Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
RecherchearXiv cs.RO 

DevGRU : navigation visuelle guidée par la profondeur avec modèle récurrent conscient des collisions

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

Des chercheurs présentent DevGRU (arXiv:2608.18470v1, prépublication mise en ligne le 20 août 2026), un système de navigation visuelle pour robots conditionné par image de profondeur et point de destination (point-goal). Le cœur du système est un prédicteur d'action (action predictor, AP) qui génère des trajectoires futures tenant compte des collisions, permettant d'éviter les obstacles immédiats. Un second module, le prédicteur de collision, travaille en tandem avec l'AP pour compenser les erreurs accumulées dans l'estimation de la pose cible et anticiper les déviations de trajectoire avant qu'elles ne se produisent. Les auteurs ont évalué leur méthode sur neuf scènes différentes, en la comparant à trois approches de référence considérées comme état de l'art (ViNT, NoMaD et NavDP) ainsi qu'à quatre variantes supplémentaires de ViNT et NoMaD. DevGRU surpasse nettement ViNT et NoMaD en performance de navigation, tout en utilisant un nombre de paramètres entraînables nettement plus faible : le modèle est 7 fois plus compact que NavDP et son temps d'inférence est 17 fois plus rapide.

L'enjeu que cible ce travail est concret pour l'industrie : les modèles de navigation dits "fondation", censés généraliser d'une plateforme robotique à l'autre, échouent souvent dans des environnements intérieurs structurés, en particulier dans les passages étroits, où les collisions restent fréquentes malgré des démonstrations convaincantes en conditions contrôlées. En traitant explicitement la prédiction de collision comme un signal de correction plutôt qu'un simple filtre a posteriori, DevGRU illustre une piste pour combler cet écart entre démonstration et fiabilité réelle. Le gain en légèreté et en vitesse d'inférence est également significatif pour les intégrateurs, puisqu'il ouvre la voie à un déploiement embarqué sur du matériel de calcul limité, sans dépendre d'une infrastructure de calcul déportée.

Ce travail s'inscrit dans la lignée des modèles de navigation généralistes issus de la recherche académique, dont ViNT et NoMaD sont des jalons de référence, avec NavDP comme benchmark plus récent. Il s'agit à ce stade d'une publication de recherche (arXiv, type "new"), sans lien annoncé avec une entreprise, un produit commercial ou un déploiement réel signalé. Aucun pilote industriel ni calendrier de mise en production n'est mentionné dans l'article.

Dans nos dossiers

arXiv cs.RO

À lire aussi

D-CLING : affinage conditionné par la profondeur pour les modèles fondation de navigation, avec préservation des connaissances antérieures
1arXiv cs.RO 

D-CLING : affinage conditionné par la profondeur pour les modèles fondation de navigation, avec préservation des connaissances antérieures

D-CLING est une méthode de fine-tuning pour les Navigation Foundation Models (NFM) présentée dans un preprint arXiv (2605.19690) par des chercheurs de Toyota Frontier Research Center. Les NFM sont des politiques visuomotrices entraînées sur de larges ensembles de données multi-robots, capables de naviguer dans des environnements variés. Le problème identifié est récurrent dans le déploiement terrain : adapter un NFM à un nouveau contexte par fine-tuning classique dégrade ses capacités, provoquant soit un évitement d'obstacles défaillant, soit une incapacité à atteindre les objectifs fixés. D-CLING s'inspire directement de ControlNet, l'architecture de contrôle conditionné développée pour les modèles de diffusion d'images, en attachant une copie entraînable du backbone pré-entraîné via des connexions résiduelles initialisées à zéro. Ce mécanisme permet au modèle d'acquérir des indices géométriques de profondeur sans écraser le prior pré-entraîné. Les évaluations en navigation réelle montrent une réduction significative des collisions et des interventions humaines sur des trajectoires longue distance. Le problème adressé est central pour la commercialisation des robots mobiles : les NFM généralistes sont puissants mais rarement utilisables sans adaptation sur un site spécifique. Le fine-tuning sur données locales provoque typiquement un phénomène d'érosion du prior, autrement dit l'oubli catastrophique des capacités acquises en pré-entraînement. En isolant l'apprentissage géométrique dans une branche parallèle non destructive, D-CLING préserve la généralisation du modèle de base tout en permettant une adaptation ciblée à la configuration caméra et à la géométrie de l'environnement. L'analyse offline montre que la méthode maintient, voire améliore, la prédiction d'actions au-delà du dataset de fine-tuning, un résultat structurant pour le continual learning en robotique mobile. Pour un intégrateur déployant des AMR avec une configuration optique non standard, cela ouvre une voie d'adaptation sans réentraînement complet du modèle. Toyota Frontier Research Center s'inscrit dans une dynamique plus large : plusieurs équipes industrielles cherchent à capitaliser sur les NFM généralistes issus de travaux de Google DeepMind, Stanford ou Berkeley, plutôt que de repartir de zéro par plateforme. Le transfert méthodologique depuis ControlNet illustre la porosité croissante entre la recherche en génération d'images et la robotique, notamment via les architectures à diffusion. Les concurrents directs incluent les adaptations LoRA appliquées aux politiques robotiques et les approches de domain adaptation sans ré-entraînement. D-CLING reste pour l'instant un preprint, sans benchmark standardisé publié ni déploiement à grande échelle annoncé ; les résultats sont prometteurs, mais la validation sur des environnements industriels diversifiés reste entière.

UEImpact indirect : les intégrateurs européens d'AMR déployant des modèles de navigation généralistes pourraient adopter cette méthode d'adaptation sans réentraînement complet, mais aucun acteur ou déploiement EU n'est impliqué à ce stade.

RechercheOpinion
1 source
Modèle du monde pour la navigation sociale de robots guidée par la logique
2arXiv cs.RO 

Modèle du monde pour la navigation sociale de robots guidée par la logique

Des chercheurs ont publié NaviWM (Navigation World Model), un système de navigation robotique socialement consciente qui couple un grand modèle de langage (LLM) avec un modèle de monde structuré et un module de raisonnement logique déductif. Le système repose sur deux composants principaux : un modèle spatio-temporel qui capture en temps réel les positions, vitesses et activités des agents présents dans l'environnement, et un module de raisonnement par chaîne-de-pensée (chain-of-thought) guidé par des règles formelles. La nouveauté centrale est l'encodage des normes sociales en logique du premier ordre (first-order logic), ce qui rend le raisonnement du robot vérifiable et interprétable, contrairement aux approches par prompt engineering ou fine-tuning. Les expériences menées montrent une amélioration du taux de succès de navigation et une réduction des violations sociales dans les environnements encombrés. L'article, disponible en version 2 sur arXiv (référence 2510.23509), est accompagné de vidéos de démonstration publiées par les auteurs. Ce travail s'attaque à une faille bien documentée des LLM appliqués à la planification de trajectoires en robotique mobile : le manque d'ancrage physique et de cohérence logique lorsqu'ils opèrent seuls. En environnements dynamiques peuplés d'humains, les LLM purs produisent des comportements imprévisibles, voire dangereux. En ajoutant une couche de raisonnement formel en aval du LLM sous des contraintes explicites (espace personnel, évitement de collision, gestion du timing), NaviWM propose une solution plus robuste. Pour un intégrateur travaillant sur des robots de service en intérieur, livraison hospitalière ou navigation en entrepôt mixte humain-robot, cela représente un levier concret pour réduire le gap entre démonstration en laboratoire et déploiement opérationnel. Le caractère interprétable du raisonnement constitue également un atout pour les exigences de traçabilité et de certification en milieu industriel ou médical. La navigation sociale pour robots mobiles est un champ en forte effervescence, où coexistent des approches classiques comme ORCA (Optimal Reciprocal Collision Avoidance), des prédicteurs à base de réseaux LSTM sociaux, et plus récemment des systèmes intégrant des VLA (Vision-Language-Action models) comme Pi-0 ou les architectures embarquées de Boston Dynamics et Figure. NaviWM se positionne dans un segment distinct : il ne cherche pas à remplacer le LLM mais à le contraindre via un modèle du monde explicite et des règles formelles, une approche hybride neuro-symbolique proche des travaux du MIT CSAIL sur la planification task-and-motion. Les prochaines étapes naturelles seront de valider l'architecture sur des plateformes physiques hors simulation et de tester la robustesse des règles logiques face à des scénarios sociaux non anticipés lors de leur encodage initial.

RecherchePaper
1 source
ProbeAct : récupération des échecs sans entraînement guidée par sonde dans les modèles vision-langage-action
3arXiv cs.RO 

ProbeAct : récupération des échecs sans entraînement guidée par sonde dans les modèles vision-langage-action

Une équipe de recherche a publié sur arXiv (arXiv:2606.09740) ProbeAct, un framework d'intervention à l'exécution conçu pour détecter et corriger les échecs de saisie et de placement dans les modèles Vision-Language-Action (VLA) pré-entraînés, sans modifier leurs poids ni nécessiter de démonstrations supplémentaires. Le système repose sur trois composants couplés : une sonde légère sur les états cachés du modèle qui prédit les positions 3D des objets pertinents à partir des features intermédiaires du VLA (avec suivi d'identité par algorithme hongrois pour les scènes multi-objets) ; une machine à états cinématiques agnostique à l'objet qui détecte les défaillances de saisie, de transport et de placement via les signaux internes du préhenseur et la cinématique de l'effecteur terminal ; enfin, un filtre hiérarchique par Control Barrier Function (CBF) qui encode les zones d'échecs répétés comme contraintes soft sur l'ensemble de sécurité, corrigeant minimalement les actions du VLA sans altérer son comportement nominal. Évalué sur le benchmark LIBERO-plus, ProbeAct améliore le taux de succès d'OpenVLA-OFT de 69,6 % à 74,1 %. Un gain de 4,5 points de taux de succès peut sembler modeste, mais il intervient sur un problème structurel bien identifié des VLA : leur fragilité hors distribution. Ces modèles échouent régulièrement face à des variations de luminosité, des changements de point de vue caméra, ou de légères variations d'état initial, autant de conditions triviales dans un déploiement industriel réel. L'intérêt de ProbeAct est précisément d'être plug-and-play, orthogonal aux pipelines d'entraînement existants, et applicable aussi bien aux modèles de base qu'aux versions fine-tunées. Pour un intégrateur, cela signifie un filet de sécurité superposable sur n'importe quel VLA sans coût de ré-entraînement, ce qui réduit concrètement le gap entre performance en benchmark et robustesse terrain. Les VLA ont connu une accélération notable depuis 2023 avec des modèles comme RT-2 (Google DeepMind), OpenVLA (UC Berkeley) ou pi-0 (Physical Intelligence), mais leur fragilité aux perturbations reste un frein reconnu à la commercialisation. Les approches existantes pour y remédier passent généralement par de l'augmentation de données ou du fine-tuning ciblé, coûteux en temps et en annotations. ProbeAct s'inscrit dans une alternative émergente : la correction à l'inférence, sans toucher au modèle. Il s'agit pour l'instant d'un preprint arXiv, sans déploiement annoncé ni partenaire industriel mentionné ; les prochaines étapes naturelles seraient une validation sur hardware réel hors benchmark simulé.

RechercheOpinion
1 source
EA-Nav : apprentissage de politiques de navigation visuelle sûres avec conscience de l'incarnation
4arXiv cs.RO 

EA-Nav : apprentissage de politiques de navigation visuelle sûres avec conscience de l'incarnation

Des chercheurs publient EA-Nav, un framework de navigation visuelle "embodiment-aware" conçu pour l'apprentissage par imitation plutôt que par renforcement, décrit dans un article arXiv (2607.19880) mis en ligne fin juillet 2026. Le système répond à un problème précis : une même image de caméra peut impliquer des actions différentes selon la géométrie du robot (empattement, hauteur, rayon de braquage), ce qui rend la prédiction ambiguë si l'on se fie uniquement à la vision. L'architecture se déploie en deux temps. En pré-entraînement, les auteurs construisent un jeu de données de navigation cross-embodiment à partir de vidéos Internet, en injectant la géométrie du robot comme token conditionnel pour lever l'ambiguïté. En fine-tuning, un mécanisme d'injection multimodale à architecture découplée entre en jeu, complété par une stratégie d'augmentation de trajectoires qui génère des échantillons à haut risque, utilisés pour entraîner séparément la perception spatiale et la correction consciente du risque. L'enjeu dépasse le cas d'école. Les flottes de robots mobiles et d'humanoïdes déployées en entrepôt ou en usine sont rarement homogènes : plusieurs géométries de châssis, plusieurs générations de matériel coexistent souvent chez un même intégrateur. Les approches par renforcement, dominantes jusqu'ici, exigent une interaction à grande échelle et un design de récompense minutieux, ce qui limite leur passage à l'échelle et leur adaptation rapide sur le terrain. Une méthode par imitation capable de généraliser à travers les morphologies, sans réentraînement lourd par robot, répondrait à un vrai besoin d'industrialisation plutôt qu'à une simple prouesse académique. Il s'agit toutefois d'un article de recherche à ce stade, sans lien annoncé avec un produit commercial, un intégrateur ou un déploiement réel, et le résumé ne fournit aucun chiffre de performance vérifiable, seulement une amélioration qualifiée d'"effective" sur plusieurs configurations testées. Le travail s'inscrit dans la même veine que les modèles vision-langage-action génériques comme GR00T N2, Pi-0 ou Helix, mais se concentre spécifiquement sur la brique navigation plutôt que sur la manipulation, un axe encore peu couvert par ces plateformes généralistes.

RecherchePaper
1 source