RecherchearXiv cs.RO 17 août 2026

Path Planning Informative basée sur l'Énergie Libre Attendue pour l'Exploration Martienne Robotique

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs publient sur arXiv, sous la référence 2608.14466v1, une nouvelle méthode de planification de trajectoire pour l'exploration robotique de Mars, en particulier la recherche de sources d'eau. Baptisée Expected Free Energy (EFE) et issue du cadre théorique de l'inférence active, la méthode fait naviguer en continu un robot autonome dans un environnement inconnu, en maintenant via un processus gaussien une croyance probabiliste sur la carte d'information du terrain. Le robot calcule des trajectoires qui minimisent l'énergie libre attendue tout en respectant une contrainte stricte de longueur de parcours, donc de temps et de coût de déplacement. Sur plusieurs simulations, les auteurs rapportent que cette approche produit des cartes postérieures précises tout en localisant simultanément les zones de plus forte valeur informative, et surpasse les méthodes information-théoriques classiques testées dans les mêmes conditions.

L'apport principal tient à l'unification de deux objectifs habituellement traités séparément: la recherche d'information pure, qui vise à réduire l'incertitude sur l'environnement, et la recherche de récompense, qui vise à atteindre rapidement les zones jugées les plus intéressantes. Les critères classiques de planification optimisent en général l'un ou l'autre, rarement les deux sous une même fonction objectif. Pour un rover martien ou tout robot mobile à autonomie énergétique limitée, un critère unique et présenté comme facile à régler pourrait simplifier le déploiement autonome tout en garantissant le respect des contraintes de ressources. Les résultats reposent toutefois uniquement sur des simulations numériques, sans essai sur rover physique ni calendrier de mission mentionné.

L'inférence active et le principe d'énergie libre proviennent des neurosciences computationnelles, où ils décrivent comment un système biologique minimise la surprise face à son environnement, un cadre de plus en plus repris en robotique pour unifier perception et prise de décision. Jusqu'ici, la planification de trajectoire informative reposait sur des critères information-théoriques distincts, comme la réduction d'entropie, opposés aux stratégies de recherche de récompense héritées de l'apprentissage par renforcement. En proposant l'EFE comme objectif unique sous contrainte de budget, les auteurs cherchent à combler cet écart méthodologique plutôt qu'à annoncer un produit ou une mission martienne concrète. Publié en tant que prépublication arXiv, l'article ne mentionne ni collaboration industrielle ni suite opérationnelle: la validation reste pour l'instant cantonnée à la simulation.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

Apprendre ce qui compte : objectifs adaptatifs fondés sur la théorie de l'information pour l'exploration robotique

Une équipe de chercheurs a publié en mai 2025 sur arXiv (référence 2605.12084) une méthode appelée Quasi-Optimal Experimental Design, ou QOED, visant à résoudre un problème fondamental de l'exploration robotique : comment guider un robot vers les expériences qui lui apprendront réellement quelque chose d'utile ? La méthode repose sur une analyse de l'espace propre de la matrice d'information de Fisher pour identifier les directions de paramètres réellement observables, puis modifie l'objectif d'exploration pour concentrer l'effort sur ces directions tout en atténuant l'influence des paramètres secondaires ("nuisance"). Évaluée sur des tâches de navigation et de manipulation en simulation et en conditions réelles, QOED génère un gain de performance de 35,23 % grâce à la sélection des directions identifiables, et de 21,98 % supplémentaires via la suppression des effets parasites. Intégrée comme objectif d'exploration dans une boucle d'optimisation de politique model-based, elle surpasse les baselines classiques de RL. Ce résultat compte parce qu'il attaque directement le goulot d'étranglement de l'apprentissage actif en robotique : dans les systèmes haute dimension (bras articulés, manipulation dextre, navigation en environnement non structuré), une large fraction des paramètres du modèle est faiblement observable, voire non identifiable. Les méthodes classiques de curiosité ou d'information gain mesurent une incertitude globale sans distinguer ce qui peut être réduit par l'expérience de ce qui ne le peut pas. QOED fournit une approximation à facteur constant de l'objectif idéal théorique, une garantie formelle rare dans ce champ, ce qui lui confère une légitimité au-delà de la démonstration empirique seule. La méthode s'inscrit dans une longue tradition de théorie du design expérimental optimal (OED) issue des statistiques, ici adaptée au cadre RL avec optimisation en ligne. Sur le plan concurrentiel, les approches voisines incluent les méthodes de curiosité bayésienne (type DIAYN ou LEXA) et les objectifs d'information mutuelle comme VIME ou Plan2Explore. QOED se distingue par son ancrage théorique rigoureux et l'explicitation du sous-espace identifiable, deux points que les méthodes heuristiques négligent. Aucun déploiement industriel ni partenaire n'est mentionné : il s'agit à ce stade d'un résultat académique, dont l'intégration dans des pipelines de calibration ou de sim-to-real reste à valider à plus grande échelle.

RecherchePaper

1 source

2arXiv cs.RO

Robot BIM : plateforme de simulation à événements discrets basée sur des agents pour la robotique

Une équipe de recherche propose sur arXiv (2607.16920v1) une plateforme de simulation événementielle discrète, multi-agents et couplée au Building Information Modeling (BIM), pour la navigation et la planification d'opérations robotiques en intérieur. La méthode discrétise l'environnement en cellules de grille converties en nœuds de graphe, classés en trois catégories selon leur relation spatiale avec les éléments du bâtiment : nœuds cibles, nœuds obstacles et nœuds réguliers. Des coûts de traversée sont ensuite assignés aux arêtes reliant les nœuds voisins, ce qui permet à des algorithmes de théorie des graphes de calculer des trajectoires efficaces et sans collision. Les simulations confirment que cette représentation en graphe produit une navigation fonctionnelle, mais les auteurs identifient une limite concrète à discrétisation grossière : un chevauchement entre cellules occupées par une cible et cellules occupées par un obstacle, corrigé par un raffinement de la grille qui améliore la précision spatiale et la faisabilité des trajectoires. L'apport principal tient au type d'information mobilisée. La plupart des robots d'intérieur pour la maintenance de bâtiments (nettoyage, inspection) reposent sur des trajets prédéfinis ou du SLAM, qui ne fournissent qu'une compréhension géométrique limitée de l'environnement. Or des tâches plus complexes, comme localiser et réparer une fuite sur une canalisation, exigent d'accéder à des données que seul le BIM contient réellement : position, géométrie, matériau et attributs opérationnels des composants du bâtiment. En connectant ce gisement de données à un moteur de planification par graphe, la plateforme ouvre la voie à des robots capables de raisonner sur le bâtiment lui-même, et pas seulement de s'y déplacer, ce qui intéresse directement les intégrateurs en facility management et en maintenance industrielle. Il s'agit toutefois d'un travail de recherche à un stade de validation purement simulé, sans déploiement sur robot physique ni site pilote annoncé. Il se positionne dans un contexte plus large où l'exploitation du BIM en robotique reste marginale, la discipline étant dominée par les piles de navigation classiques (SLAM, ROS) et les simulateurs génériques. La plateforme sert de base pour évaluer virtuellement des opérations robotiques avant tout déploiement réel, les suites logiques étant l'extension à des tâches de maintenance plus complexes et une validation sur un déploiement physique.

RecherchePaper

1 source

3arXiv cs.RO

Exploration collaborative économe en énergie pour une équipe UAV-UGV

Une équipe de chercheurs présente un cadre de coordination énergétique pour l'exploration collaborative d'environnements inconnus par un duo drone (UAV) et robot terrestre (UGV). La contrainte de vol du drone est modélisée comme une autonomie de vol maximale : le drone effectue une série de tournées d'exploration bornées en énergie, pendant que le robot au sol explore lui aussi le terrain et sert simultanément de station de recharge mobile. Un mécanisme de rendez-vous sous budget de temps partagé garantit que les deux véhicules se retrouvent à la fin de chaque tournée, avant que le drone n'atteigne sa limite d'autonomie. Pour planifier les trajets, les auteurs construisent une carte de routes air-sol faiblement couplée via un PRM (probabilistic roadmap) stratifié et sensible à la densité de l'environnement, puis formulent la sélection des tournées comme des problèmes d'orienteering couplés, visant à maximiser le gain d'information tout en respectant la contrainte de rendez-vous. Les trajets générés passent uniquement par des arêtes de la carte validées pour éviter les collisions. La méthode a été testée en simulation, comparée à des approches de référence, et validée par des expériences réelles. Le papier, publié sur arXiv (2603.22507), est une version révisée d'un travail antérieur. Cette approche s'attaque à un verrou classique de l'exploration robotique autonome : l'autonomie limitée des drones, qui restreint la portée et la durée des missions de cartographie ou de recherche en zone inconnue. En couplant la rapidité et le point de vue aérien du drone à l'endurance du robot terrestre faisant office de station de charge mobile, le système vise à prolonger les missions sans intervention humaine, un enjeu clé pour la recherche et sauvetage, l'inspection d'infrastructures ou la surveillance en environnement GPS-dénié. La formulation en problème d'orienteering couplé, plutôt qu'en simple planification indépendante de chaque véhicule, permet d'arbitrer explicitement entre gain d'information et contrainte de rendez-vous énergétique, un compromis rarement traité de façon aussi intégrée dans la littérature sur les équipes hétérogènes air-sol. Les systèmes multi-robots air-sol combinant PRM et théorie des graphes pour la planification de trajectoire existent depuis plusieurs années, mais la plupart traitent la gestion énergétique et la coordination de rendez-vous séparément, ou supposent une recharge illimitée. Ce travail se distingue en couplant explicitement roadmap, contrainte énergétique et logique de rendez-vous dans une seule formulation d'optimisation, et en la validant au-delà de la simulation par des essais matériels réels, une étape que beaucoup d'approches académiques similaires ne franchissent pas. Les suites naturelles concernent le passage à l'échelle vers des flottes de plusieurs drones et robots terrestres, ainsi que la robustesse face à des environnements dynamiques ou partiellement cartographiés.

RecherchePaper

1 source

4arXiv cs.RO

L-Learning : une approche basée sur Lyapunov exploitant la mécanique lagrangienne pour un suivi robotique efficace et stable

Une équipe de chercheurs a publié en mai 2026 sur arXiv (arXiv:2605.26648) un framework de contrôle baptisé L-Learning, conçu pour améliorer le suivi de trajectoire des robots dans des environnements dynamiques et incertains. L'approche combine deux cadres mathématiques éprouvés : la théorie de stabilité de Lyapunov, qui garantit la convergence d'un système vers un état stable, et la mécanique lagrangienne, qui modélise le comportement physique d'un système à partir de ses fonctions d'énergie. Concrètement, L-Learning apprend cette fonction d'énergie directement depuis les données collectées, puis s'en sert pour calculer des commandes qui assurent à la fois précision de suivi et stabilité en boucle fermée. Les auteurs mettent en avant trois propriétés clés : précision de contrôle supérieure, garanties théoriques de stabilité, et haute efficacité en termes de complexité d'échantillonnage. L'enjeu industriel est réel. Le contrôle robotique moderne est pris en étau entre deux familles de méthodes : les approches classiques (PID, MPC) offrent des garanties formelles de stabilité mais se dégradent dès que le modèle du système est imprécis ou que l'environnement évolue ; à l'inverse, les méthodes data-driven (apprentissage par renforcement, politiques neuronales) s'adaptent mieux mais nécessitent de grands volumes de données d'entraînement et ne proposent aucune garantie formelle, ce qui complique leur certification pour un déploiement industriel. L-Learning prétend combler ce fossé, et si ses performances se confirment expérimentalement, cela pourrait réduire la barrière à la mise en production de contrôleurs appris sur des robots manipulateurs ou mobiles, y compris dans des contextes soumis à certification. Le framework s'inscrit dans un courant de recherche actif autour des fonctions de Lyapunov neuronales, avec des travaux concurrents menés notamment chez DeepMind, MIT CSAIL et Caltech sur l'apprentissage de certificats de stabilité. À noter que cette publication est un preprint arXiv sans revue par les pairs finalisée : l'abstract ne fournit aucun benchmark chiffré sur des plateformes réelles (bras, humanoïdes, AMR), ni de comparaison directe avec des baselines standards comme CLF-QP ou des politiques RL classiques. La valeur concrète de L-Learning restera à confirmer lors d'expériences sur matériel physique, ce qui constitue le prochain test décisif pour cette approche.

RecherchePaper

1 source