelles du module d'apprentissage, capable de produire une politique de contrôle robuste avec peu d'essais physiques, un atout décisif quand chaque test en mer est coûteux et risqué. Les comparaisons publiées portent toutefois sur des méthodes de planification académiques et des essais en environnement contrôlé, pas sur un produit commercial ni un déploiement en mer ouverte. Le travail s'inscrit dans la recherche en planification hiérarchique pour UVMS, un domaine où le couplage entre navigation confinée et manipulation limite depuis longtemps l'autonomie réelle des robots face aux grottes noyées ou aux conduites industrielles. La publication ne mentionne ni partenaire industriel, ni site de déploiement, ni acteur commercial concurrent : il s'agit d'une contribution académique en prépublication, sans calendrier de test en conditions réelles annoncé. Les auteurs présentent MANTA comme une base structurée et économe en données pour de futurs travaux sur l'intervention sous-marine sécurisée dans des environnements confinés et encombrés.

RecherchePaper
1 source
HiPAN : navigation hiérarchique adaptative à la posture pour robots quadrupèdes en environnements 3D non structurés
3arXiv cs.RO 

HiPAN : navigation hiérarchique adaptative à la posture pour robots quadrupèdes en environnements 3D non structurés

Des chercheurs proposent HiPAN (Hierarchical Posture-Adaptive Navigation), un framework de navigation pour robots quadrupèdes en environnements tridimensionnels non structurés, publié en préprint sur arXiv en avril 2026 (arXiv:2604.26504). L'architecture est hiérarchique : une politique de haut niveau génère des commandes de navigation (vitesse planaire et posture du corps), exécutées par un contrôleur de locomotion adaptatif de bas niveau. Le système opère directement sur des images de profondeur embarquées, sans pipeline de cartographie-planification préalable. Pour contrer les comportements myopes et étendre l'horizon de navigation, les auteurs introduisent le Path-Guided Curriculum Learning, qui entraîne progressivement la politique de l'évitement réactif jusqu'à la navigation stratégique longue distance. Les expériences couvrent simulations et environnements réels, incluant passages étroits et espaces à faible hauteur libre. Les résultats affichent des taux de réussite et une efficacité de trajectoire supérieurs aux planificateurs réactifs classiques et aux baselines end-to-end. L'intérêt pratique est double : le système tourne sur des plateformes à ressources contraintes, rendant la navigation autonome accessible sans GPU dédié sur des quadrupèdes comme l'Unitree B2 ou l'ANYmal C d'ANYbotics ; l'adaptation dynamique de posture ouvre par ailleurs des cas d'usage concrets en inspection industrielle, gestion de sinistres et exploration de bâtiments dégradés. L'approche contourne l'accumulation d'erreurs de perception inhérente aux pipelines SLAM-planification, un point de friction persistant dans les déploiements réels de quadrupèdes autonomes. La navigation sans carte dans des espaces tridimensionnels contraints reste l'un des verrous majeurs du secteur. Les approches dominantes s'appuient sur SLAM (simultaneous localization and mapping) couplé à un planificateur de trajectoire, au prix d'une latence élevée et d'une sensibilité aux erreurs cumulées. HiPAN s'inscrit dans un courant de recherche qui substitue des politiques apprises par renforcement hiérarchique à ces pipelines, en parallèle de travaux issus du groupe Hutter à ETH Zurich (ANYbotics) ou des laboratoires de locomotion de Carnegie Mellon et UC Berkeley. Il s'agit d'un préprint non encore soumis à peer review, sans partenaire industriel ni calendrier de déploiement annoncé. La prochaine étape critique sera de valider la robustesse hors distribution sur terrains déformables et face à des obstructions dynamiques, conditions que les benchmarks en simulation ne couvrent qu'imparfaitement.

RecherchePaper
1 source
FADA : adaptation de domaine few-shot par alignement des dynamiques pour le contrôle humanoïde
4arXiv cs.RO 

FADA : adaptation de domaine few-shot par alignement des dynamiques pour le contrôle humanoïde

Des chercheurs du LECAR Lab (Learning, Computing and Autonomous Robots) ont publié le 30 juin 2026 sur arXiv (référence 2506.28476) un préprint décrivant FADA, un cadre d'adaptation en quelques exemples pour le contrôle de robots humanoïdes. L'architecture, baptisée Planner-IDM (Planner, Inverse Dynamics Model), fonctionne en trois étapes : entraînement d'une politique oracle avec accès à des informations privilégiées (état complet du simulateur), distillation de ce comportement dans un modèle étudiant déployable via DAgger, puis fine-tuning ciblé du seul module IDM à partir d'environ deux minutes de données collectées dans l'environnement réel. La supervision ne requiert ni démonstrations expertes ni signal de récompense : uniquement les paires (actions, observations) enregistrées lors de ces brefs rollouts. Les expériences montrent que FADA surpasse les baselines d'adaptation in-context et d'adaptation end-to-end sur des tâches whole-body à haute précision exécutées sur robot physique. L'enjeu pratique est réel : le "dynamics mismatch", écart entre les dynamiques simulées et celles du domaine cible dues aux variations de terrain, de charge utile ou de réponse actionneur, reste l'un des principaux freins au déploiement industriel des humanoïdes. Les approches actuelles forcent un compromis inconfortable entre la randomisation de domaine (zero-shot, mais sous-spécialisée) et le recalibrage complet du modèle ou le ré-entraînement de politique (précis, mais coûteux en données et en temps). Deux minutes de rollouts pour aligner un IDM représentent un point d'équilibre opérationnellement crédible pour des intégrateurs qui ne peuvent pas interrompre une ligne de production plusieurs heures. Cela dit, les vidéos hardware présentées sur le site du projet sont sélectionnées par les auteurs ; aucune évaluation statistique robuste sur variété de terrains ou charges n'est encore disponible dans ce préprint non relu par les pairs. Le sim-to-real gap est un problème structurel que l'ensemble de l'écosystème humanoïde, Figure (02/03), Tesla Optimus, Boston Dynamics Atlas, Physical Intelligence (pi-zero), tente de résoudre, principalement par randomisation massive en simulation ou par apprentissage en contexte (in-context RL). FADA s'inscrit dans une troisième voie, plus proche des travaux sur l'adaptation rapide de politiques (MAML, RMA) mais appliquée à l'architecture Planner-IDM. Le LECAR Lab, affilié à l'Université de Californie San Diego, capitalise ici sur des travaux antérieurs en locomotion et manipulation whole-body. Prochaine étape attendue : validation sur une plus large variété de dynamiques et de morphologies robotiques, ainsi qu'une soumission à conférence (ICRA ou CoRL) pour passer le filtre de la revue par les pairs.

RecherchePaper
1 source