RecherchearXiv cs.RO 11 août 2026

CoCoNav : un contrôle conforme pour une navigation robotique sûre en milieu de foule

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Un article déposé sur arXiv en août 2026 (arXiv:2608.07751) présente CoCoNav, un framework de navigation pour robots évoluant en foule, conçu pour anticiper les mouvements imprévisibles des piétons. Le système combine une calibration conforme en ligne et une planification certifiée en temps réel. Son composant central, un contrôleur conforme proportionnel-intégral spécifique à l'horizon temporel, ajuste dynamiquement les marges d'erreur de trajectoire pour maintenir un taux de couverture empirique stable face à des erreurs de prédiction qui évoluent au fil du temps. Un second module, baptisé "relax-then-verify" (détendre puis vérifier), génère d'abord des trajectoires nominales via un contrôle prédictif par modèle (MPC) à contraintes souples, avant de certifier séparément ces trajectoires, ainsi que des manœuvres de secours, par rapport aux bornes calibrées, juste avant leur exécution. Les auteurs ont validé l'approche à la fois en simulation et lors d'expériences avec un robot quadrupède, mesurant l'évitement de collision, le taux de réussite de tâche et l'efficacité de navigation par rapport à plusieurs méthodes de référence.

Ce travail s'attaque à un point de friction connu dans le déploiement de robots mobiles en environnement humain: les méthodes réactives classiques produisent des comportements oscillants dès que la densité de piétons augmente, tandis que les planificateurs prédictifs supposent souvent des trajectoires piétonnes exactes ou s'appuient sur des modèles d'erreur trop rigides pour rester fiables en conditions réelles. Imposer des marges d'incertitude conservatrices comme contraintes strictes rend par ailleurs le MPC souvent infaisable en pratique, un problème qui limite l'usage de ces techniques dans des AMR (robots mobiles autonomes) commerciaux, des robots de livraison ou des plateformes de service. En séparant génération de trajectoire et certification, et en calibrant les marges d'erreur en continu plutôt qu'a priori, CoCoNav propose une piste concrète pour rendre les garanties de sécurité compatibles avec la réactivité nécessaire en environnement dense, un compromis que peu d'approches publiées atteignent simultanément selon les auteurs.

La navigation sociale en robotique reste un domaine actif de recherche depuis plusieurs années, tiraillé entre approches purement réactives, rapides mais instables, et planificateurs prédictifs, plus robustes mais coûteux en calcul ou trop optimistes sur la qualité des prévisions de mouvement humain. La prédiction conforme, technique statistique permettant de quantifier l'incertitude d'un modèle sans hypothèse forte sur sa distribution d'erreur, gagne du terrain dans la robotique de perception et de planification comme alternative aux bornes d'erreur fixes. CoCoNav s'inscrit dans cette tendance en l'appliquant spécifiquement à l'horizon de prédiction du MPC. À ce stade, les résultats se limitent à des simulations et à des essais sur un robot quadrupède en conditions contrôlées, sans déploiement en foule réelle ni partenariat industriel annoncé; les auteurs ne précisent pas de calendrier pour un transfert vers des plateformes commerciales de type AMR ou robots de service.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

CN-CBF : fonction de barrière de contrôle neuronale composite pour la navigation robotique en environnements dynamiques

Des chercheurs proposent une nouvelle méthode de conception de fonctions de barrière de contrôle neuronales, baptisée CN-CBF (Composite Neural Control Barrier Function), pour sécuriser la navigation de robots autonomes dans des environnements dynamiques et incertains. L'approche combine plusieurs CBF neuronales individuelles en une seule fonction composite : chacune est entraînée hors ligne à partir de données générées par le cadre de calculabilité Hamilton-Jacobi, afin d'approximer l'ensemble de sécurité optimal face à un obstacle mobile unique. Une architecture neuronale résiduelle garantit que l'ensemble de sécurité estimé ne recoupe jamais l'ensemble d'échec correspondant. La méthode a été testée en simulation sur un robot terrestre et un quadricoptère, puis validée par des expériences matérielles sur les deux plateformes. Comparée aux meilleures méthodes de référence existantes, elle améliore le taux de réussite de la navigation jusqu'à 18%, tout en conservant des longueurs de trajectoire et des temps de déplacement comparables, voire inférieurs. Ce résultat s'attaque à un problème central pour l'industrie robotique : les filtres de sécurité basés sur les CBF sont simples à déployer mais notoirement difficiles à concevoir manuellement, en particulier quand l'environnement change en temps réel. En automatisant et en fiabilisant cette conception via l'apprentissage, CN-CBF pourrait faciliter le déploiement de robots autonomes, mobiles ou volants, dans des environnements partagés avec des obstacles mobiles, humains compris, sans sacrifier l'efficacité des trajectoires. Le passage du simulateur au matériel réel, sur deux morphologies distinctes, robot au sol et drone, est un signal encourageant pour les intégrateurs et les équipes de R&D qui cherchent des garanties de sécurité formelles plutôt que des heuristiques ad hoc, un enjeu clé pour la certification et l'adoption en environnements industriels ou logistiques. Les fonctions de barrière de contrôle sont un outil classique de la théorie du contrôle pour garantir la sécurité formelle des systèmes dynamiques, mais leur conception manuelle devient vite intraitable dès que la dimension ou la complexité de l'environnement augmente. Les approches existantes, qu'elles soient purement basées sur des modèles ou purement apprises, souffrent chacune de limites que les auteurs cherchent explicitement à corriger en combinant apprentissage neuronal et cadre théorique Hamilton-Jacobi. Publié sur arXiv en version révisée, ce travail s'inscrit dans une littérature croissante sur les CBF neuronales pour la robotique mobile et aérienne. Les auteurs mentionnent des évaluations étendues en simulation face à plusieurs méthodes concurrentes ; une extension naturelle consisterait à traiter des scénarios multi-obstacles ou multi-robots, au-delà du cas de l'obstacle mobile unique étudié ici.

RecherchePaper

1 source

2arXiv cs.RO

EgoNav : relier points de passage appris et contrôle local géométrique pour une navigation intérieure robuste

Un article publié sur arXiv le 27 août 2026 (référence arXiv:2608.25642v1) présente EgoNav, un système hiérarchique de navigation robotique en intérieur fondé sur la navigation par image-cible et des cartes topologiques légères, qui ne demandent que des images géolocalisées et une correspondance visuelle plutôt qu'une estimation précise de la pose du robot. Le système complète un prédicteur de points de passage (waypoints) appris par un module qui génère des candidats à partir de zones traversables segmentées sémantiquement, notés selon trois critères : sécurité géométrique, cohérence directionnelle et fidélité à la prédiction du réseau. Un planificateur de trajectoire locale adaptatif exécute ensuite le waypoint retenu en ajustant ses paramètres selon le résultat de cet arbitrage. Testé dans le simulateur Habitat-sim et sur un robot humanoïde physique non identifié dans l'abstract, EgoNav dépasserait des méthodes de référence récentes en taux de réussite et en efficacité de trajectoire, sans que le texte ne précise de chiffres exacts ni l'identité des auteurs ou du laboratoire. L'enjeu touche un problème opérationnel connu du secteur : la navigation par image-cible avec cartes topologiques est déjà considérée comme une option pratique pour déployer des robots en intérieur, car elle évite le coût d'une cartographie métrique dense ou d'un SLAM précis. Mais les prédicteurs de waypoints appris, souvent issus de réseaux de type VLA ou de pipelines bout en bout, peuvent générer des cibles qui violent la géométrie de la scène ou s'écartent du chemin global, sans garde-fou explicite, et les planificateurs locaux existants manquent d'adaptabilité aux espaces confinés. En hybridant l'intuition du modèle appris avec une couche de sécurité géométrique et un planificateur adaptatif plutôt qu'à paramètres fixes, EgoNav illustre une tendance à corriger, non remplacer, les réseaux de navigation appris, un enjeu concret pour les intégrateurs de robots mobiles et humanoïdes destinés à des entrepôts ou des bureaux. Ce travail s'inscrit dans un champ de recherche actif où coexistent navigation topologique par correspondance d'images, navigation par instructions en langage naturel et pipelines VLA appliqués à la locomotion, sans qu'EgoNav ne revendique de rupture face à des systèmes concurrents nommés. Publié en août 2026 comme prépublication non revue par les pairs, l'article ne mentionne ni partenariat industriel, ni feuille de route de déploiement, ni ouverture de code source. La suite logique pour ce type de contribution académique passe généralement par une soumission à une conférence de robotique, puis éventuellement une publication du code permettant de reproduire les résultats obtenus sur Habitat-sim et sur la plateforme humanoïde testée.

RecherchePaper

1 source

3arXiv cs.RO

BarrierFormer : application de barrières prédictives guidée par transformeur pour un contrôle robotique sûr

Une équipe de recherche propose BarrierFormer, un framework combinant transformers et fonctions de barrière de contrôle (control barrier functions, CBF) pour la sécurité en robotique, décrit dans un preprint publié sur arXiv (identifiant 2609.23896v1). Les CBF standards sont myopes : elles ne garantissent la sécurité qu'à l'instant présent, ce qui peut pousser le système vers la limite de son domaine sûr sans solution de contrôle sûre à l'étape suivante. Les approches de contrôle prédictif (MPC) corrigent ce défaut en imposant les contraintes sur un horizon glissant, mais exigent un modèle dynamique connu et la résolution d'un problème d'optimisation contraint à chaque pas, coûteux en temps réel. BarrierFormer contourne ce compromis avec un transformer causal qui encode l'historique observations-actions, génère de façon autorégressive une trajectoire prédictive via une tête de dynamique (remplaçant le modèle explicite), et produit une correction résiduelle à un contrôleur nominal via une tête d'action (remplaçant l'optimisation en ligne). Un critique de barrière évalue les violations de contraintes CBF le long de cette trajectoire prédite, tandis qu'un "professeur de sécurité" calcule des actions conformes aux contraintes servant de cibles de supervision à l'entraînement. À l'inférence, la politique n'effectue aucune optimisation en ligne. Sur des systèmes dynamiques linéaires et non linéaires, en 2D et 3D, pour des tâches de navigation sûre vers un objectif, les auteurs rapportent de meilleurs taux de sécurité et une latence d'inférence inférieure face à des méthodes par renforcement, par diffusion, par MPC et par transformers existantes. L'enjeu dépasse l'exercice académique : c'est la question de savoir si des politiques apprises peuvent offrir des garanties de sécurité de type prédictif sans le coût de calcul du MPC classique, condition nécessaire pour déployer du contrôle sûr en temps réel sur des robots mobiles ou des bras manipulateurs à ressources de calcul limitées. Un résultat positif à l'échelle validerait une piste alternative aux pipelines MPC-CBF traditionnels, aujourd'hui jugés trop lourds pour l'embarqué. Ce travail reste à ce stade une contribution de recherche évaluée en simulation, sans déploiement sur robot physique ni association à un produit commercial. Il s'inscrit dans la lignée des travaux sur les CBF et le MPC, et se positionne explicitement contre des architectures rivales par apprentissage par renforcement, modèles de diffusion et transformers antérieurs, sans toutefois préciser de calendrier de validation sur matériel réel.

RecherchePaper

1 source

4arXiv cs.RO

Relier sémantique et physique : des LLM contraints pour une manipulation robotique sûre et fiable

Des chercheurs présentent un système qui relie raisonnement en langage naturel et exécution physique sûre pour la manipulation robotique, décrit dans un article publié le 29 août 2026 sur arXiv (2608.29379v1). Le pipeline part d'observations RGB-D pour construire un modèle de scène explicite tenant compte des collisions, puis contraint les décisions d'un grand modèle de langage via des appels d'outils validés par schéma selon le Model Context Protocol (MCP), rejetant les commandes mal formées avant qu'elles n'atteignent le robot. Chaque appel validé est ensuite traduit de façon déterministe dans un pipeline MoveIt Task Constructor, où les mouvements candidats sont vérifiés contre la scène reconstruite avant exécution, une étape de type "vérifier puis agir". Testé sur un bras robotique physique UFactory 850, le système atteint jusqu'à 80% de réussite sur dix essais par tâche pour des opérations de versement impliquant liquides, matières granulaires et solides discrets, et 90% de réussite sur une tâche de saisie-et-dépose avec la même architecture. L'intérêt de ces travaux tient à la démonstration chiffrée d'un problème bien identifié dans la robotique pilotée par LLM: un plan verbalement cohérent peut être physiquement infaisable si la cinématique et les collisions ne sont pas vérifiées avant exécution. Les auteurs montrent qu'une politique scriptée classique surpasse légèrement leur méthode sur la tâche la plus simple, mais chute à seulement 10% de réussite sur la tâche la plus difficile, contre 60% pour leur approche contrainte. Pour les intégrateurs industriels et les équipes robotique, ce résultat suggère qu'ajouter une couche de validation formelle entre le langage et l'action améliore surtout la robustesse sur les cas complexes, plutôt que la performance brute sur les cas faciles où des solutions scriptées suffisent déjà. Ce travail s'inscrit dans la lignée des recherches sur le "language-action gap", l'écart entre la capacité des LLM à décomposer des instructions en séquences d'actions et leur incapacité native à garantir la faisabilité physique de ces actions dans un environnement encombré et perçu de façon imparfaite. La solution proposée combine plusieurs briques existantes, le MCP pour la validation structurée des appels d'outils côté langage, et MoveIt Task Constructor pour la planification de mouvement sous contraintes cinématiques et de collision côté robot, plutôt que d'introduire une nouvelle architecture de bout en bout. Les tests restent limités à un seul bras robotique et un nombre réduit d'essais par tâche, ce qui invite à la prudence avant toute extrapolation vers des déploiements industriels à plus grande échelle.

RecherchePaper

1 source