Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
Détection dynamique d'objets et suivi sur chantiers : un modèle de fusion caméra fisheye et LiDAR
RecherchearXiv cs.RO 

Détection dynamique d'objets et suivi sur chantiers : un modèle de fusion caméra fisheye et LiDAR

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

Des chercheurs présentent, dans une prépublication arXiv (2607.06896v1), une nouvelle méthode de fusion de capteurs pour détecter et suivre des objets mobiles sur les chantiers de construction. Le système équipe un robot quadrupède d'un LiDAR et d'une caméra fisheye orientée vers le haut, combinés en temps réel. Après avoir identifié les objets en mouvement dans un nuage de points recalé (registered point cloud) issu du LiDAR, la méthode projette leurs coordonnées 3D sur un panorama cylindrique 2D, ce qui permet de leur attribuer une étiquette sémantique en les recoupant avec les détections d'image en temps réel. Ces informations alimentent ensuite la mise à jour d'observation d'un filtre de Kalman, chargé du suivi proprement dit. Les auteurs revendiquent une précision élevée, une architecture simple et une robustesse particulière lorsque des objets basculent entre état statique et état dynamique, un cas généralement délicat à gérer.

L'enjeu dépasse la seule prouesse technique : sur un chantier, un robot doit distinguer en permanence ce qui bouge (ouvriers, engins, matériaux déplacés) de ce qui reste fixe, sous peine de collisions ou de fausses alertes. La plupart des approches actuelles de vision 3D s'appuient sur des réseaux de neurones pré-entraînés et nécessitent un post-traitement lourd pour isoler les objets mobiles, ce qui pèse sur la latence et la fiabilité en environnement non structuré. En misant sur la fusion LiDAR/caméra plutôt que sur la seule vision par apprentissage profond, les auteurs proposent une alternative plus légère et potentiellement plus robuste pour les intégrateurs de robotique mobile en environnement industriel.

Le travail s'inscrit dans la lignée des recherches en SLAM et grilles d'occupation pour la navigation robotique en environnement dynamique, domaine où les chantiers de BTP constituent un cas d'usage particulièrement exigeant en raison du désordre visuel et de la présence humaine constante. Aucun déploiement industriel n'est mentionné à ce stade : il s'agit d'une validation méthodologique en amont d'une éventuelle intégration sur des plateformes commerciales de robots quadrupèdes utilisés pour l'inspection de chantiers.

Dans nos dossiers

arXiv cs.RO

À lire aussi

IA physique : modèle du monde 3D fondé sur les principes physiques pour la manipulation d'objets dynamiques (PhysMani)
1arXiv cs.RO 

IA physique : modèle du monde 3D fondé sur les principes physiques pour la manipulation d'objets dynamiques (PhysMani)

Des chercheurs présentent PhysMani, un framework qui couple un modèle du monde en Gaussiennes 3D fondé sur la physique avec un modèle de politique d'action anticipatif, pour la manipulation d'objets rapides et dynamiques en environnement 3D non structuré. Le modèle du monde apprend un champ de vitesse gaussien à divergence nulle par optimisation en ligne, ce qui permet une prédiction rapide et physiquement cohérente de la dynamique future de la scène. Le modèle de politique intègre ensuite ces prédictions via un module d'attention croisée à base de tokens appris. Les auteurs introduisent également PhysMani-Bench, un nouveau benchmark de manipulation dynamique composé de 16 tâches, et rapportent un taux de réussite supérieur à des baselines solides, aussi bien en simulation que lors d'expériences avec un robot réel. Le papier, publié sur arXiv (2607.01938), ne précise ni la plateforme robotique utilisée ni de métriques chiffrées exactes (taux de réussite, temps de cycle, charge utile), ce qui en fait à ce stade une contribution de recherche plutôt qu'un produit ou un déploiement commercial. Pour l'industrie robotique, ce travail s'attaque à un point faible connu des modèles vision-langage-action (VLA) et des world models existants: leur difficulté à représenter une géométrie 3D précise et à anticiper une dynamique physiquement plausible pour des objets en mouvement rapide. La manipulation de cibles dynamiques, objets qui tombent, glissent ou sont lancés, reste l'un des angles morts des démonstrations actuelles de bras robotiques et d'humanoïdes, la plupart des systèmes généralistes étant surtout validés sur de la manipulation quasi statique. Si les résultats de PhysMani se confirment au-delà du cadre académique, cela ouvrirait une piste pour réduire l'écart entre démonstration en laboratoire et usage réel en logistique ou en industrie, où la prise d'objets en mouvement est fréquente sur convoyeur ou en tri à cadence élevée. Mais tant que l'étude reste limitée à un benchmark maison et sans comparaison indépendante, il s'agit d'une preuve de concept à confirmer, pas d'une solution prête à intégrer. Ce travail s'inscrit dans la lignée des world models 3D construits sur des représentations en Gaussiennes, une technique héritée du rendu de scènes et de plus en plus utilisée en robotique pour modéliser des environnements denses. Ces approches se positionnent face aux modèles VLA de bout en bout entraînés sur de larges corpus de démonstrations, popularisés par des acteurs comme Physical Intelligence avec Pi-0 ou NVIDIA avec GR00T N2, ainsi qu'aux world models déjà exploités par d'autres équipes de recherche en manipulation. Aucun partenaire industriel ni acteur français ou européen n'est mentionné dans l'abstract. La suite logique pour les auteurs serait d'étendre le benchmark, de tester la méthode sur des plateformes robotiques variées, et de la comparer directement aux VLA généralistes pour situer PhysMani face aux solutions déjà commercialisées.

RechercheOpinion
1 source
HAIC : contrôle agile d'interaction humanoïde avec les objets via un modèle du monde intégrant la dynamique
2arXiv cs.RO 

HAIC : contrôle agile d'interaction humanoïde avec les objets via un modèle du monde intégrant la dynamique

Des chercheurs ont publié sur arXiv (référence 2602.11758v2) un framework baptisé HAIC, Humanoid Agile Object Interaction Control, destiné à doter les robots humanoïdes d'une capacité de manipulation d'objets à dynamique indépendante, sans recours à des capteurs externes d'état. Le système repose sur un prédicteur de dynamique qui estime la vitesse et l'accélération d'un objet en contact uniquement à partir de l'historique proprioceptif du robot, c'est-à-dire ses propres données articulaires, sans caméra ni lidar dédié à l'objet. Ces estimations sont projetées sur des priors géométriques statiques pour générer une carte d'occupation dynamique spatialement ancrée, permettant au contrôleur d'inférer les limites de collision et les affordances de contact même dans les zones de l'espace occultées. Les tâches validées expérimentalement sur robot humanoïde incluent le skateboard, la poussée et traction de chariot sous charges variables, et le transport d'un carton sur terrain irrégulier avec plusieurs objets en interaction simultanée. L'apport industriel de HAIC est de combler un angle mort structurel de la robotique humanoïde actuelle : la quasi-totalité des méthodes d'interaction humain-objet (HOI) supposent que l'objet est rigidement couplé au robot et entièrement actionné. Cette hypothèse exclut les objets sous-actionnés à dynamique propre, roues, chariots, caisses sur sol glissant, qui sont précisément les objets courants en entrepôt logistique ou en atelier industriel. En gérant les forces de couplage et les perturbations inertielles de façon proactive, HAIC réduit la dépendance aux capteurs périphériques coûteux et améliore la robustesse aux variations de charge. Le mécanisme d'apprentissage asymétrique (asymmetric fine-tuning), où le world model s'adapte en continu à la politique apprise, adresse directement le problème de distribution shift, un point de fragilité classique des pipelines sim-to-real. La publication s'inscrit dans une course ouverte autour du contrôle whole-body pour humanoïdes, dominée par des approches VLA (Vision-Language-Action) comme pi0 de Physical Intelligence, GR00T N2 de NVIDIA, ou les travaux internes de Figure AI et Agility Robotics. HAIC se distingue en privilégiant une architecture model-based compacte plutôt qu'un grand modèle fondation, un choix de conception qui favorise la latence basse et l'embarquabilité. Le papier ne mentionne pas de partenaire industriel ni de timeline de déploiement ; il reste à ce stade une démonstration en laboratoire sur humanoïde non nommé, sans benchmark standardisé externe, ce qui rend la comparaison directe avec d'autres systèmes difficile à établir.

RechercheActu
1 source
EffiNav : fusion de la profondeur et du modèle vision-langage pour une navigation efficace vers des objets
3arXiv cs.RO 

EffiNav : fusion de la profondeur et du modèle vision-langage pour une navigation efficace vers des objets

Une équipe de chercheurs a publié EffiNav, un framework de navigation robotique orientée-objet (Object Goal Navigation, ObjNav) qui fusionne perception de profondeur et modèles vision-langage pour améliorer l'efficacité des trajectoires d'exploration en environnement inconnu. La contribution, déposée en preprint sur arXiv (2606.18634) en juin 2026, évalue le système sur deux simulateurs de référence du domaine, HM3D (Habitat Matterport 3D) et OVON (Open-Vocabulary Object goal Navigation), puis le valide sur robots physiques en conditions réelles. Les auteurs l'étendent également à GOAT-BENCH, un benchmark de navigation avec mémoire augmentée, pour démontrer la généralisation du framework au-delà du protocole ObjNav standard. Sur les deux métriques habituelles du domaine, taux de succès (SR) et succès pondéré par longueur de chemin (SPL), EffiNav égale ou dépasse les baselines récentes, sans que le preprint ne communique de valeurs numériques absolues permettant une comparaison chiffrée directe. L'apport principal porte moins sur le taux de réussite brut que sur le SPL, qui pénalise les trajets inutilement longs. C'est précisément là que les approches actuelles divergent : les modèles entraînés end-to-end, y compris certains VLA (Vision-Language-Action), peinent à généraliser à de nouveaux environnements, tandis que les frameworks modulaires sans apprentissage accumulent des allers-retours redondants et revisitent des zones déjà explorées. EffiNav prétend adresser ces deux pathologies simultanément en combinant une estimation de la profondeur pour la représentation géométrique de l'espace et un modèle vision-langage pour l'interprétation sémantique. Pour les intégrateurs de robots de service ou les décideurs B2B, l'efficacité de trajectoire est directement liée au temps disponible pour les tâches secondaires, donc à la rentabilité opérationnelle d'un déploiement en entrepôt ou en environnement indoor. Le champ ObjNav s'est structuré autour de l'écosystème Habitat de Meta AI Research, qui fournit les simulateurs HM3D et OVON utilisés ici. Les approches concurrentes incluent des pipelines modulaires à cartographie explicite comme SemExp ou OpenFMNav, et des VLA appliqués à la navigation. EffiNav se positionne comme un framework hybride ne nécessitant ni encodeurs supplémentaires lourds ni réentraînement complet par domaine. Aucune timeline commerciale ni partenariat industriel n'est mentionné dans le preprint ; la prochaine étape naturelle serait une validation sur des plateformes AMR variées pour confirmer le transfert sim-to-real sur des morphologies autres que celles testées.

RecherchePaper
1 source
4arXiv cs.RO 

KineFuse : fusion haptique consciente de la cinématique pour le suivi de pose d'objets occlus en main

Des chercheurs ont publié cette semaine sur arXiv un travail intitulé KineFuse, consacré au suivi de pose 6D d'objets manipulés en main par des robots dextres. Le problème posé est concret : lorsqu'une main multi-doigts saisit un objet, les doigts eux-mêmes masquent partiellement ou totalement l'objet à la caméra, rendant le suivi visuel peu fiable. Les auteurs proposent un encodeur "kinematic-aware" au niveau de chaque doigt, qui combine les signaux haptiques déjà disponibles sur les mains robotiques (proprioception, force/couple proximal, contact binaire) avec un tracker visuel pré-entraîné. Cette architecture a été comparée à quatre designs alternatifs sur trois niveaux d'évaluation : affinage image par image, suivi séquentiel en boucle ouverte, et manipulation en boucle fermée. Résultat marquant : l'évaluation image par image ne permet pas de distinguer la qualité des encodeurs, alors que le suivi séquentiel amplifie les écarts de performance jusqu'à un facteur 15. La tokenisation compacte à 4 jetons par doigt surpasse à la fois la fusion "à plat" et les représentations par articulation, ces dernières écrasant le signal visuel par dominance de norme. L'apport le plus notable tient à ce que l'encodeur apprend de lui-même, sans supervision explicite, une forme de porte de fusion spécifique à la tâche : il s'appuie exclusivement sur la vision pour estimer la translation de l'objet, et dédie une tête d'attention aux données haptiques pour la rotation. Pour les intégrateurs travaillant sur la manipulation dextre, c'est une piste concrète pour réduire la dépendance à une vision toujours disponible, un angle mort classique des démonstrations en environnement contrôlé face aux conditions réelles d'usine ou d'entrepôt. Les auteurs valident d'ailleurs que ce suivi amélioré se traduit par un meilleur taux de succès sur une tâche de réorientation d'objet en main. Le travail s'inscrit dans la lignée des recherches sur la fusion tactile-visuelle pour la manipulation robotique, un axe actif face aux limites connues des trackers purement visuels en environnement occlus. Les auteurs fournissent des démonstrations qualitatives en conditions réelles et mettent à disposition une page projet (cold-young.github.io/kine-fuse) pour approfondir la méthode, sans toutefois annoncer de déploiement industriel ni de calendrier de transfert au-delà du cadre expérimental.

RecherchePaper
1 source