RecherchearXiv cs.RO 29 juin 2026

Localisation robotique de sources radioactives guidée par la physique, trajectoires arbitraires en milieu non structuré

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs ont publié le 27 juin 2026 un framework d'automatisation pour la localisation robotisée de sources radioactives (RSL, Radiation Source Localization) reposant sur un modèle d'apprentissage automatique informé par la physique (PIML, Physics-Informed Machine Learning). La contribution centrale est de permettre l'estimation précise de la position d'une source de rayonnement gamma quelle que soit la trajectoire parcourue par le robot, sans obligation de s'approcher de la source. Le système s'appuie sur des tenseurs modèles inspirés de la physique pour traiter les signaux de flux gamma atténués par des obstacles inconnus, et calcule plusieurs modèles en parallèle pour améliorer la robustesse et la précision de la localisation. La validation a été conduite en simulation haute-fidélité via transport de particules Monte Carlo, sur des domaines randomisés variant en échelle spatiale, type de source, matériaux et géométries d'obstacles, et trajectoires robot, puis confirmée par des expériences physiques sur des configurations hors simulation. Un mécanisme d'apprentissage continu (continuous learning) est appliqué lors du déploiement sur robot réel pour renforcer l'applicabilité opérationnelle du système en ligne.

Ce résultat est significatif pour deux raisons distinctes. Premièrement, il découple la localisation radiologique de la contrainte de chemin : les méthodes existantes imposaient un algorithme de planification dédié à la RSL, typiquement en approchant la source, ce qui augmentait l'exposition du robot et limitait la flexibilité des missions. Ce framework s'intègre à n'importe quelle trajectoire, libérant les opérateurs pour des missions mixtes (cartographie, inspection, RSL simultanés). Deuxièmement, il franchit un seuil conceptuel identifié par les auteurs eux-mêmes : passer de la détection de flux ponctuelle à une "intelligence spatiale", c'est-à-dire une représentation probabiliste de l'environnement radioactif plutôt qu'une simple mesure locale.

Les méthodes concurrentes en RSL robotisé s'appuient majoritairement sur des approches bayésiennes ou de gradient de flux qui nécessitent une stratégie de déplacement active vers la source, rendant difficile leur déploiement dans des environnements non structurés comme les sites de démantèlement nucléaire (Chernobyl, Fukushima, centrales en fin de vie) ou les interventions d'urgence radiologique. Aucun acteur industriel européen ou français n'est mentionné dans cette publication académique, mais les cas d'usage visés correspondent directement aux besoins d'opérateurs comme EDF ou CEA dans le cadre du démantèlement du parc nucléaire français. Les prochaines étapes probables incluent l'extension à des sources multiples et des environnements 3D complexes, ainsi qu'une intégration dans des stacks ROS pour faciliter le transfert industriel.

Impact France/UE

EDF et le CEA sont des bénéficiaires directs potentiels : ce framework pourrait accélérer et sécuriser les missions de démantèlement radiologique sur le parc nucléaire français en fin de vie, en s'affranchissant des contraintes de trajectoire imposées par les méthodes actuelles.

À lire aussi

1arXiv cs.RO

Apprentissage automatique de programme d'entraînement au niveau des trajectoires pour la locomotion de robots à pattes sur terrain non structuré

Des chercheurs ont mis en ligne le 18 août 2026 un article sur arXiv (référence 2608.16164, soumission croisée) présentant une méthode d'apprentissage par curriculum automatique au niveau des trajectoires pour entraîner des politiques de locomotion de robots à pattes sur terrain non structuré. Contrairement aux approches existantes, qui imposent des curriculums heuristiques sur des terrains paramétrés artificiellement (pentes, marches ou obstacles générés selon des règles fixes), la méthode génère directement les tâches d'entraînement à partir de cartes de terrain réel non structuré. Le système fonctionne en boucle fermée avec deux composants: un évaluateur qui apprend, à chaque mise à jour du curriculum, une fonction de difficulté associant à une trajectoire donnée un score adapté au niveau actuel de la politique, et un échantillonneur qui propose de nouvelles trajectoires guidées par cet évaluateur pour l'entraînement suivant. Les auteurs rapportent un gain de 56,3% du taux de réussite des trajectoires par rapport à un entraînement sans curriculum, de 18,5% par rapport à un curriculum conçu manuellement sur les terrains les plus difficiles, et jusqu'à 39,74% lorsque le robot doit franchir un même obstacle depuis des directions d'approche variées. Le problème visé, la conception du curriculum d'entraînement, reste un goulot d'étranglement concret pour les équipes qui développent des robots à pattes destinés à des environnements réels non standardisés: chantiers, sites logistiques extérieurs, interventions post-catastrophe. Les curriculums heuristiques actuels risquent de faire surapprendre les politiques sur des motifs perceptifs quasi fixes, ce qui limite leur généralisation une fois confrontées à un terrain véritablement irrégulier. En automatisant la génération de trajectoires au bon niveau de difficulté et en la faisant évoluer avec la politique, cette approche réduit potentiellement le travail d'ingénierie manuelle et améliore la robustesse hors distribution, un enjeu central pour tout intégrateur cherchant à passer de la démonstration en simulation à un déploiement fiable. L'article s'inscrit dans la lignée des travaux sur l'apprentissage par curriculum en apprentissage par renforcement, technique connue pour éviter les échecs d'exploration précoce lors de l'entraînement de politiques complexes. Aucun nom d'entreprise, de laboratoire ni de plateforme robotique spécifique n'apparaît dans le résumé, et les résultats communiqués semblent reposer sur des expériences quantitatives et qualitatives sans précision explicite d'un déploiement sur matériel réel, ce qui invite à la prudence avant d'extrapoler ces gains à des conditions de terrain hors simulation.

RecherchePaper

1 source

2arXiv cs.RO

GIFT : entraînement guidé de caractéristiques intermédiaires par supervision structurelle orientée action pour la manipulation robotique

Une équipe de recherche publiant sous le nom OpenPhoenix a mis en ligne sur arXiv, en septembre 2026 (référence 2609.04193v1), un article décrivant GIFT (Guided Intermediate Feature Training), une méthode d'entraînement pour les politiques robotiques de manipulation fondées sur les modèles vision-langage-action (VLA) et les modèles monde-action (World-Action Model, WAM). Le travail cible ce que les auteurs appellent le "fossé de suffisance d'action" : les objectifs classiques de pré-entraînement vision-langage et de prédiction du monde capturent une richesse visuelle qui n'est pas toujours utile au contrôle moteur. GIFT impose trois contraintes structurelles pendant l'entraînement : alignement géométrique pour la faisabilité du mouvement, prédiction d'affordance pour repérer les entités pertinentes à l'instruction, et reconstruction de la région-objectif pour ancrer l'instruction dans la zone de la tâche. La méthode a été testée sur trois architectures, une politique VLA, un WAM à action directe et un WAM à dynamique inverse, et évaluée en transfert zéro-shot sur les bancs d'essai de simulation LIBERO-Plus et RoboCasa. Sur LIBERO-Plus, les variantes GIFT atteignent 79,6%, 72,6% et 87,8% de taux de réussite, soit des gains de 4,6, 12,6 et 5,2 points par rapport aux modèles de référence StarVLA-OFT et Fast-WAM. Sur RoboCasa, les scores montent à 61,4%, 83,6% et 82,3%, avec des gains de 12,6, 9,0 et 8,4 points respectivement. Il s'agit d'une contribution académique et non d'un produit commercial ou d'un déploiement industriel : aucun robot physique commercialisé n'est associé à cette publication, et les chiffres proviennent de bancs d'essai de simulation utilisés par la communauté recherche en manipulation robotique. Leur intérêt pour les intégrateurs et les équipes R&D tient à la méthode elle-même : GIFT montre qu'imposer une structure fonctionnelle explicite aux caractéristiques intermédiaires d'un modèle, plutôt que de laisser le seul pré-entraînement vision-langage dicter la représentation, améliore la généralisation sous perturbations visuelles et spatiales inédites, avec des gains particulièrement marqués sur les tâches d'objets articulés et la manipulation de précision. Ce résultat pèse dans le débat sur la solidité réelle des architectures VLA à grande échelle : il suggère que le simple passage à l'échelle du pré-entraînement ne suffit pas à combler l'écart entre démonstration et robustesse réelle, et qu'une supervision structurée reste nécessaire quel que soit le formalisme d'action retenu par le modèle. Le papier s'inscrit dans une vague de recherche visant à combler l'écart entre les démonstrations spectaculaires de robots pilotés par des modèles de fondation et leur fiabilité en conditions réelles, un chantier où s'affrontent notamment Pi-0 de Physical Intelligence, GR00T N2 de NVIDIA ou Helix de Figure AI, tous conçus pour généraliser des compétences de manipulation à partir de données multimodales. GIFT se positionne comme une couche d'entraînement complémentaire plutôt que comme un modèle concurrent, puisqu'il s'applique par-dessus des architectures existantes sans modifier leur formalisme d'action natif. L'article ne mentionne ni partenaire industriel ni calendrier de déploiement ; les auteurs renvoient vers une page de projet dédiée pour le code et les détails techniques, ce qui situe la publication au stade recherche, en amont de toute intégration en environnement industriel.

RechercheActu

1 source

3arXiv cs.RO

TRACE : optimisation ergodique de trajectoire pour la reconstruction active de scène

Des chercheurs du Spike Lab de l'université Johns Hopkins publient sur arXiv (arXiv:2608.02304v1) TRACE, un système de planification de trajectoire pour la reconstruction active de scènes en 3D par Gaussian splatting. Le constat de départ : les systèmes existants sélectionnent leur prochaine vue caméra au coup par coup, selon le principe du « next-best-view » (NBV), puis relient chaque vue choisie par une planification de chemin à courte portée. Cette approche ignore la structure globale de l'information disponible sur la scène et produit des trajectoires inefficaces, où le capteur perd du temps de déplacement entre les points de vue retenus. TRACE reformule le problème comme une couverture ergodique : la statistique spatiale moyennée dans le temps de la trajectoire du capteur doit correspondre à une distribution cible d'information, calculée en continu à partir de l'incertitude et de la visibilité de la carte en cours de construction. Le calcul des trajectoires repose sur un planificateur à horizon dit « kernel-ergodique », combinant flux de gradient et déplétion d'empreinte, ce qui boucle directement cartographie et optimisation de trajectoire. Sur le jeu de données Replica, TRACE améliore le PSNR de 1,5 dB par rapport aux méthodes NBV de référence ; le code est publié sur GitHub (spikelab-jhu/trace-active-reconstruction). Ce résultat s'attaque à un angle mort classique de la cartographie active en robotique : la plupart des pipelines (drones d'inspection, robots mobiles équipés de caméras, capture pour jumeaux numériques) traitent la sélection de vue et la planification de chemin comme deux problèmes séparés résolus l'un après l'autre, ce qui sacrifie l'efficacité globale de la mission à des décisions locales optimales à chaque étape. En unifiant les deux dans un seul problème de couverture ergodique, TRACE ouvre une piste pour réduire le temps de vol ou de déplacement nécessaire pour atteindre une qualité de reconstruction donnée, un paramètre critique pour l'autonomie énergétique d'un drone ou le temps d'immobilisation d'un site industriel en cours de numérisation. Le gain de 1,5 dB reste toutefois mesuré sur un seul jeu de données (Replica, surtout des scènes intérieures synthétiques) face à un nombre limité de baselines NBV : la généralisation à des environnements réels, bruités et à grande échelle n'est pas encore démontrée. Le travail s'inscrit dans la lignée des méthodes de prochaine meilleure vue, d'abord développées pour la cartographie robotique puis adaptées aux représentations neuronales de scène, NeRF d'abord, Gaussian splatting depuis 2023, qui ont remis le placement de caméra au centre du problème puisque la qualité de reconstruction dépend directement de la couverture obtenue. L'approche ergodique elle-même n'est pas neuve en robotique, elle a déjà servi à la recherche et à la surveillance distribuée, mais son couplage direct avec une carte Gaussian-splatting incertaine constitue l'apport revendiqué ici. Publié comme un article de recherche pur, sans annonce produit ni partenaire industriel cité, TRACE appelle désormais des tests sur robots réels et des comparaisons avec d'autres planificateurs actifs récents ; le code ouvert sur GitHub devrait faciliter une réplication rapide par la communauté.

RecherchePaper

1 source

4arXiv cs.RO

Transfert de trajectoires humain-robot centré sur la main à partir de vidéos via localisation de contacts en monde ouvert

Des chercheurs ont publié sur arXiv (arXiv:2606.10743, juin 2026) HOWTransfer, un cadre algorithmique centré sur la main pour transférer des démonstrations humaines filmées en trajectoires exécutables par un bras robotique. Le système fonctionne en trois étapes : reconstruction 3D temporellement cohérente du mouvement du poignet humain, localisation automatique des intervalles de contact main-objet à partir de cues visuels d'interaction, puis génération d'hypothèses de saisie en pince parallèle (parallel-jaw grasp) propagées le long de la trajectoire du poignet. Une phase finale d'édition raffine l'alignement de contact et produit plusieurs variantes exécutables depuis une seule vidéo de démonstration. Sur un ensemble de tâches de manipulation variées, le système atteint 86 % de taux de succès et est préféré aux trajectoires téléopérées dans une étude comparative en aveugle. Ce résultat mérite attention parce qu'il attaque directement le goulot d'étranglement principal du learning from demonstration (LfD) : collecter suffisamment de données de qualité. La téléopération reste coûteuse, lente et non scalable en industrie ; si un système peut extraire des trajectoires robotes directement depuis des vidéos de travailleurs humains filmés sur une chaîne d'assemblage ou en entrepôt, le coût d'entrée pour déployer de la manipulation apprise s'effondre. Fait notable : HOWTransfer ne s'appuie pas sur des descripteurs d'objets prédéfinis ni sur un tracking d'état explicite, ce qui le rend potentiellement généraliste sur des objets non vus. Le 86 % de succès annoncé est encourageant, mais les conditions expérimentales exactes (diversité des objets, profondeur de la caméra, nombre de tâches, robot cible) ne sont pas précisées dans le résumé, ce qui justifie une lecture du papier complet avant toute intégration industrielle. Le transfert de démonstration humaine vers robot via vidéo est un domaine en pleine effervescence depuis 2022-2023, porté par des travaux comme DROID, RoboAgent ou les approches VLA (Vision-Language-Action) de Google DeepMind et Physical Intelligence (Pi-0). HOWTransfer se distingue en adoptant une approche sans modèle de langage ni segmentation objet, ce qui le rend plus léger mais aussi plus fragile sur les scènes encombrées. Aucune affiliation industrielle ni partenariat de déploiement n'est mentionné : il s'agit pour l'instant d'un preprint académique, pas d'un produit. Les prochaines étapes naturelles seraient une validation sur des robots commerciaux (Franka, UR, ou humanoïdes comme Figure 03 ou Unitree G1) et une évaluation sur des benchmarks standardisés comme RLBench ou LIBERO pour situer la performance par rapport à l'état de l'art.

RecherchePaper

1 source