Prédiction de trajectoire par inférence bayésienne d'intention face à des buts et une cinématique inconnus

Une équipe de recherche a publié une version révisée (v2) sur arXiv (2509.24928) d'un algorithme bayésien adaptatif pour la prédiction de trajectoire en temps réel via inférence d'intention, conçu pour des cibles dont les intentions et la dynamique de mouvement sont inconnues et changeantes. La méthode estime conjointement deux variables : l'intention courante de la cible, modélisée comme un état latent markovien, et un paramètre d'intention qui mesure à quel point la cible suit une politique de plus court chemin. Ce couplage permet à l'algorithme de rester robuste face à des changements brusques d'intention et à une dynamique de mouvement inconnue, sans phase d'entraînement ni connaissance préalable détaillée du comportement de la cible. Un module de prédiction par échantillonnage exploite ensuite ces estimations pour produire des prévisions probabilistes avec incertitude quantifiée. La validation combine des études d'ablation sur deux scénarios, une analyse Monte Carlo de 500 essais, et des démonstrations matérielles sur des plateformes quadrotor et quadrupède. Les résultats montrent que l'approche surpasse nettement les méthodes non adaptatives et partiellement adaptatives, avec un fonctionnement en temps réel autour de 547 Hz.

Cette cadence de calcul élevée, associée à l'absence totale d'entraînement préalable, distingue nettement cette approche des méthodes de prédiction de trajectoire fondées sur l'apprentissage profond, qui nécessitent de larges jeux de données et souffrent souvent d'un écart sim-to-real. Pour les intégrateurs travaillant sur la navigation autonome, l'évitement de collision ou l'interaction humain-robot, la capacité à anticiper le comportement d'un agent mobile sans modèle préalable ni calibration lourde représente un atout pratique, notamment pour l'embarqué où les ressources de calcul sont limitées. La validation croisée sur deux catégories de plateformes robotiques, aériennes et à pattes, suggère une portabilité au-delà d'un cas d'usage unique.

Le travail s'inscrit dans le champ classique de l'inférence bayésienne et de l'estimation adaptative, une alternative aux architectures neuronales de type VLA qui dominent actuellement les annonces du secteur robotique. Le statut de "replace" sur arXiv indique une itération après relecture ou retours de la communauté scientifique, non un produit commercial ou un déploiement industriel. Aucune entreprise ni plateforme commerciale n'est associée à cette publication, qui reste à ce stade un résultat de recherche académique ; les auteurs ne mentionnent pas de calendrier de transfert vers des systèmes robotiques déployés en production.