ActiveVital : surveillance des signes vitaux…

1arXiv cs.RO

VLESA : un agent de sécurité incarnée vision-langage pour la surveillance des activités humaines

Des chercheurs ont publié sur arXiv (preprint 2606.03954, juin 2026) VLESA, un cadre de supervision de la sécurité humaine fondé sur la vision et le langage. Le système analyse des flux vidéo égocentrés (caméra portée à la première personne) pour prédire en temps réel si une action humaine imminente présente un risque, et déclenche une intervention avant que le danger se matérialise. Le coeur technique repose sur deux composants : un agent de prédiction d'intention-action qui infère conjointement l'objectif de l'opérateur et ses prochains gestes à partir de la vidéo, et un Q-filter de sécurité conditionné par l'objectif, entraîné via GRPO (Group Relative Policy Optimization). Ce filtre évalue la dangerosité d'une action en fonction du but inféré, sans nécessiter de ré-entraînement. Sur le benchmark ASIMOV-2.0, VLESA surpasse les baselines en précision d'intervention à la frame exacte, et le Q-filter GRPO améliore la sécurité des actions de plus de 41 points de pourcentage via un décodage contraint conditionné à l'intention. Le code est disponible publiquement sur GitHub. L'apport conceptuel central est la notion de "sécurité dépendante de l'intention" : une action physiquement identique peut être sûre ou dangereuse selon le contexte opérationnel. Saisir un couteau pour couper des légumes n'est pas la même chose que le saisir après un conflit verbal. Les approches classiques de détection d'anomalies ignorent cette ambiguïté et génèrent trop de faux positifs pour être industrialisables. En décomposant le problème en inférence d'intention puis évaluation de risque conditionnel, VLESA propose une architecture plus proche des besoins réels de la cobotique, des environnements de soin à domicile assisté, ou de la surveillance d'opérateurs en milieu industriel. Le gain de 41 points sur ASIMOV-2.0 est significatif si les conditions du benchmark reflètent la diversité du terrain, ce que la nature sélective d'un preprint ne permet pas encore de confirmer. Ce travail s'inscrit dans un champ en forte expansion, celui de la sécurité des systèmes embarqués et des agents physiques autonomes, porté par la montée des VLA (Vision-Language-Action models) comme pi-0 de Physical Intelligence ou GR00T N2 de NVIDIA. L'approche VLESA se distingue en ciblant non pas le robot mais l'humain en interaction avec son environnement, positionnement plus proche des travaux en human activity recognition que de la robotique pure. Les acteurs établis du monitoring de sécurité industrielle (Pilz, Sick, Keyence côté capteurs) n'ont pas encore intégré de couche sémantique de ce niveau. Aucun déploiement pilote n'est annoncé dans l'article : il s'agit d'une contribution académique, avec dataset et code partagés, dont la trajectoire vers l'industrialisation dépendra de la robustesse des résultats sur des scénarios hors benchmark et de validations en conditions réelles.

UELes acteurs européens de la sécurité industrielle (Pilz, Sick) n'ayant pas encore intégré de couche sémantique de ce niveau, VLESA ouvre une piste concrète pour la cobotique et le monitoring d'opérateurs, applicable dans le cadre de mise en conformité avec la directive machines révisée.

RecherchePaper

1 source

2arXiv cs.RO

MVG-WAM : modélisation monde-action intégrant la géométrie multi-vues pour la manipulation robotique

Des chercheurs publient MVG-WAM (Multi-View Geometry-Aware World-Action Model), un modèle monde-action pour la manipulation robotique, décrit dans le preprint arXiv 2609.37793. Il repose sur un modèle vidéo pré-entraîné qui prédit à la fois la dynamique visuelle et les actions. Le modèle atteint 99,1 % de réussite moyenne sur LIBERO et 92,07 % sur RoboTwin 2.0. En conditions réelles, il obtient 91,3 % de succès sur 150 essais répartis sur trois tâches, avec la plateforme bimanuelle Cobot Magic. Le résumé ne détaille ni les tâches, ni le nombre d'essais par tâche, ni la comparaison avec des modèles concurrents. Il ne s'agit ni d'un produit ni d'un déploiement, mais d'un résultat de recherche. Les World-Action Models (WAM) exploitent les connaissances visuelles des modèles vidéo pour piloter des bras robotiques. Leur point faible est l'interface multi-caméras. Les images synchronisées sont en général juxtaposées en mosaïque, ou leurs tokens sont concaténés. Les relations géométriques entre caméras restent donc implicites, ce qui complique le lien entre le contexte global de la scène et la géométrie locale nécessaire au contact. MVG-WAM traite les vues comme des projections d'un même monde physique. Il combine un état global contraint par la géométrie épipolaire avec des états géométriques propres à chaque vue. Un routage sensible aux caméras fournit à chaque région vidéo son contexte géométrique et l'état global partagé. Le modèle est aussi ancré à l'échelle métrique par une supervision de profondeur future à plusieurs horizons, sans décodage de profondeur pendant l'exécution des actions. Le coût d'inférence n'augmente donc pas. Ces résultats situent MVG-WAM dans la course aux politiques généralistes issues de modèles vidéo, face aux VLA (vision-langage-action) comme Pi-0 ou GR00T. Il faut relativiser les scores. LIBERO est quasi saturé, avec des performances proches de 99 % pour plusieurs méthodes, et il discrimine donc peu. RoboTwin 2.0 est un benchmark de simulation bimanuelle plus exigeant. Le test réel de 150 essais reste modeste, sur un seul robot, et sans détail sur les conditions ni les échecs. L'écart entre benchmark et terrain n'est donc pas mesuré. Pour les intégrateurs, l'intérêt est ailleurs. Les configurations multi-caméras sont la norme en atelier, et une représentation qui exploite explicitement la calibration pourrait améliorer la précision sans capteurs supplémentaires. Reste à savoir si le gain se confirme sur des scènes non vues et des cadences industrielles. Ce travail prolonge la vague des modèles monde-action, qui greffent la prédiction vidéo sur le contrôle robotique, en parallèle des VLA fondés sur des modèles vision-langage. Ces deux approches se disputent la position de fondation pour la manipulation. Le preprint n'annonce ni code, ni calendrier, ni pilote industriel, et n'a pas été relu par des pairs. La suite logique serait une évaluation sur d'autres plateformes, des tâches plus longues et des comparaisons directes avec les VLA et WAM de référence.

RecherchePaper

1 source

3arXiv cs.RO

DSGN : un réseau à double flux et à portes pour une surveillance et un confinement simultanés à grande échelle

Des chercheurs proposent DSGN (Dual-Stream Gated Network), une architecture de réseau de neurones pour le problème dit de « surveillance et confinement simultanés » (SSC) en robotique multi-agents, décrite dans un preprint arXiv (2610.34084) accompagné d'un code source publié sur GitHub. Le scénario type est une patrouille de périmètre ou une surveillance environnementale: les robots doivent d'abord quadriller une zone, puis se coordonner pour encercler les cibles dès qu'elles sont détectées. L'approche remplace les règles de commutation écrites à la main par une politique apprise par renforcement profond (DRL). Elle sépare deux flux de représentation, l'un pour la surveillance, l'autre pour le confinement, qu'une porte contextuelle (gating) pondère selon la situation. Un a priori probabiliste régularise cette porte afin d'éviter les décisions intermédiaires ambiguës. Les évaluations portent sur des configurations à densité constante et à échelles croissantes, ainsi que sur des tests d'ablation et des tests par phase. Le résumé ne donne aucun chiffre: ni taille de flotte, ni taux de réussite, ni comparaison quantifiée. L'intérêt est surtout méthodologique. Surveiller demande de disperser les robots, confiner exige au contraire de les rassembler autour de la cible. Les heuristiques de bascule entre ces deux modes deviennent instables quand le nombre d'agents augmente, car les relations entre robots et entre robots et cibles se multiplient. Les politiques apprises à flux unique mélangent des signaux opposés dans un même espace de caractéristiques, ce qui dégrade les transitions de tâche. DSGN suggère qu'une séparation structurelle des représentations, plus un arbitrage appris, peut mieux passer à l'échelle qu'une politique monolithique. Pour un intégrateur ou un décideur B2B, il faut toutefois rester prudent. Le résultat reste académique, probablement obtenu en simulation, sans validation sur matériel annoncée. Les cas «à densité constante» sont plus favorables que de vrais environnements encombrés, et l'absence de métriques dans le résumé interdit de juger l'ampleur du gain. Ce travail s'inscrit dans la lignée des méthodes d'apprentissage multi-agents pour la couverture de zone, la poursuite-évasion et l'encerclement coopératif, domaines où les approches à commutation heuristique ou à architecture partagée peinent face à la montée en échelle. Les concurrents sont donc des méthodes DRL à flux unique et des heuristiques classiques, plutôt que des produits commerciaux: aucune entreprise, aucun pilote ni calendrier de déploiement n'est mentionné. La publication du code permettra une reproduction indépendante, étape décisive pour confirmer les performances annoncées. Les prochaines étapes naturelles seraient des essais avec des flottes physiques, des cibles adverses ou mobiles, des communications dégradées et des tests sur de plus grandes populations de robots, conditions seules capables de dire si ce mécanisme de porte tient hors du simulateur.

RecherchePaper

1 source

4arXiv cs.RO

Apprentissage actif de l'accessibilité pour la surveillance de la récupérabilité des robots humanoïdes

Des chercheurs proposent sur arXiv une méthode pour surveiller en temps réel si un humanoïde peut encore se rattraper avant une chute, et déclencher à temps une politique de repli (fallback). Le problème est formulé comme l'apprentissage de l'enveloppe de récupérabilité, stochastique et à horizon fini, d'une politique de repli donnée. Cette enveloppe regroupe les états depuis lesquels le robot évite encore la chute. La méthode alterne apprentissage de la fonction de valeur et exploration active. L'exploration est traitée comme un problème « reach-avoid » : un explorateur guidé par l'incertitude cherche les états jamais vus tout en évitant les zones déjà jugées irrécupérables avec confiance. L'apprentissage combine une cible Temporal Difference et une cible Monte Carlo, pour des prédictions fiables dans la distribution d'entraînement et une estimation d'incertitude exploitable. Les zones restées très incertaines sont traitées comme irrécupérables. Les tests couvrent des benchmarks stochastiques et un Unitree G1 à 29 degrés de liberté, avec un transfert zéro-shot vers le matériel réel. L'enjeu touche au déploiement. Un moniteur qui valide à tort un état hors distribution est plus dangereux qu'un moniteur conservateur : il laisse le robot poursuivre sa tâche au moment où il aurait fallu replier. En choisissant le pessimisme sur l'inconnu, les auteurs s'attaquent à ce mode de défaillance, qui pèse sur la certification et l'assurabilité des humanoïdes en environnement partagé. Le transfert sans réglage sur robot réel est un point encourageant, mais l'abstract ne donne aucun chiffre de gain, seulement une amélioration « drastique » de la couverture et de la précision selon les auteurs. Ces affirmations restent à vérifier dans le texte complet : taux de fausses alarmes, latence du moniteur, variété des perturbations testées. Ce travail s'inscrit dans la lignée des méthodes d'atteignabilité et de sécurité apprise, dont la limite connue est la couverture des données pour les systèmes riches en contacts. Il s'agit d'une publication académique sur une plateforme de recherche répandue, le G1. Aucun industriel n'annonce d'intégration ni de calendrier. Les acteurs qui poussent des humanoïdes vers des pilotes commerciaux, comme Figure, Agility ou Tesla, devront démontrer des garanties de ce type. Leur absence de la littérature publique laisse supposer des solutions propriétaires. La suite logique serait de tester l'approche sur des tâches de manipulation et des morphologies variées.

RecherchePaper

1 source

ActiveVital : surveillance des signes vitaux intégrant la géométrie corporelle pour robots de soins à domicile

À lire aussi

VLESA : un agent de sécurité incarnée vision-langage pour la surveillance des activités humaines

MVG-WAM : modélisation monde-action intégrant la géométrie multi-vues pour la manipulation robotique

DSGN : un réseau à double flux et à portes pour une surveillance et un confinement simultanés à grande échelle

Apprentissage actif de l'accessibilité pour la surveillance de la récupérabilité des robots humanoïdes