RecherchearXiv cs.RO 31 juillet 2026

Robots sociaux : apprendre la navigation en détectant les jambes humaines

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs présentent CALF (Convolutional Attention for Leg Features), une architecture neuronale de bout en bout qui permet à un robot mobile de naviguer parmi des piétons en interprétant directement le mouvement des jambes détecté par un LiDAR 2D. Le constat de départ est simple : la plupart des robots de navigation sociale portent leur LiDAR près du sol, où le capteur perçoit surtout des jambes en mouvement plutôt que des silhouettes humaines complètes, alors que les méthodes d'apprentissage existantes continuent de modéliser les piétons comme de simples cercles. CALF combine couches convolutives, mécanisme d'attention et MLP pour produire des commandes de navigation à partir de ces données brutes. La politique est entraînée par apprentissage par renforcement profond dans LegNav, un simulateur 2D léger développé pour l'occasion, qui associe un lancer de rayons LiDAR et un nouveau modèle de démarche piétonne. Écrit en JAX, LegNav permet d'entraîner une politique CALF prête au déploiement en moins d'une heure sur un seul GPU grand public. La méthode a été validée en conditions réelles par un déploiement zero-shot sur un robot TurtleBot 4, produisant des trajectoires fluides et jugées socialement conformes.

Ce travail cible un point aveugle fréquent des systèmes de navigation sociale : la simplification excessive de la perception humaine, qui limite la finesse des comportements d'évitement et d'anticipation en environnement piéton dense. En démontrant qu'une politique entraînée uniquement en simulation transfère avec succès vers un robot réel sans réentraînement, l'étude apporte un élément concret au débat sur l'écart entre simulation et réalité (sim-to-real gap) dans la robotique mobile, un enjeu central pour les intégrateurs qui déploient des AMR (robots mobiles autonomes) en entrepôt, en hôpital ou en espace public. Le coût d'entraînement réduit, moins d'une heure sur un GPU standard, abaisse également la barrière d'accès pour les équipes de recherche appliquée.

Cette publication s'inscrit dans un courant de recherche plus large sur la navigation sociale des robots, où la représentation fine des piétons (pose, démarche, intention) est identifiée comme un levier clé pour dépasser les modèles géométriques simplistes hérités de la robotique classique. L'article, disponible sur arXiv (2607.27922v1), ouvre la voie à des extensions possibles vers des capteurs additionnels ou des scénarios de foule plus denses, sans que les auteurs n'annoncent à ce stade de calendrier de déploiement industriel.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

Trajectoires de navigation apprises par graphes pour robots sociaux

Des chercheurs proposent un nouveau framework d'apprentissage par imitation pour la navigation robotique en environnement social, décrit dans un article publié sur arXiv (2607.00028v1). L'approche combine deux briques : un réseau auxiliaire basé sur des graphes qui encode l'état de la foule en modélisant les interactions entre le robot et chaque piéton via un mécanisme d'attention, et un module de navigation qui capture la dynamique temporelle des trajectoires. Ce module intègre des prédictions d'état encodées et s'appuie sur un objectif d'apprentissage au niveau de la trajectoire complète, plutôt qu'étape par étape, pour limiter l'accumulation d'erreurs typique des méthodes d'imitation classiques. Les auteurs indiquent que leur framework surpasse les référentiels existants à la fois en simulation et sur un jeu de données réel, selon plusieurs métriques sociales (respect de l'espace personnel, fluidité des trajectoires, réactivité aux mouvements piétons). L'enjeu pour l'industrie de la robotique mobile autonome est concret : les robots de livraison, d'accueil ou d'assistance déployés en environnement humain doivent naviguer sans perturber les piétons, un problème encore mal résolu. Les méthodes par apprentissage par renforcement exigent des fonctions de récompense conçues à la main, qui réduisent le comportement social à des critères statiques et peinent à reproduire les nuances du comportement piéton réel. À l'inverse, l'apprentissage par imitation pur entraîne directement sur des données réelles mais ignore généralement la dimension interactionnelle et souffre de dérive cumulative des erreurs sur des trajectoires longues. En combinant représentation par graphe et objectif temporel, ce travail cherche à réconcilier fidélité aux données réelles et modélisation explicite des interactions sociales. Ce travail s'inscrit dans une littérature de recherche active sur la navigation socialement compliante, où RL et IL sont traditionnellement opposés faute de méthode combinant leurs forces respectives. Il s'agit d'un article de recherche déposé sur arXiv, sans mention d'implémentation industrielle, de partenaire ou de calendrier de déploiement : la validation reste limitée à des benchmarks de simulation et un jeu de données réel, sans démonstration sur robot physique en conditions opérationnelles.

RecherchePaper

1 source

2arXiv cs.RO

Robots de livrable : navigation en foule via apprentissage des préférences sociales (SPLC)

Une équipe de recherche présente SPLC (Social Preference Learning for Crowd Robot Navigation), un nouvel algorithme d'apprentissage par renforcement hors ligne conçu pour faire naviguer des robots au milieu de foules de piétons sans avoir à concevoir manuellement une fonction de récompense. Publié sur arXiv le 2 juillet 2026 (arXiv:2607.01925v1), le système introduit un mécanisme de retour de préférences sociales qui génère automatiquement des données de préférence à partir de critères d'évaluation prédéfinis, en tenant compte explicitement de la dynamique complexe des piétons. Les auteurs ont testé SPLC en combinaison avec plusieurs méthodes de RL hors ligne et rapportent des gains constants par rapport aux meilleures références actuelles sur des métriques de performance standard, avant de valider l'approche en conditions réelles sur un robot TurtleBot4. Le code et des démonstrations vidéo sont disponibles sur le dépôt GitHub du projet (sklus949/SPLC). L'enjeu pratique est la conception des récompenses en RL, un goulot d'étranglement bien connu pour déployer des robots mobiles autonomes dans des environnements humains partagés, entrepôts, hôpitaux, espaces commerciaux. Écrire à la main une fonction qui capture des normes sociales floues (garder ses distances, céder le passage, anticiper une trajectoire) introduit des biais et ne généralise pas d'une foule à l'autre. En automatisant la génération de préférences plutôt que la récompense elle-même, SPLC s'attaque directement au problème du "reward hacking" et du décalage entre simulation et réel, un point sensible pour tout intégrateur qui envisage des robots de navigation autonome en zones piétonnes denses. Le passage à un test réel sur TurtleBot4, plutôt qu'une simple démonstration en simulateur, distingue ce travail de nombreuses publications qui restent cantonnées au benchmark. Ce travail s'inscrit dans une lignée de recherches sur le RL hors ligne appliqué à la navigation sociale, un axe où les laboratoires cherchent à réduire la dépendance aux interactions coûteuses en environnement réel pendant l'entraînement. Les approches concurrentes reposent généralement sur du reward shaping manuel ou sur de l'apprentissage par imitation à partir de trajectoires humaines annotées, des méthodes que les auteurs positionnent comme moins robustes face à la variabilité des comportements piétons. Les prochaines étapes annoncées ne sont pas détaillées dans le résumé, mais la mise à disposition du code laisse présager des évaluations comparatives par d'autres équipes, et potentiellement une extension à des plateformes robotiques plus complexes que le TurtleBot4.

RecherchePaper

1 source

3arXiv cs.RO

IA incarnée, HumAIN : la navigation sociale implicite du robot conscient des humains

Des chercheurs présentent HumAIN (Human-Aware Implicit Social Robot Navigation), un nouveau framework publié sur arXiv (arXiv:2607.07357v1) qui vise à rendre la navigation des robots sociaux plus sensible aux comportements humains. Le système repose sur un modèle enseignant de type transformer qui fusionne plusieurs sources de données : images historiques, points clés du squelette humain (keypoints), état du robot et objectif de destination, afin d'apprendre des représentations robustes pour planifier la trajectoire future du robot. Cette connaissance est ensuite distillée dans un modèle élève beaucoup plus léger, optimisé conjointement pour reconstruire la trajectoire et aligner ses caractéristiques latentes sur celles de l'enseignant, ce qui permet un déploiement en temps réel. Lors des tests, HumAIN améliore les métriques de prédiction de trajectoire de 29,8% en moyenne sur l'ensemble des métriques évaluées, par rapport aux meilleures méthodes existantes. L'enjeu principal de ces travaux est de combler l'écart entre prédiction et planification, un problème récurrent dans la navigation robotique en environnement humain : beaucoup de systèmes prédisent bien le mouvement des piétons mais peinent à traduire cette prédiction en trajectoire exploitable en temps réel, surtout sur du matériel aux ressources limitées. En s'appuyant sur des indices sociaux implicites, comme la démarche ou l'orientation du corps, plutôt que sur des règles explicites ou des modèles de forces sociales classiques, cette approche pourrait rendre les robots mobiles (AMR, robots de service, plateformes embarquées) plus fluides et prévisibles dans des espaces partagés avec des humains, un facteur clé pour l'acceptabilité et la sécurité de ces systèmes en usage réel, notamment en logistique ou en environnement industriel où humains et robots cohabitent. Ce travail s'inscrit dans la lignée des recherches sur la navigation sociale des robots, un domaine qui cherche depuis plusieurs années à dépasser les modèles purement géométriques d'évitement d'obstacles pour intégrer une compréhension plus fine du comportement humain. La technique de distillation de connaissances, empruntée à l'apprentissage profond, est ici appliquée pour rendre exploitables sur des plateformes à ressources contraintes des représentations normalement coûteuses à calculer. Les auteurs positionnent HumAIN par rapport à des méthodes de l'état de l'art en prédiction de trajectoire, et les prochaines étapes attendues porteraient sur une validation au-delà de la simulation, sur des robots physiques en conditions réelles.

RecherchePaper

1 source

4arXiv cs.RO

IntentNav : apprendre la navigation spatiale vers des objets à partir de démonstrations humaines

Une équipe de recherche anonyme a soumis le 9 juin 2026 un préprint arXiv (2606.08029) présentant IntentNav, un framework d'imitation spatiale et visuelle pour la navigation autonome par objets (ObjectNav). La tâche consiste à envoyer un robot chercher un objet non observé dans un environnement inconnu, sans carte préalable, en décidant en temps réel où explorer sous observabilité partielle. L'architecture repose sur deux briques complémentaires : une mémoire BEV (Bird's Eye View) qui encode les régions explorées, les frontières inexplorées et l'historique de trajectoire, et une mémoire visuelle égocentrique qui associe des indices sémantiques à chaque frontière candidate. Un modèle de langage et de vision (VLM) est entraîné sur des démonstrations humaines pour sélectionner la prochaine frontière à explorer, guidé par un "Frontier-based Human-Intent Labeling" qui inspecte en avant les trajectoires humaines pour identifier quelle frontière explique le mieux la direction de recherche du démonstrateur. Les auteurs annoncent des performances état de l'art sur les benchmarks MP3D, HM3D-v1 et HM3D-v2. Le point le plus saillant pour les intégrateurs est le transfert zéro-shot : la même politique VLM, sans fine-tuning supplémentaire, est transférée à trois morphologies distinctes, robot à roues, quadrupède et humanoïde. Cela suppose que l'interface candidate-level fonctionne comme une couche d'abstraction suffisamment générique pour s'affranchir des particularités cinématiques propres à chaque plateforme. Pour un COO industriel, cela ouvre la perspective d'un seul modèle de navigation entraîné sur des démonstrations humaines capable de piloter des flottes hétérogènes sans retraining par morphologie. Réserve importante : la démonstration sim-to-real reste confinée aux benchmarks de simulation Matterport3D et HM3D ; aucun résultat sur hardware physique réel n'est rapporté dans le préprint, ce qui laisse entier le gap entre benchmark et déploiement terrain. IntentNav s'inscrit dans un champ actif où des approches concurrentes comme SemExp (Chaplot et al., 2020), ZSON (Majumdar et al., 2022) ou les méthodes VLM zéro-shot telles qu'EmbodiedGPT et OpenFMNav se disputent la tête des benchmarks HM3D. La contribution distinctive est l'extraction d'intention de haut niveau à partir d'actions humaines de bas niveau via le labeling de frontières, une alternative à l'apprentissage par renforcement pur qui souffre de la rareté des récompenses dans les grands espaces d'exploration. La soumission étant anonyme, affiliations et financements ne sont pas divulgués ; une page projet est référencée sans contenu pleinement accessible à ce stade.

RechercheOpinion

1 source