RecherchearXiv cs.RO 15 juillet 2026

Amélioration des performances des nano-drones autonomes via l'optimisation et le déploiement automatisés de bout en bout de réseaux de neurones profonds

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs ont publié une méthodologie complète d'optimisation et de déploiement automatisé pour PULP-Dronet, un réseau de neurones convolutif (CNN) de référence pour la navigation autonome de nano-drones, embarqué sur un Crazyflie 2.1 équipé d'un système-sur-puce multicœur ultra-basse consommation (ULP) servant d'ordinateur de mission. Par rapport à la version originale conçue manuellement, le CNN optimisé obtient une empreinte mémoire divisée par deux et un temps d'inférence 1,6 fois plus rapide, tout en conservant la même précision de prédiction. En vol réel, les gains se traduisent concrètement : évitement d'obstacles avec une vitesse de freinage record de 1,65 m/s et un meilleur ratio vitesse/distance de freinage, vol libre en environnement connu jusqu'à 1,96 m/s contre seulement 0,5 m/s pour la version de référence, et suivi de trajectoire incluant un virage à 90 degrés. L'ensemble du calcul embarqué consomme moins de 1,6 % du budget énergétique du drone.

Pour les intégrateurs et ingénieurs travaillant sur des plateformes robotiques miniatures, ce résultat répond à un point de friction connu du secteur : le déploiement de CNN de vision sur nano-UAV reposait jusqu'ici sur des flux de développement itératifs, manuels et sujets aux erreurs, faute d'outils automatisés adaptés aux contraintes mémoire et calcul extrêmes de plateformes sub-10 cm. En démontrant qu'un pipeline d'optimisation end-to-end peut à la fois réduire les ressources nécessaires et améliorer les performances de vol mesurées (et non de simples métriques de laboratoire), les auteurs comblent une partie de l'écart habituel entre démonstration et comportement réel en conditions de vol.

Le travail s'inscrit dans la lignée de PULP-Dronet, projet de recherche sur l'informatique embarquée ultra-basse consommation appliquée aux drones autonomes, et cible spécifiquement le Crazyflie 2.1, plateforme open-hardware largement utilisée dans la recherche académique en robotique aérienne miniature. Les auteurs publient l'intégralité de la chaîne logicielle en open source, sous forme de projet prêt à l'emploi compatible avec le Crazyflie 2.1, ouvrant la voie à une adoption directe par d'autres équipes de recherche travaillant sur les capteurs intelligents ubiquitaires et les nano-robots d'assistance de nouvelle génération.

Impact France/UE

Ce travail s'appuie sur PULP-Dronet, initiative de recherche européenne (ETH Zurich/Suisse et Bologne/Italie), et sur le Crazyflie 2.1, plateforme open-hardware suédoise (Bitcraze), renforçant l'écosystème européen de recherche en nano-drones autonomes et calcul embarque ultra-basse consommation.

À lire aussi

1arXiv cs.RO

Co-conception des réseaux neuronal et musculaire via une représentation en perceptron incarné

Des chercheurs publient sur arXiv (arXiv:2608.16555v1, mis en ligne le 18 août 2026) un article intitulé "Co-design of Neural and Muscle Network based on Embodied Perceptron Representation", qui introduit un cadre théorique baptisé Embodied Perceptron. L'idée consiste à modéliser le corps physique d'un robot comme un perceptron : les paramètres mécaniques jouent le rôle des poids synaptiques, et les non-linéarités physiques (élasticité, frottements, contraintes articulaires) celui des fonctions d'activation. Appliqué à un robot musculosquelettique, ce cadre permet de co-optimiser simultanément la configuration des muscles et la politique de contrôle neuronal. Résultat marquant : le système obtenu affiche une stabilité intrinsèque, une meilleure efficacité d'apprentissage, et une réduction drastique de la taille du modèle de contrôle, jusqu'à fonctionner avec un contrôleur à un seul neurone. L'article ne cite aucun robot commercial, aucun site de déploiement ni volume de production : il s'agit d'une contribution théorique et expérimentale de laboratoire. Cette approche s'inscrit dans le courant de la robotique incarnée et de la computation morphologique, qui postule que le corps peut assumer une partie du travail normalement dévolu au réseau de contrôle. Pour les concepteurs de robots à actionnement musculaire ou souple, la promesse est double : réduire la charge de calcul embarquée et améliorer la robustesse aux perturbations, sans dépendre uniquement de politiques massives type VLA entraînées sur d'énormes volumes de données. Le résultat va à contre-courant de l'hypothèse dominante selon laquelle la performance repose avant tout sur la taille du réseau de contrôle : ici, un design mécanique bien choisi suffit à produire une intelligence incarnée avec un contrôleur minimal. La validation reste toutefois limitée à un seul type de robot, sans comparaison chiffrée face aux architectures de contrôle établies ni test sur des tâches industrielles réelles. Le travail s'appuie sur des recherches antérieures en robotique incarnée montrant que des corps bien conçus peuvent remplacer une partie du calcul grâce aux interactions physique-environnement, une conception qui reposait jusqu'ici surtout sur l'intuition d'experts plutôt que sur une méthode systématique. Les auteurs présentent l'Embodied Perceptron comme un pont théorique entre le monde informationnel des réseaux de neurones et le monde physique des systèmes mécaniques, avec l'ambition de fournir une méthode reproductible de co-conception corps-contrôleur, potentiellement transposable à des exosquelettes ou à des mains robotiques compliantes. L'article ne précise ni laboratoire d'origine ni calendrier de suite, et aucun acteur commercial de l'humanoïde, de l'AMR ou de la robotique molle n'y figure comme partenaire ou concurrent : il s'agit pour l'instant d'une publication de recherche fondamentale destinée à la communauté académique.

RecherchePaper

1 source

2arXiv cs.RO

Automatisation en temps réel de la perception RGB-D pour marteaux-piqueurs autonomes en mine : autofiltrage, segmentation des roches et génération de poses de fragmentation

Les chercheurs à l'origine de ce papier arXiv (référence 2607.20748v1) présentent un système de perception en temps réel destiné à automatiser les brise-roches hydrauliques utilisés en exploitation minière, notamment lors des opérations de réduction secondaire souterraine. Aujourd'hui, ces machines sont pilotées à distance par téléopération, ce qui limite fortement la cadence de travail. Le pipeline proposé combine une caméra RGB-D, de la segmentation d'instance par image et un traitement géométrique de nuage de points pour générer simultanément des poses de frappe faisables mécaniquement et une reconstruction 3D de l'espace de travail débarrassée du bras robotique lui-même, une étape nécessaire pour que le système ne confonde pas sa propre structure avec les roches à fragmenter. L'ensemble tourne sur du matériel embarqué à environ 10 Hz, pour une latence totale d'environ 675 millisecondes, un niveau de réactivité jugé compatible avec un asservissement en boucle fermée. Les tests ont été menés sur un scénario réduit à l'échelle, reproduisant les conditions typiques d'un chantier souterrain. Pour le secteur minier, cette publication illustre une tendance de fond: l'automatisation progressive d'équipements lourds historiquement pilotés à la main, un segment resté en retrait par rapport à l'automatisation des véhicules de transport minier (camions autonomes) déjà répandue chez les grands opérateurs. Contrairement à des annonces marketing sur des robots humanoïdes en usine, il s'agit ici d'un travail de recherche mesuré et transparent sur ses limites: le prototype n'a été validé qu'en environnement réduit et contrôlé, pas sur un chantier minier réel, ce qui laisse ouvert l'écart classique entre démonstration en laboratoire et déploiement industriel. Le contexte est celui d'une industrie minière cherchant à réduire l'exposition des opérateurs aux zones dangereuses et à améliorer la productivité des opérations de dégagement de blocs rocheux surdimensionnés, un goulot d'étranglement récurrent après les tirs de mine. Les auteurs ne mentionnent pas de partenariat industriel ni de calendrier de commercialisation; la suite logique évoquée par ce type de travaux académiques est généralement un passage à l'échelle réelle et une validation en conditions souterraines effectives, étapes qui restent à venir.

RecherchePaper

1 source

3arXiv cs.RO

Un cadre de conception conjointe pour le saut haute performance d'un monopode à cinq barres avec optimisation des actionneurs

Des chercheurs présentent un nouveau cadre de co-conception pour optimiser les performances de saut d'un monopode à cinq barres, un mécanisme planaire à chaîne fermée équipé d'une seule jambe. Contrairement aux approches classiques qui se limitent aux dimensions des liaisons et aux ratios de transmission, cette méthode optimise conjointement la géométrie mécanique, les paramètres moteur et réducteur, ainsi que les paramètres de contrôle. Le processus se déroule en deux étapes: une première phase d'optimisation des actionneurs établit une correspondance entre le ratio de réduction et la masse, l'efficacité et le couple de crête de l'actionneur; ces données alimentent ensuite un algorithme d'optimisation CMA-ES qui ajuste simultanément la conception du robot et sa commande. En simulation, le cadre proposé améliore la distance de saut d'environ 30,4% tout en réduisant la consommation d'énergie mécanique de 11,5%, comparé à une conception nominale de référence. Ce travail comble un angle mort des méthodes de co-conception existantes, largement cantonnées aux mécanismes en chaîne ouverte série et négligeant l'optimisation fine des actionneurs. Pour les concepteurs de robots à pattes et de plateformes dynamiques (saut, course, locomotion agile), le résultat démontre qu'intégrer le dimensionnement moteur et réducteur directement dans la boucle d'optimisation, plutôt que de le traiter après coup, produit des gains de performance et d'efficacité énergétique significatifs sans changement d'architecture. Cela renforce l'idée que le potentiel des mécanismes à chaîne fermée, souvent plus compacts et robustes mécaniquement que les architectures série, reste sous-exploité faute d'outils de conception adaptés. Le cadre s'inscrit dans une lignée de recherches sur la co-conception mécatronique des robots légers, où l'enjeu est de sortir du cycle itératif traditionnel séparant conception mécanique et réglage du contrôleur. Les auteurs positionnent leur contribution comme une étape vers des méthodologies génériques applicables à d'autres mécanismes à chaîne fermée, avec des perspectives de validation expérimentale sur prototype physique et d'extension à des tâches locomotrices au-delà du simple saut vertical ou horizontal.

RecherchePaper

1 source

4arXiv cs.RO

Des démonstrations aux récompenses : optimisation de prompts au moment du test pour les modèles de récompense VLM

Des chercheurs ont publié sur arXiv (arXiv:2606.00083) une méthode baptisée Demo2Reward, qui adapte automatiquement les instructions textuelles d'un modèle de récompense basé sur un VLM (Vision-Language Model) à partir d'un petit nombre de trajectoires expertes, typiquement 3 à 10 démonstrations. L'objectif est de réduire les faux positifs que produisent les VLMs utilisés tel quel comme évaluateurs de politique en apprentissage par renforcement. La technique opère en phase de test (test-time adaptation), sans ré-entraînement du modèle ni ressources de calcul supplémentaires pendant l'apprentissage de la politique. Les auteurs démontrent que Demo2Reward surpasse les approches zero-shot et few-shot existantes sur plusieurs tâches robotiques simulées, et valident le transfert vers un scénario d'apprentissage en environnement réel. La conception de fonctions de récompense reste l'un des principaux goulots d'étranglement en robotique par renforcement. Les approches manuelles exigent une expertise domaine significative et ne passent pas à l'échelle sur des tâches variées. L'utilisation des VLMs comme juges zero-shot est prometteuse mais fragile: un faux positif, c'est-à-dire le modèle qui valide une trajectoire incorrecte, corrompt l'entraînement de façon cumulative. Demo2Reward résout ce problème pragmatiquement en exploitant les quelques démonstrations déjà collectées pour amorcer l'apprentissage, afin de calibrer automatiquement le prompt du VLM, sans annotation supplémentaire. Ce résultat suggère que le fossé entre ingénierie de récompense manuelle et supervision automatique via VLM peut être comblé à faible coût computationnel, argument concret pour les équipes cherchant à réduire l'intervention humaine dans leurs pipelines RL. L'exploitation des VLMs comme fonctions de récompense est un axe actif depuis 2023, porté notamment par EUREKA (NVIDIA, qui utilise GPT-4 pour générer du code de récompense) et des approches basées sur CLIP comme évaluateurs de trajectoires. Demo2Reward se différencie par son focus sur la correction du prompt plutôt que sur la génération de code, et par l'utilisation explicite de démonstrations comme signal de calibration, ce qui le rend directement exploitable dans les pipelines existants. Du côté des acteurs concurrents, Google DeepMind, Physical Intelligence avec pi0, et plusieurs laboratoires académiques explorent des pistes proches pour automatiser la supervision en robotique. La contribution reste un preprint arXiv sans déploiement industriel ni partenariat commercial annoncé. Les étapes naturelles seraient une validation sur des manipulateurs en environnement industriel non structuré ou sur des plateformes humanoïdes, là où les récompenses manuelles sont les plus coûteuses à concevoir.

RechercheOpinion

1 source