Aller au contenu principal
RecherchearXiv cs.RO 

Risque et incertitude : une planification cinodynamique pour une navigation sûre en environnement planétaire

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

Une équipe de robotique publie sur arXiv, en août 2026 (référence 2608.11175, nouvelle soumission), une méthode de planification de trajectoire cinodynamique consciente du risque pour les robots à roues en environnement planétaire. L'approche combine deux étapes : un planificateur par échantillonnage nommé AO-RRT génère d'abord une trajectoire dynamiquement faisable, sensible au risque et asymptotiquement optimale en coût ; le problème est ensuite reformulé en optimisation non linéaire, résolue par programmation convexe séquentielle (SCP) à partir de cette trajectoire initiale. Le risque est quantifié via la valeur à risque conditionnelle (CVaR), une métrique issue de la finance qui capture les scénarios les plus défavorables. Testée en simulation puis validée sur du matériel réel, la méthode réduit le risque de plus de 97% sur l'ensemble des trajectoires évaluées.

Pour un rover planétaire, la mécanique terrain-roue reste souvent partiellement inconnue et doit être apprise en ligne, ce qui peut transformer un plan optimal en manœuvre dangereuse, un risque amplifié par les incertitudes des systèmes de perception embarqués. L'enjeu est concret : un rover ensablé ou renversé peut compromettre toute une mission, sans intervention téléopérée rapide possible compte tenu de la latence de communication avec la Terre. En réduisant le risque de près de deux ordres de grandeur sans sacrifier l'optimalité du coût ni la faisabilité dynamique, ces travaux comblent l'écart entre les planificateurs purement optimaux en coût, qui ignorent la queue de distribution des scénarios dangereux, et les approches d'optimisation locale sans garantie de couverture globale.

La méthode s'appuie sur la famille des planificateurs par échantillonnage de type RRT asymptotiquement optimaux, couplés à la programmation convexe séquentielle, déjà utilisée en robotique aérienne et spatiale pour raffiner des trajectoires initiales. L'usage de la CVaR pour quantifier le risque d'enlisement ou de collision rappelle des précédents marquants, comme celui du rover Spirit de la NASA, ensablé en 2009, ce qui avait mis fin à sa phase de mobilité. Publiée sous forme de lettre de recherche, cette étude reste à ce stade une contribution académique, validée en simulation et sur banc d'essai matériel mais sans déploiement opérationnel annoncé ; les prochaines étapes attendues portent sur des modèles de terrain plus complexes et une intégration potentielle aux futures piles logicielles d'autonomie de rovers lunaires ou martiens.

Dans nos dossiers

À lire aussi

Planification heuristique à base de LLM pour la navigation robotique dans des environnements dynamiques, intégrant la conscience sémantique du risque
1arXiv cs.RO 

Planification heuristique à base de LLM pour la navigation robotique dans des environnements dynamiques, intégrant la conscience sémantique du risque

Des chercheurs ont publié début mai 2026, via un preprint arXiv (2605.02862), un planificateur de navigation robotique baptisé SRAH (Semantic Risk-Aware Heuristic), conçu pour intégrer des principes de raisonnement issus des grands modèles de langage (LLM) dans le cadre classique de recherche de chemin A. L'algorithme encode des fonctions de coût sémantiques qui pénalisent les zones géométriquement encombrées ou identifiées comme à risque élevé, et déclenche un replanification en boucle fermée dès qu'un obstacle dynamique est détecté. Les auteurs l'ont évalué sur 200 essais randomisés dans un environnement grille 15x15 cases, avec 20% de densité d'obstacles statiques et des obstacles dynamiques stochastiques. SRAH atteint un taux de succès de 62,0%, contre 56,5% pour BFS avec replanification (soit +9,7% d'amélioration relative) et 4,0% pour une heuristique Greedy sans replanification. Une étude d'ablation sur la densité d'obstacles confirme que le façonnage sémantique des coûts améliore la navigation sur des environnements de difficulté variable. Ce travail s'inscrit dans un courant de recherche qui cherche à exploiter la capacité des LLM à encoder du raisonnement contextuel sans les déployer en inférence temps réel, ce qui réduirait la latence et les coûts de calcul embarqués. L'idée centrale, injecter une représentation sémantique du risque dans la fonction heuristique d'A, est pertinente pour les développeurs d'AMR (robots mobiles autonomes) industriels confrontés à des environnements semi-structurés changeants. Cela dit, les résultats doivent être nuancés : un taux de succès de 62% dans une grille 15x15 reste modeste pour une tâche de navigation, et la comparaison avec un Greedy sans replanification est méthodologiquement inégale. La valeur démontrée reste celle de principe, pas de déploiement à l'échelle. La navigation en environnement dynamique est un problème central depuis les travaux fondateurs sur A (Hart, Nilsson, Raphael, 1968) et les variantes D et D*-Lite des années 1990-2000. L'émergence des LLM a relancé l'intérêt pour des heuristiques fondées sur la sémantique plutôt que sur la pure géométrie, une piste explorée par des équipes comme celles de Stanford (SayCan, 2022) ou de Google DeepMind avec RT-2. Sur le segment de la navigation mobile, des acteurs comme Boston Dynamics, MiR ou Exotec (France) intègrent déjà des couches de replanification dynamique dans leurs flottes d'AMR industriels. Ce preprint n'annonce pas de produit ni de déploiement : c'est une contribution algorithmique à valider sur des benchmarks plus réalistes (ROS 2, Gazebo, environnements 3D) avant tout transfert industriel.

UECe preprint pourrait à terme informer les développeurs d'AMR industriels européens sur les heuristiques sémantiques LLM, mais les résultats restent trop préliminaires et le benchmark trop limité (grille 15x15) pour un transfert industriel immédiat.

RecherchePaper
1 source
Planification par scénarios conjecturaux sensibles au risque pour la navigation robotique dynamique et sûre
2arXiv cs.RO 

Planification par scénarios conjecturaux sensibles au risque pour la navigation robotique dynamique et sûre

Des chercheurs ont publié sur arXiv (preprint 2605.26348, mai 2026) une nouvelle couche de planification baptisée RCSP (Risk-Sensitive Conjectural Scenario Planning), conçue pour les robots mobiles évoluant dans des environnements à obstacles dynamiques. L'algorithme s'attaque à un problème précis, peu formalisé jusqu'ici : un robot peut se trouver dans une trajectoire localement sûre tout en s'engageant irrévocablement vers une configuration où des obstacles mobiles fermeront le passage avant qu'il ne puisse réagir. RCSP maintient une distribution probabiliste sur des conjectures de mouvements locaux, échantillonne des futurs d'interaction à horizon court, pénalise les queues de distribution à risque élevé, puis délègue l'exécution à une couche de sécurité locale. Les tests ont été conduits dans trois environnements : des goulots d'étranglement simulés sous MuJoCo, un empilement ROS2/Gazebo avec la pile Nav2 standard, et le benchmark DynaBARN sur la plateforme Jackal. Dans MuJoCo, RCSP atteint l'objectif sans collision et améliore les métriques de sécurité secondaire et de qualité de trajectoire par rapport à un prédicteur non adaptatif, mais au prix d'une latence accrue. Dans le setup Nav2, la couche RCSP réduit les quasi-collisions dynamiques. Sur le benchmark officiel DynaBARN, en revanche, les planificateurs classiques optimisés DWA (Dynamic Window Approach) et TEB (Timed Elastic Band) conservent un avantage net en taux de succès strict. Ce travail aborde un angle mort réel de la navigation en environnement industriel dynamique : la plupart des architectures de planification réactives raisonnent sur la sécurité instantanée, sans modéliser l'engagement dans le futur. Pour les intégrateurs d'AMR en entrepôt ou en usine, où des opérateurs humains ou d'autres robots traversent des couloirs étroits, ce "problème de quasi-collision prédicative" se traduit par des arrêts d'urgence non planifiés ou des collisions lentes. L'architecture modulaire de RCSP, greffable sur une pile Nav2 existante sans remplacer le planificateur de base, réduit le coût d'intégration. Les résultats mitigés sur DynaBARN sont significatifs : ils indiquent que l'approche probabiliste apporte une valeur dans des régimes de goulot d'étranglement dynamique spécifiques, mais ne surpasse pas encore des planificateurs classiques bien calibrés sur des benchmarks génériques, ce qui délimite honnêtement le domaine d'application. La navigation dynamique pour robots mobiles est un espace de recherche dense, où s'affrontent des méthodes classiques comme DWA et TEB, des approches par apprentissage par renforcement, et des planificateurs à base de champs de potentiel. RCSP se positionne explicitement comme un module complémentaire plutôt qu'un remplacement, ce qui facilite son adoption potentielle dans l'écosystème ROS2/Nav2 utilisé par la majorité des intégrateurs. Les résultats restent à ce stade entièrement simulés, sans validation sur hardware réel ni déploiement en production annoncé. Les prochaines étapes naturelles incluent des tests sur plateforme physique dans des environnements non contrôlés et une évaluation des performances en latence sur hardware embarqué contraint.

UELes intégrateurs européens d'AMR utilisant la pile Nav2/ROS2 pourraient à terme bénéficier de ce module pour réduire les quasi-collisions en environnements dynamiques, mais aucun acteur FR/EU n'est impliqué et les résultats restent entièrement simulés.

RecherchePaper
1 source
AURA : algorithme de replanification asymptotiquement optimal et robuste à l'incertitude pour les systèmes kinodynamiques
3arXiv cs.RO 

AURA : algorithme de replanification asymptotiquement optimal et robuste à l'incertitude pour les systèmes kinodynamiques

Une équipe de chercheurs a publié sur arXiv (identifiant 2605.27699) un algorithme de planification de trajectoire en ligne baptisé AURA, pour Asymptotically Optimal Uncertainty-Robust Replanning Algorithm, conçu pour les systèmes kinodynamiques, c'est-à-dire des robots soumis à des contraintes à la fois cinématiques et dynamiques, comme les drones, les systèmes sous-actionnés ou les robots à roues non-holonomes. L'architecture repose sur trois composants parallèles : un thread d'exécution principal, un module de replanification continue qui explore l'espace des états pendant le déplacement du robot, et un processus d'optimisation qui ajuste les commandes futures en temps réel pour réduire l'erreur de suivi. L'approche a été évaluée à la fois en simulation et dans des environnements réels sur plusieurs plateformes robotiques, avec des améliorations rapportées en qualité de trajectoire, précision de suivi et performance globale par rapport aux méthodes de référence. Les chiffres précis ne sont pas détaillés dans le résumé de ce preprint. L'apport principal d'AURA réside dans la combinaison de deux problèmes longtemps traités séparément. Les planificateurs à base d'échantillonnage, comme RRT ou ses variantes asymptotiquement optimales (RRT), offrent des garanties théoriques solides mais fonctionnent classiquement hors-ligne : le robot attend la fin du calcul avant de commencer à se déplacer. Par ailleurs, les perturbations réelles, glissement, imprécision des actionneurs, erreurs de modèle, provoquent des écarts entre la trajectoire planifiée et celle réellement exécutée, problème central du fossé sim-to-real. En fusionnant replanification continue et correction des commandes dans un méta-planificateur unique, AURA cherche à combler cet écart sans renoncer aux garanties d'optimalité asymptotique. Pour les intégrateurs travaillant sur des systèmes à haute dimensionnalité où le MPC classique devient computationnellement coûteux, cette approche offre une piste potentiellement viable pour des déploiements en conditions réelles. Ce travail s'inscrit dans un axe de recherche actif depuis la généralisation de RRT par Karaman et Frazzoli en 2011, qui a relancé l'intérêt pour la planification asymptotiquement optimale en robotique. Plusieurs approches concurrentes visent à rendre ces algorithmes utilisables en ligne, notamment via des variantes anytime ou des hybridations avec le contrôle prédictif par modèle. AURA se positionne comme un cadre générique, applicable à différentes classes de systèmes plutôt qu'à une plateforme spécifique. Il s'agit pour l'instant d'un preprint non encore évalué par les pairs, sans déploiement industriel ni partenariat commercial annoncé. La soumission à une conférence majeure de robotique, ICRA, IROS ou RSS, constituerait la prochaine étape naturelle pour valider ces résultats auprès de la communauté.

RecherchePaper
1 source
Planification kinodynamique avec coût terminal et incertitude apprise dans l'espace état-croyance
4arXiv cs.RO 

Planification kinodynamique avec coût terminal et incertitude apprise dans l'espace état-croyance

Une équipe du laboratoire elpis-lab publie KiTe, un planificateur cinodynamique qui introduit une formulation par coût terminal pour la planification de mouvements robotiques sous incertitude, soumis sur arXiv en mai 2026. Le travail étend AO-RRT (Asymptotically Optimal Rapidly-exploring Random Trees), l'algorithme de référence en planification cinodynamique, en ajoutant un objectif de qualité de l'état terminal plutôt que de traiter l'atteinte du but comme une contrainte binaire de faisabilité. Les auteurs prouvent formellement que cette extension préserve l'optimalité asymptotique d'AO-RRT. KiTe est ensuite étendu à l'espace de croyance (belief space) : la distance de Wasserstein entre la distribution terminale estimée et l'objectif sert de métrique, dont les auteurs démontrent qu'elle améliore une borne inférieure sur la probabilité d'atteindre la région cible. Pour les systèmes sans modèle analytique d'incertitude, les dynamiques et le bruit de processus sont appris directement depuis les données. Les expériences couvrent Flappy Bird, Car Parking et Planar Pushing en simulation, puis une validation réelle sur poussée planaire, avec des taux de succès supérieurs aux planificateurs de référence dans l'ensemble des configurations testées. L'enjeu dépasse la démonstration académique : les planificateurs cinodynamiques existants optimisent le coût cumulatif de trajectoire sans modéliser explicitement la qualité de l'état d'arrivée, les rendant fragiles face au bruit capteur, aux erreurs de modèle ou aux dynamiques non linéaires. En formulant la qualité terminale comme objectif à part entière et en intégrant des modèles d'incertitude appris, KiTe adresse directement le gap démonstration-réalité qui freine le déploiement de planificateurs en manipulation non structurée ou en environnement industriel. Pour un ingénieur ou un intégrateur, cela se traduit par des trajectoires plus robustes sans exiger un modèle dynamique parfait du système. La planification cinodynamique en espace de croyance est un domaine concurrentiel face à des approches comme MPPI (Model Predictive Path Integral), iLQR sous incertitude, ou les planificateurs basés sur des processus gaussiens. AO-RRT, sur lequel KiTe s'appuie, est une référence établie pour la planification à optimalité garantie avec contraintes dynamiques. La contribution de KiTe est à la fois théorique (preuve d'optimalité préservée sous l'objectif augmenté) et pratique (apprentissage des dynamiques depuis les données), avec le code disponible publiquement sur GitHub (elpis-lab/KiTe), ce qui facilite la reproductibilité et l'adoption par la communauté.

RecherchePaper
1 source