RecherchearXiv cs.RO 4 août 2026

VertiAKD : cinématique adaptative en tout-terrain sur des sols très accidentés

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs proposent VertiAKD, un framework qui apprend à des robots terrestres à s'adapter à des terrains accidentés en transférant des connaissances entre véhicules différents. Le système encode conjointement la configuration mécanique du véhicule, ses transitions de trajectoire et les caractéristiques locales d'élévation et de sémantique du terrain dans une représentation partagée de mobilité. Face à un nouveau véhicule confronté à un terrain inédit, VertiAKD identifie les descripteurs de mobilité les plus pertinents issus de véhicules déjà connus et les transfère pour initialiser un modèle kinodynamique via des encodeurs de fonctions, affiné ensuite en continu à partir des observations reçues en flux, sans réentraînement par descente de gradient. Les tests ont été menés dans le simulateur Verti-Bench, construit sur le moteur multi-physique Chrono, ainsi que sur cinq configurations physiques distinctes de la plateforme Verti-4-Wheeler. Avec seulement une minute de nouvelles données de trajectoire et les caractéristiques de terrain associées, VertiAKD réduit l'erreur de prédiction à long terme jusqu'à 34,52 % par rapport à un simple transfert direct des descripteurs de mobilité, et jusqu'à 94,43 % face aux méthodes concurrentes.

L'enjeu dépasse la performance brute d'un modèle : c'est la capacité à déployer rapidement une flotte hétérogène de robots tout-terrain sans collecte de données et réentraînement spécifiques à chaque plateforme, un frein connu à la mise à l'échelle de l'autonomie hors route. Les approches existantes de transfert inter-véhicules supposaient jusqu'ici un terrain plat, tandis que les modèles kinodynamiques sensibles au terrain exigeaient une collecte de données propre à chaque robot. VertiAKD s'attaque aux deux contraintes simultanément, ce qui intéresse directement les opérateurs de flottes robotiques agricoles, militaires ou de secours confrontées à des sols géométriquement et sémantiquement complexes, là où l'écart entre simulation et réalité physique reste un obstacle majeur à la navigation fiable.

Le travail s'inscrit dans la continuité des recherches sur la plateforme Verti-Wheeler et le simulateur Verti-Bench, développés pour étudier la mobilité sur terrain « verticalement contraignant » (pentes, obstacles rocheux, végétation dense). Aucun acteur industriel n'est cité dans cette publication, purement académique et publiée sur arXiv le 4 août 2026 ; les auteurs valident leur approche à la fois en simulation et par des essais physiques de suivi de trajectoire en boucle fermée, une étape jugée nécessaire avant tout déploiement réel sur des robots tout-terrain autonomes.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

Vers une navigation en terrain accidenté adaptée aux capacités pour environnements non structurés

Le 24 juillet 2026, une équipe de recherche a publié sur arXiv (2607.20679) un article présentant CAT (Capability-Aware Traversability), un framework de navigation robotique qui conditionne l'estimation de la franchissabilité du terrain à l'embodiment physique du robot. Le principe : un même obstacle ou un même sol peut être traversable pour une plateforme et dangereux pour une autre, selon son poids, sa garde au sol ou son type de locomotion. CAT encode ces contraintes physiques directement dans l'espace de représentation spatiale, via des blocs SPADE (Spatially-Adaptive Denormalization) qui modulent des cartes sémantiques de terrain avec des vecteurs de traversabilité propres à chaque robot. Le système s'appuie aussi sur un pipeline d'annotation interactif ancrant les masques de supervision dans des trajectoires physiques réellement exécutées. Sur des jeux de données annotés par des humains et alignés sur des trajectoires réelles, CAT améliore l'AUROC de 11,0% sur les trajectoires exécutées physiquement et l'AUPRC de 15,8% sur les traces humaines, par rapport à la meilleure méthode de référence. Le système a été déployé sur un quadrupède à pattes et un robot à roues à direction différentielle (skid-steer), tournant à 4,8 Hz sur du matériel embarqué. L'enjeu dépasse la simple performance de classement : la plupart des méthodes existantes transfèrent leurs prédictions d'une morphologie à une autre par filtrage tardif des trajectoires, sans jamais encoder explicitement les limites physiques du robot dans la représentation apprise. CAT propose l'inverse, une conditionnalité intégrée dès la couche de perception. Pour les intégrateurs de flottes hétérogènes (quadrupèdes, AMR à roues, futurs humanoïdes), c'est une piste concrète pour mutualiser un même modèle de terrain tout en respectant les contraintes spécifiques de chaque plateforme, plutôt que de multiplier les modèles ou les règles de sécurité ad hoc en aval. Ce travail s'inscrit dans une tendance plus large de la recherche en navigation robotique en environnement non structuré, où la conditionnalité à l'embodiment devient un axe distinct de l'apprentissage de trajectoires génériques. Les auteurs montrent par ablation que le conditionnement spatial et les prototypes par robot apportent une sensibilité à la capacité que la seule prédiction de chemin ne capture pas. L'article reste au stade de preprint arXiv, sans indication de mise en production ou de partenariat industriel à ce stade.

RecherchePaper

1 source

2arXiv cs.RO

Modèles adaptatifs continus sur le terrain (CFAM) pour l'IA physique après déploiement

Des chercheurs présentent sur arXiv, dans un article intitulé "Continual Field-Adaptive Models (CFAMs) for Post-Deployment Physical AI" (identifiant 2609.04552, soumission de type "new", donc non encore validée par les pairs), un système permettant à un robot de continuer à apprendre après son déploiement, sans réentraînement classique par descente de gradient et avec le seul calcul embarqué. L'architecture repose sur un module "lent" figé, découpé en trois cortex, Sensor pour transformer les entrées multimodales en géométrie 3D, Reasoning pour décomposer les tâches en compétences et évaluer les résultats, et Action pour exécuter ces compétences géométriques, couplé à un module "rapide" nommé Capsule Field qui mémorise de nouvelles compétences en un seul exemple, sans gradient, sous forme de "Competence Capsules". Le système a été évalué sur cinq plateformes physiques : bras manipulateur, quadrupède, humanoïde, quadrirotor et véhicule tout-terrain, face à trois modèles de référence, pi0, CogACT et SpatialVLA, entraînés sur le même jeu de données interne multi-embodiment. CFAM atteint le niveau d'une politique classique entraînée sur l'ensemble des données avec seulement 40% du volume, soit 2,5 fois moins de trajectoires, et gagne 13,9 points de pourcentage de réussite en capturant de façon autonome des cas quasi hors distribution vérifiés en test. En simulation séquentielle, l'oubli de compétences antérieures reste limité à 0,5 point, contre 11,4 points pour un ajustement par LoRA. Ce travail cible un angle mort du secteur : la plupart des modèles vision-langage-action démontrent leurs performances en conditions contrôlées, mais oublient des compétences déjà acquises dès qu'on les ajuste sur de nouvelles données terrain, un phénomène critique pour les opérations en environnement dangereux ou isolé où les données d'entraînement sont rares et la connectivité absente. En limitant cet oubli catastrophique tout en réduisant le volume de données nécessaire, CFAM s'attaque directement à l'un des freins à la commercialisation des robots autonomes en mission critique, un argument qui intéressera les intégrateurs cherchant à réduire le coût de collecte de données et les décideurs évaluant la fiabilité à long terme des flottes déployées. L'abstract ne précise ni le laboratoire ni l'entreprise à l'origine du projet, et aucun acteur français ou européen n'y est mentionné. Le périmètre reste volontairement borné : les auteurs excluent explicitement la nouveauté "en monde ouvert", limitant l'apprentissage continu aux cas proches de la distribution déjà connue. Aucun pilote industriel ni calendrier de déploiement n'est annoncé ; il s'agit à ce stade d'un résultat de recherche comparé à des bases comme pi0, CogACT et SpatialVLA, sans validation indépendante ni déploiement réel rapporté.

RechercheOpinion

1 source

3arXiv cs.RO

Adaptation cinématique basée sur la force et le couple pour les tâches de manipulation robotique

Publié sur arXiv le 21 août 2026 (arXiv:2608.21592v1), l'article présente une méthode d'adaptation cinématique en ligne pour la manipulation robotique en contact riche, où la relation entre les articulations d'un robot et l'outil qu'il tient change à chaque prise, parfois presque instantanément lors des changements de mode de contact, notamment pour les mains multi-doigts dont les points de contact ne sont pas fixés à l'avance. Les auteurs dérivent une loi de mise à jour dont la stabilité est démontrée mathématiquement: elle identifie la cinématique d'un outil inconnu à partir des seules mesures articulaires et d'un capteur de force/couple monté au poignet, sans aucune mesure extéroceptive de la pointe de l'outil, aussi bien en rigide qu'avec un contrôleur de compliance en boucle interne. L'identification ne porte que sur les directions excitées par le mouvement: la longueur d'un outil reste inobservable lors d'une insertion rigide en ligne droite, mais devient partiellement observable via le relâchement passif d'une boucle compliante. Une formulation alternative en programme quadratique reproduit le terme de prédiction de cette loi mais échoue à reproduire son terme de suivi. La validation reste, pour l'instant, une simulation d'insertion cheville-trou. Ce travail cible un verrou concret pour l'industrie: la plupart des systèmes de manipulation supposent une cinématique outil-effecteur fixe et connue, ce qui impose de recalibrer le robot à chaque changement d'outil ou de préhenseur, un frein à la polyvalence recherchée par les intégrateurs et les concepteurs de mains robotiques multi-doigts. En rendant l'estimation purement proprioceptive, sans caméra ni capteur tactile dédié, l'approche réduit l'instrumentation nécessaire pour des tâches de prise pleine main où les points de contact varient à chaque saisie. Elle s'inscrit aussi dans un débat plus large de la recherche en robotique: découpler l'apprentissage de la politique de tâche, par exemple via apprentissage par renforcement, de l'adaptation aux spécificités physiques d'un robot, d'une main ou d'un outil donné, dans l'idée de faciliter le transfert de politiques apprises vers d'autres configurations matérielles sans réentraînement complet. Les auteurs présentent ce travail comme une première étape d'un programme de recherche plus large, et non comme une solution aboutie: aucune validation sur robot physique n'est rapportée, seulement une simulation simple d'insertion, ce qui laisse ouverte la question du passage à l'échelle sur des prises complexes et sur du matériel réel. Le résumé public n'identifie ni laboratoire ni entreprise, et aucun lien n'est établi avec des plateformes commerciales comme Figure ou Tesla Optimus, ni avec des modèles vision-langage-action tels que Pi-0 ou GR00T N2. La démarche s'inscrit dans la lignée des recherches sur la manipulation dextre adaptative et l'estimation en ligne de paramètres physiques, un axe exploré en parallèle par plusieurs laboratoires de robotique pour réduire la dépendance des politiques de manipulation à une calibration extéroceptive précise.

RecherchePaper

1 source

4arXiv cs.RO

NeSAM : kinodynamique neuro-symbolique avec adaptation au sol pour la mobilité tout-terrain

Une équipe de recherche a présenté NeSAM (Neuro-Symbolic Kinodynamics with Soil Adaptation), un cadre neuro-symbolique pour prédire le mouvement de véhicules tout-terrain sur sols meubles, décrit dans un article publié le 24 août 2026 sur arXiv (2608.21330v1). Le système combine un modèle de terramécanique de Bekker-Wong différentiable, qui capture analytiquement les forces d'interaction roue-sol dépendantes du type de terrain, avec un modèle de dynamique résiduelle basé sur un Transformer, chargé de corriger les écarts entre la prédiction physique et le comportement réel du véhicule. NeSAM estime en continu des paramètres de sol physiquement interprétables et les met à jour en ligne via un filtre de Kalman étendu, pour une prédiction cinodynamique à six degrés de liberté sur des horizons longs. Les chercheurs ont évalué l'approche dans Verti-Bench, un simulateur construit sur le moteur multiphysique Chrono, puis validé les résultats sur une plateforme physique baptisée Verti-4-Wheeler. Les gains annoncés sont substantiels : jusqu'à 30% de précision de prédiction en plus en simulation et 29% sur données réelles par rapport aux meilleures méthodes comparées, ainsi qu'une réduction de 69,4% de la distance de Hausdorff à la trajectoire de référence une fois le modèle intégré à un contrôleur de navigation en boucle fermée. L'intérêt principal réside dans l'hybridation entre physique et apprentissage : contrairement aux modèles cinodynamiques purement data-driven, souvent opaques et peu généralisables à des sols non vus, NeSAM conserve une composante physique interprétable tout en laissant le réseau de neurones combler les limites du modèle analytique. Pour les intégrateurs travaillant sur des robots ou véhicules autonomes en environnement non structuré (agriculture, défense, exploration), cette architecture répond directement au problème classique du décalage entre simulation et réalité, en adaptant les paramètres de sol en temps réel plutôt qu'en figeant des hypothèses de terrain. Ce travail s'inscrit dans une lignée de recherches sur la mobilité tout-terrain où les modèles purement analytiques (terramécanique classique) manquent de flexibilité et les modèles purement appris manquent de robustesse hors distribution. Aucun acteur industriel ni déploiement commercial n'est mentionné : il s'agit d'une contribution académique, validée en simulation Chrono et sur un prototype filaire de laboratoire, sans indication de partenariat ou de feuille de route vers une mise en production.

RecherchePaper

1 source