Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
Estimation de pose relative écoénergétique en communication grâce aux modèles de fondation visuels pour la perception collaborative éphémère
RecherchearXiv cs.RO 

Estimation de pose relative écoénergétique en communication grâce aux modèles de fondation visuels pour la perception collaborative éphémère

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

Le 17 juillet 2026, une équipe de recherche a publié sur arXiv (2607.14539) un nouveau système baptisé CERPE, pour "communication-efficient relative pose estimation", conçu pour estimer la pose relative entre robots mobiles qui ne se croisent que brièvement. Le problème visé est concret : quand deux robots se rencontrent dans un couloir, un entrepôt ou un espace ouvert, ils disposent d'une fenêtre d'interaction courte, d'une bande passante limitée et d'un recouvrement visuel souvent partiel ou nul, à cause d'occlusions ou de champs de vision restreints. CERPE combine des modèles de fondation en vision pour estimer conjointement l'ego-motion de chaque robot et la pose relative à six degrés de liberté (6-DoF) entre eux. Plutôt que d'échanger en continu des images brutes, coûteuses en bande passante, le système partage en permanence des descripteurs de taille fixe, qui servent à déclencher à la demande l'envoi d'images complètes seulement quand c'est nécessaire. En l'absence de recouvrement visuel, la pose relative est maintenue en propageant l'ego-motion à échelle métrique de chaque robot. Les auteurs rapportent des gains en simulation et sur robots réels par rapport à des méthodes de référence.

L'enjeu dépasse la seule prouesse technique : la plupart des systèmes multi-robots collaboratifs (essaims de drones, flottes d'AMR en entrepôt, robots humanoïdes coopérant sur une même tâche) supposent aujourd'hui un référentiel global commun (GPS, SLAM partagé) ou un recouvrement visuel soutenu entre agents, deux hypothèses qui s'effondrent dès que les robots opèrent dans des environnements denses, indoor, ou avec des rencontres furtives. Si CERPE tient ses promesses à plus grande échelle, cela ouvrirait la voie à une coordination inter-robots sans infrastructure centralisée lourde et avec un coût réseau maîtrisé, un point sensible pour les intégrateurs qui déploient des flottes hétérogènes sur des liaisons radio contraintes.

Le travail s'inscrit dans la lignée des recherches sur la perception collaborative, où les approches existantes butent justement sur le compromis entre coût de communication et robustesse face aux pertes de recouvrement visuel. À ce stade, il s'agit d'une publication de recherche avec validation en simulation et sur un banc de robots réels, non d'un produit déployé ; les prochaines étapes attendues concernent le passage à l'échelle sur des flottes plus larges et des scénarios de terrain plus variés.

Dans nos dossiers

arXiv cs.RO

À lire aussi

Planification des tâches pour la manipulation mobile en magasin grâce à des modèles fondation avec replanification itérative
1arXiv cs.RO 

Planification des tâches pour la manipulation mobile en magasin grâce à des modèles fondation avec replanification itérative

Il s'agit d'un article de recherche arXiv (2607.09962v1), pas d'une annonce produit, je rédige le résumé en conséquence, en marquant clairement qu'il s'agit d'un travail encore au stade simulation. Des chercheurs présentent une méthode de planification de tâches pour la robotique mobile de manipulation appliquée au réassort en magasin, combinant grands modèles de langage (LLM) et modèles vision-langage (VLM). Le système reçoit des instructions formulées par un utilisateur, construit un plan d'action pour une plateforme de manipulation mobile omnidirectionnelle personnalisée, puis corrige ses erreurs grâce à une boucle de re-planification itérative fondée sur un retour visuel. Point important à souligner : l'ensemble du pipeline n'a été validé qu'en environnement de simulation PyBullet, sur des tâches de prise et dépose (pick-and-place), et non sur un robot physique en conditions réelles de magasin. L'abstract ne fournit ni chiffres de charge utile, ni degrés de liberté, ni temps de cycle, ni date de déploiement, ce qui limite la portée immédiatement opérationnelle de l'annonce. L'intérêt de ces travaux tient moins à la performance affichée qu'au périmètre visé : jusqu'ici, l'automatisation en logistique et distribution s'est concentrée sur des opérations d'arrière-boutique (tri, emballage) dans des environnements structurés et prévisibles. Étendre cette automatisation aux rayons de supermarché suppose de gérer un environnement bien plus variable et centré sur l'humain, avec des obstacles mobiles, des produits mal rangés et des interactions client. L'usage de LLM/VLM pour la planification de haut niveau, couplé à une re-planification réactive en cas d'échec, illustre une tendance plus large du secteur : tester si les modèles fondation permettent de généraliser au-delà des scénarios d'entrepôt scriptés. Mais tant que la preuve ne dépasse pas la simulation, l'écart classique entre démonstration et déploiement réel reste entier, et les intégrateurs B2B devront attendre une validation sur plateforme physique avant d'y voir un signal de maturité commerciale. Ce travail s'inscrit dans la vague plus large de recherche sur la manipulation mobile pilotée par foundation models, qui a vu émerger des architectures VLA comme Pi-0 ou GR00T N2 chez des acteurs orientés produit, mais qui reste ici traitée sous un angle académique, avec une plateforme de manipulation "custom" non identifiée commercialement. Le choix du cas d'usage réassort en supermarché reflète l'intérêt croissant du secteur retail pour l'automatisation de tâches jusqu'ici jugées trop non structurées pour la robotique, un terrain où des acteurs comme Simbe Robotics ou Bossa Nova ont déjà exploré l'inventaire par robot mobile, sans toutefois intégrer la manipulation physique des produits. La suite logique de ces travaux serait un transfert sim-to-real sur robot physique, étape non abordée dans cette publication, ce qui invite à considérer ce résultat comme une preuve de concept méthodologique plutôt qu'un jalon de déploiement.

RecherchePaper
1 source
Au-delà de la géométrie relative : perception géométrique consciente de l'échelle métrique pour la robotique
2arXiv cs.RO 

Au-delà de la géométrie relative : perception géométrique consciente de l'échelle métrique pour la robotique

Des chercheurs présentent MAGP (Metric-Aware Geometry Perception), un framework de reconstruction géométrique conçu pour être intégré directement dans des politiques robotiques, décrit dans un article publié sur arXiv le 27 août 2026 (arXiv:2608.27497v1). Le problème visé : les méthodes de reconstruction 3D actuelles ne produisent qu'une géométrie relative, à une échelle arbitraire, ce qui fait varier les dimensions d'objets et les distances spatiales prédites d'une scène à l'autre selon le point de vue ou la configuration de capteurs, un défaut incompatible avec des actions robotiques qui doivent, elles, s'exprimer à l'échelle métrique réelle. MAGP repose sur deux mécanismes : une "Metric Scale Equivariant Augmentation" qui force le modèle à reconstruire la géométrie métrique à partir des paramètres caméra et des observations de profondeur, et un "Flexible Metric Conditioning" qui accepte un nombre et des combinaisons arbitraires de vues et d'entrées caméra/profondeur. Sur les benchmarks ETH3D, MegaDepth et ScanNet++, l'erreur absolue de reconstruction chute de 2,01 mètres à 0,07 mètre, soit plus d'un ordre de grandeur, tout en conservant la précision de la géométrie relative. Intégré à plusieurs politiques robotiques, MAGP améliore les performances sur LIBERO, RoboTwin et en zero-shot sur LIBERO-Plus, avec un gain allant jusqu'à 6,26% sur RoboTwin. Pour l'industrie robotique, ce travail s'attaque à un goulot d'étranglement précis plutôt qu'à une promesse marketing : les modèles de perception géométrique récents, utilisés pour la manipulation et le raisonnement spatial, restent souvent découplés de l'échelle réelle du monde, ce qui limite leur transférabilité directe vers des commandes de bras ou de préhenseurs. En rendant la géométrie reconstruite cohérente à l'échelle métrique et robuste à des configurations de capteurs hétérogènes, MAGP répond à un besoin concret des intégrateurs qui doivent faire cohabiter des rigs caméra différents d'une cellule à l'autre. Le gain de 6,26% sur RoboTwin, bien que mesuré sur des benchmarks simulés et non en usine, illustre que l'amélioration de la perception métrique peut se traduire en gain de performance de politique, sans changer l'architecture de contrôle elle-même, ce qui en fait un module potentiellement "plug-and-play" plus qu'une rupture architecturale. Ce travail s'inscrit dans la tendance des modèles vision-langage-action (VLA) et des politiques robotiques qui s'appuient de plus en plus sur des représentations géométriques apprises pour améliorer la manipulation, un courant où s'inscrivent aussi des modèles comme Pi-0 ou GR00T N2. Il reste à ce stade une contribution de recherche publiée sur arXiv, validée sur des benchmarks académiques (LIBERO, RoboTwin, ScanNet++) et non un produit déployé ou testé sur un robot physique en conditions réelles ; les auteurs ne précisent pas de calendrier d'intégration industrielle ni de partenaire robotique pour une mise en œuvre à plus grande échelle.

RecherchePaper
1 source
I-Perceive : un modèle fondation pour la perception active guidée par instructions en langage naturel
3arXiv cs.RO 

I-Perceive : un modèle fondation pour la perception active guidée par instructions en langage naturel

Une équipe de recherche présente I-Perceive, un modèle de fondation pour la perception active conditionnée par le langage, dans une version révisée (v2) d'un article déposé sur arXiv sous la référence 2603.00600. À partir d'une image requête, d'images de contexte et d'une instruction en langage naturel, le système prédit une pose de caméra à 6 degrés de liberté satisfaisant l'intention de perception exprimée, dans de grands environnements intérieurs. L'architecture associe une voie vision-langage pour l'ancrage sémantique des instructions et une voie de raisonnement géométrique pour la compréhension 3D multi-vues, reliées par une fusion sémantique multi-couches. L'entraînement s'appuie sur un jeu de données de paires langage-point de vue à grande échelle, construit via un pipeline automatisé combinant scans de scènes réelles et environnements simulés. Les systèmes de perception active existants restent généralement limités à des objectifs fixes ou à des contextes restreints ; I-Perceive vise au contraire une généralisation à des intentions ouvertes, formulées librement en langage naturel, un point faible connu de la robotique mobile actuelle. Pour les intégrateurs travaillant sur des AMR, des bras manipulateurs ou des plateformes humanoïdes, l'enjeu est concret : la plupart des modèles vision-langage-action (VLA) décident quoi faire à partir d'un flux caméra fixe, sans jamais décider où regarder. Les auteurs revendiquent une généralisation zéro-shot à des scènes et instructions inédites, ainsi qu'un mode boucle fermée affinant le point de vue au fil d'interactions successives, ce qui, si cela se confirme hors du cadre des auteurs, rapprocherait les robots d'une exploration active plutôt que d'une perception passive. Ce travail s'inscrit dans la vague des modèles de fondation pour la robotique, aux côtés d'architectures vision-langage-action comme Pi-0, GR00T N2 ou Helix, centrées sur la génération d'actions à partir d'une perception supposée acquise ; I-Perceive se place en amont, sur la question négligée de savoir où regarder pour obtenir l'information utile à la tâche. Il se distingue aussi des approches classiques de perception active de type next-best-view, limitées à des objectifs géométriques sans compréhension du langage. Publié comme remplacement d'une soumission arXiv antérieure, l'article reste une contribution évaluée sur des données et environnements construits par les auteurs, sans code ouvert ni déploiement sur robot physique mentionné ; l'intégration sur des plateformes commerciales demeure une suite logique mais non confirmée.

RecherchePaper
1 source
Apprendre à accélérer les modèles vision-langage-action grâce à la mise en cache adaptative de tokens visuels
4arXiv cs.RO 

Apprendre à accélérer les modèles vision-langage-action grâce à la mise en cache adaptative de tokens visuels

Des chercheurs ont publié sur arXiv une version révisée d'un article intitulé "Learning to Accelerate Vision-Language-Action Models through Adaptive Visual Token Caching" (identifiant arXiv:2602.00686v2), qui reformule l'accélération de l'inférence des modèles Vision-Language-Action (VLA) en robotique manipulatrice comme un problème d'apprentissage de politique plutôt qu'une règle fixe. Le système repose sur deux modules légers entraînés conjointement avec le modèle: un Cached Token Selector, qui choisit quels tokens visuels réutiliser d'une étape à l'autre, et un Cache Ratio Predictor, qui détermine la proportion de tokens à mettre en cache selon l'évolution de la scène. Ces décisions étant discrètes par nature, les auteurs les rendent différentiables pour permettre un entraînement de bout en bout par descente de gradient. Évaluée sur les bancs d'essai LIBERO et SIMPLER ainsi que sur un robot réel, la méthode atteint une accélération de 1,76x du temps d'inférence en conditions réelles, tout en améliorant le taux de réussite moyen de 1,9 point sur LIBERO (de 75,0% à 76,9%) et de 5,0 points sur les tâches en environnement physique, devançant les méthodes de référence existantes. L'enjeu pour les intégrateurs et concepteurs de systèmes robotiques tient au goulot d'étranglement bien connu des modèles VLA: leur coût de calcul freine le déploiement embarqué, notamment sur des contrôleurs à ressources limitées. Les approches actuelles de mise en cache ou d'élagage de tokens sont généralement statiques et fondées sur des heuristiques, donc mal adaptées aux changements dynamiques de scène. Montrer qu'une politique apprise peut à la fois accélérer l'inférence et améliorer légèrement la précision, plutôt que la dégrader comme c'est souvent le cas avec les techniques de compression, va à l'encontre de l'hypothèse répandue d'un compromis strict entre vitesse et fiabilité pour les architectures VLA. Ce travail s'inscrit dans la lignée des recherches sur l'efficacité des modèles VLA à grande échelle, un axe jugé aussi critique que la généralisation elle-même pour leur adoption industrielle. Les auteurs comparent explicitement leur approche aux méthodes existantes de cache par règles, sans toutefois nommer de modèles VLA commerciaux précis dans le résumé fourni. Il s'agit à ce stade d'une contribution académique publiée en preprint, testée en laboratoire et sur un nombre limité de tâches réelles, et non d'un produit ou d'un déploiement industriel; les suites annoncées concernent l'extension de ces politiques d'allocation de calcul apprises à d'autres familles de modèles VLA.

RecherchePaper
1 source