Aller au contenu principal
RecherchearXiv cs.RO 

Odorat ou cognition : une stratégie cognitive hybride pour localiser la source d'une odeur en milieu naturel

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

Une equipe de recherche presente une strategie hybride permettant a des robots equipes de capteurs chimiques de localiser plus vite la source d'une pollution atmospherique ou aquatique, en combinant reflexes bio-inspires et raisonnement probabiliste. Publiee sous la reference arXiv:2607.13853v1, l'etude part d'un constat concret: les polluants rejetes dans l'environnement sont disperses par des ecoulements turbulents qui produisent des panaches intermittents, rendant les detections rares et les gradients de concentration peu exploitables. Le systeme introduit un mecanisme de commutation declenche par chaque detection d'odeur, qui bascule automatiquement entre une exploration en travers du courant et un deplacement direct vers la source, en priorisant la proximite plutot que le seul gain d'information. Les parametres de comportement sont derives directement des metriques de croyance du robot, rendant la reactivite adaptative sans reglage manuel prealable. La methode a ete validee en simulation sous trois conditions de turbulence, puis testee sur le terrain avec un vehicule de surface autonome deploye sur le fleuve Mondego, au Portugal, avec a la cle jusqu'a 50% de reduction de la distance parcourue, un taux de reussite de 86% et une erreur de localisation moyenne de 3,2 metres.

Ces resultats interessent directement les operateurs de surveillance environnementale et de reponse aux deversements chimiques, ou chaque minute gagnee dans la localisation d'une fuite limite l'impact sur les ecosystemes et la sante publique. Le travail tranche aussi un debat recurrent en robotique de recherche de source: privilegier des comportements reactifs simples mais necessitant un reglage propre a chaque scenario, ou des strategies cognitives plus robustes mais trop exploratoires et gourmandes en calcul. Les auteurs s'appuient sur une analyse anterieure en chaines de Markov montrant que les mouvements diriges vers la source sont environ deux fois plus frequents juste apres une detection, preuve que la reactivite emerge deja naturellement des cadres cognitifs. Ils choisissent donc de l'integrer explicitement plutot que de traiter les deux paradigmes comme concurrents. Les 86% de reussite restent toutefois obtenus sur un site fluvial unique et un nombre limite d'essais reels, ce qui appelle des verifications sur d'autres environnements avant generalisation.

L'approche prolonge les travaux sur l'algorithme Fast-Cognitive, qui avait deja allege la charge de calcul des methodes bayesiennes completes sans en lever les limites de sur-exploration. En formalisant la transition entre exploration et poursuite, cette nouvelle methode se positionne en synthese entre les strategies bio-inspirees historiques, type surge-casting, et les approches cognitives probabilistes plus recentes. Aucun partenariat industriel ni calendrier de deploiement n'est mentionne au-dela des essais sur le Mondego; la suite logique serait d'etendre les tests a d'autres plans d'eau ou environnements terrestres, et de comparer directement la methode a Fast-Cognitive sur des metriques identiques.

Impact France/UE

Le test de terrain a ete mene sur le fleuve Mondego au Portugal, demontrant une capacite de recherche europeenne en robotique de surveillance environnementale et de detection de pollution.

Dans nos dossiers

À lire aussi

Localisation robotique de sources radioactives guidée par la physique, trajectoires arbitraires en milieu non structuré
1arXiv cs.RO 

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

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.

UEEDF 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.

RecherchePaper
1 source
MORN : régulation métacognitive des objectifs pour une navigation à long horizon économe en ressources
2arXiv cs.RO 

MORN : régulation métacognitive des objectifs pour une navigation à long horizon économe en ressources

Des chercheurs ont publié MORN (Metacognitive Object-goal Regulation Navigation) sur arXiv (2605.16932), une architecture de contrôle exécutif conçue pour les robots autonomes chargés de missions longues et séquentielles dans des environnements non structurés. Le scénario typique visé : un robot doit localiser successivement une tasse, une chaise, puis une imprimante dans un bâtiment inconnu, avec des contraintes strictes de temps et d'énergie. Évalué sur le dataset HM3D (Habitat-Matterport 3D), MORN améliore le taux de complétion des objectifs (Goal Completion Rate) de 0,23 à 0,30, soit une progression de 30 %, tout en réduisant la fraction de pas gaspillés (Wasted Step Fraction) de 0,90 à 0,70. L'architecture s'intègre sans modification des backbones de navigation existants, ce qu'elle augmente via un meta-contrôleur plug-in. Le problème adressé est concret et sous-estimé dans la littérature robotique : les agents ObjectNav modernes basés sur des VLMs (Vision-Language Models) sont purement réactifs. Ils localisent des cibles sémantiques efficacement, mais ignorent totalement l'état global de la mission. Résultat : ils s'acharnent sur des sous-objectifs devenus inatteignables, épuisant batterie et temps sur ce que les auteurs appellent des "zombie goals". Pour les intégrateurs et COOs qui évaluent des flottes de robots mobiles en entrepôt ou en milieu hospitalier, c'est un vrai point de friction opérationnel. MORN propose d'y remédier via trois états neuro-cognitifs formalisés : le Potentiality Index (estimation de la faisabilité d'un sous-objectif), le Persistence Gating (décision d'abandon anticipé), et l'Evidence Accumulation (agrégation perceptuelle pour réduire l'incertitude). Ce mécanisme est présenté comme une neutralisation du biais du coût irrécupérable ("Sunk Cost Fallacy"), appliqué à la planification robotique. L'inspiration théorique est explicitement la Dual-Process Theory issue des sciences cognitives, popularisée par Kahneman : System 1 (locomotion réactive, rapide) supervisé par un System 2 (méta-raisonnement, lent et global). Ce cadre conceptuel est mobilisé dans la robotique depuis quelques années, notamment dans les travaux sur les agents LLM incarnés, mais son application formalisée à la gestion de ressources en ObjectNav reste peu explorée. Le champ concurrent direct inclut les architectures VLM-as-planner (SQA3D, EmbodiedScan, ESC) et les méthodes end-to-end de navigation zéro-shot. Aucun déploiement industriel n'est annoncé à ce stade : il s'agit d'une contribution de recherche académique, avec des résultats sur simulateur uniquement. La question du transfert sim-to-real sur hardware physique reste ouverte, ce qui est le principal écart à surveiller avant toute considération d'intégration.

RecherchePaper
1 source
Scensory : perception olfactive robotique en temps réel pour l'identification conjointe et la localisation de source
3arXiv cs.RO 

Scensory : perception olfactive robotique en temps réel pour l'identification conjointe et la localisation de source

Des chercheurs ont publié sur arXiv (référence 2509.19318, version révisée en 2026) un système baptisé Scensory, conçu pour doter les robots d'une capacité olfactive temps réel appliquée à la détection de contaminations fongiques en intérieur. Le framework repose sur des réseaux de capteurs VOC (composés organiques volatils) bon marché et à sensibilité croisée, couplés à des réseaux de neurones capables d'analyser de courtes séries temporelles de 3 à 7 secondes. Sur un panel de cinq espèces fongiques testées en conditions ambiantes, Scensory atteint 89,85 % de précision pour l'identification de l'espèce et 87,31 % pour la localisation de la source. Les deux tâches sont résolues simultanément, à partir d'un même flux de données capteurs. Ce résultat est techniquement significatif parce que les signaux chimiques en diffusion libre sont particulièrement difficiles à exploiter : contrairement à la vision ou au toucher, où le signal est directionnel et localisé, les panaches olfactifs se dispersent de manière stochastique selon les flux d'air ambiants. Que des capteurs VOC grand public, combinés à un apprentissage supervisé sur données collectées automatiquement par le robot, permettent de relier dynamique temporelle du signal et position spatiale de la source change l'équation économique du nez électronique embarqué. Jusqu'ici, la perception chimique robotique supposait soit des capteurs spécialisés coûteux, soit des conditions contrôlées de laboratoire. Scensory suggère qu'une approche data-driven sur matériel accessible peut combler une partie de ce fossé. Le domaine de l'olfaction robotique reste nettement en retard sur la vision et la manipulation, malgré des travaux académiques réguliers depuis les années 2000 sur les nez électroniques (e-nose) et la navigation par gradient chimique. Les applications visées par Scensory, inspection de bâtiments, monitoring environnemental indoor, contrôle qualité alimentaire, n'ont pas encore de solution robotique commerciale établie. Le papier reste un résultat académique sur arXiv sans déploiement annoncé ni partenaire industriel identifié ; les performances reportées devront être validées sur un spectre élargi d'espèces, de conditions d'humidité et de géométries de pièce avant d'envisager une intégration produit.

RecherchePaper
1 source
Modélisation de la charge cognitive et physique perçue pour la collaboration homme-robot en construction préfabriquée
4arXiv cs.RO 

Modélisation de la charge cognitive et physique perçue pour la collaboration homme-robot en construction préfabriquée

Une étude déposée sur arXiv (arXiv:2606.15494) propose un cadre de modélisation empirique de l'évolution de la charge cognitive et physique perçue des opérateurs en contexte de collaboration humain-robot (HRC) dans la construction préfabriquée. Les chercheurs ont conduit une expérience contrôlée de cycles travail-repos répétés, mesurant la charge cognitive via l'échelle RSME (Rating Scale for Mental Effort) et l'effort physique via l'indice de Borg RPE (Rating of Perceived Exertion). Les résultats montrent que l'accumulation de la charge cognitive suit une progression linéaire, tandis que la récupération en phase de repos obéit à une décroissance non linéaire de type exponentielle. Un modèle à effets mixtes a été appliqué pour tenir compte des conditions collaboratives, des effets de session et de la variabilité inter-individuelle significative entre opérateurs. Ces résultats ont une portée directe pour la planification des tâches en HRC industrielle. Les approches de scheduling humain-robot reposent encore souvent sur des hypothèses simplifiées : fatigue constante, récupération uniforme, ou seuils de charge binaires. Disposer d'un modèle empiriquement validé qui distingue la dynamique d'accumulation (linéaire) de celle de récupération (non linéaire) permet de concevoir des algorithmes d'allocation de tâches capables d'anticiper l'état cognitif et physique du travailleur au fil des cycles de production. Pour un intégrateur ou un COO déployant des cobots sur ligne d'assemblage préfabriqué, cela ouvre la voie à des plannings adaptatifs qui réduisent le risque d'erreur humaine et de troubles musculo-squelettiques sans sacrifier la cadence. La construction préfabriquée est un secteur cible croissant pour la robotique collaborative, notamment pour des tâches répétitives de manutention lourde, d'assemblage de panneaux et de fixation. Des équipes universitaires en Asie-Pacifique et en Europe travaillent sur l'automatisation partielle de ce segment, mais la grande majorité des déploiements HRC existants ignorent l'état physiologique du travailleur comme variable de planification en temps réel. Cette étude s'inscrit dans la tendance émergente de la HRC "human-state-aware", où le système robotique adapte sa charge de travail à l'état de l'opérateur. Les modèles proposés constituent une brique méthodologique destinée à alimenter de futurs systèmes de scheduling dynamique, potentiellement couplés à des capteurs physiologiques embarqués ou à des outils de suivi biométrique non intrusifs.

UEDes équipes universitaires européennes sont mentionnées comme actives sur l'automatisation en construction préfabriquée, mais aucun acteur français ou européen spécifique n'est impliqué dans cette étude ; l'impact reste indirect pour les intégrateurs HRC en Europe.

RecherchePaper
1 source