Aller au contenu principal
WESPR : perception et planification sûres et économes en énergie, adaptées au vent, pour vol robuste des quadrirotorsIllustration générée par IA
RecherchearXiv cs.RO 

WESPR : perception et planification sûres et économes en énergie, adaptées au vent, pour vol robuste des quadrirotors

1 source couvre ce sujet·Source originale ↗·

Compilé et résumé par IA · sources vérifiables en un clic · publié sans lecture humaine préalable · méthodologie

Résumé IASource unique

Des chercheurs présentent WESPR (Wind-adaptive Energy-efficient Safe Perception and Planning for Robust flight), un framework logiciel destine aux drones quadrirotors évoluant dans des environnements ou le vent est perturbe par des obstacles proches. Publie sur arXiv sous l'identifiant 2603.09194 (version 2, remplaçant une preprint antérieure), le système combine perception géométrique de l'environnement et données météo locales pour estimer en quasi temps réel les champs de vent générés par des bâtiments, murs ou obstacles, puis calculer une trajectoire économe en énergie et adapter la stratégie de contrôle, le tout en moins de 10 secondes. L'équipe a valide l'approche sur un drone Crazyflie, quadrirotor miniature courant en recherche, navigant dans un parcours d'obstacles générant de la turbulence. Compare a un contrôleur adaptatif classique ignorant la géométrie environnante, WESPR réduit de 35,6% en moyenne l'écart maximal par rapport a la trajectoire prévue et améliore la stabilité de vol de 24,6%.

L'enjeu dépasse l'exercice académique: le vent local, notamment les rafales et cisaillements créés par des obstacles urbains ou industriels, reste l'un des principaux facteurs limitant la fiabilité des drones en extérieur, que ce soit pour l'inspection d'infrastructures, la livraison ou la surveillance en zone dense. Les méthodes existantes modélisant l'interaction vent-environnement s'appuient généralement sur des simulations de mécanique des fluides, trop couteuses en calcul pour tourner en temps réel embarque. En démontrant qu'un pipeline léger peut anticiper l'effet du vent avant de le subir, plutôt que de simplement le compenser après coup, WESPR ouvre la voie a une planification de vol proactive exploitable sur du matériel aux ressources limitées, un enjeu concret pour les intégrateurs de flottes opérant près de bâtiments, de canyons urbains ou d'infrastructures industrielles exposées au vent.

Ce travail s'inscrit dans la lignée des recherches sur les contrôleurs adaptatifs au vent pour drones, dont il prend le meilleur représentant comme point de comparaison plutôt que de repartir de zero. Il ne s'agit pas d'un produit commercial ni d'un déploiement opérationnel: WESPR reste, a ce stade, une preprint arXiv testée en laboratoire sur un seul modèle de micro-drone open source, sans partenariat industriel ni date de disponibilité annonces. La publication en version 2 suggère une révision de l'article initial, probablement après relecture. Les auteurs ne donnent pas de calendrier pour des essais en conditions réelles hors laboratoire ni pour une extension a d'autres plateformes, laissant ouverte la question du passage a l'échelle au-delà du cadre expérimental contrôle présente ici.

Dans nos dossiers

À lire aussi

SLoSa : des modèles fondation petits, économes en énergie et sûrs pour la planification de tâches en robotique
Illustration générée par IA
1arXiv cs.RO 

SLoSa : des modèles fondation petits, économes en énergie et sûrs pour la planification de tâches en robotique

SLoSa est un cadre d'entraînement neuro-symbolique, décrit dans un préprint arXiv, qui vise à produire des planificateurs de tâches robotiques compacts, économes en énergie et conscients des contraintes de sécurité. La méthode construit d'abord un jeu de données orienté sécurité en combinant des planificateurs classiques, un grand modèle de langage « enseignant » et des vérificateurs formels. Deux étapes d'entraînement suivent: un fine-tuning supervisé, puis un fine-tuning par apprentissage par renforcement (RL) guidé par une « reward machine » fondée sur la vérification, chargée d'imposer l'alignement de sécurité. L'évaluation couvre quatre domaines PDDL (Planning Domain Definition Language, le langage standard de description de problèmes de planification), deux environnements de simulation domestique, des plateformes embarquées et un bras robotique de bureau. Sur les tâches PDDL, le post-entraînement guidé par vérificateur porte le taux de réussite de modèles de 4 à 14 milliards de paramètres à 70,5-76,0 %. Quantifiés en INT4 sur un Jetson Orin, ils consomment 17,85 à 26,41 W de puissance moyenne. L'intérêt tient à la tension que le travail cherche à résoudre. Les planificateurs symboliques classiques offrent des garanties formelles sur les contraintes encodées, mais exigent des formats d'entrée rigides et voient leur coût de calcul exploser avec la taille de l'espace de recherche. Les LLM apportent la souplesse d'interface et la généralisation, mais sont volumineux, gourmands et peu exposés à des données de sécurité propres à la robotique, ce qui complique leur déploiement local sur des machines aux ressources limitées. Montrer qu'un modèle de 4 à 14 milliards de paramètres peut tourner dans une enveloppe de 18 à 26 W est pertinent pour les intégrateurs qui veulent de la planification embarquée sans dépendre du cloud. Les réserves sont toutefois nettes: un taux de réussite d'environ 70 à 76 % reste loin du niveau requis en production, la validation physique se limite à un bras de bureau, et le résumé ne précise ni la part de plans effectivement vérifiés sûrs, ni les références comparées, ni la latence de planification. Le travail s'inscrit dans la montée des approches neuro-symboliques, qui cherchent à marier la fiabilité des vérificateurs formels et la flexibilité des modèles de fondation, face aux pipelines tout-LLM et aux planificateurs PDDL purs. La distillation depuis un modèle enseignant puis le RL à récompense vérifiable suivent une recette désormais courante dans le raisonnement des LLM, ici transposée à la sécurité robotique. Il s'agit d'un préprint de recherche, sans produit ni pilote industriel annoncé. Les suites naturelles seraient une validation sur des manipulateurs et des robots mobiles plus variés, des tâches plus longues et des mesures de latence et de robustesse en conditions réelles.

RecherchePaper
1 source
WAND : apprentissage d'une navigation robuste pour quadrirotors face aux perturbations complexes du vent et aux obstacles denses
Illustration générée par IA
2arXiv cs.RO 

WAND : apprentissage d'une navigation robuste pour quadrirotors face aux perturbations complexes du vent et aux obstacles denses

Des chercheurs proposent WAND (Wind-Aware Navigation with Disturbance Estimation), un cadre d'apprentissage par renforcement destiné à la navigation de quadrirotors dans des champs d'obstacles denses soumis à des rafales variables. Le système estime l'accélération perturbatrice induite par le vent à partir de l'historique des états proprioceptifs (sans capteur de vent dédié), au moyen d'un réseau convolutif temporel (TCN). Cette estimation sert deux fois: elle est injectée dans la politique de navigation via un module résiduel initialisé à zéro, baptisé WindAdapter, et elle alimente une compensation en boucle ouverte (feedforward) au niveau du contrôle bas niveau. Sur 12 configurations de simulation avec vent, WAND améliore le taux de succès observé de 8,3 points de pourcentage en moyenne par rapport à la seule compensation feedforward. Des essais en vents croisés opposés montrent une adaptation de trajectoire dépendante de la direction du vent. En vol réel en intérieur, avec des ventilateurs, le système réussit 18 essais sur 20, soit 90 %, avec un calcul embarqué en temps réel. L'intérêt tient à la manière dont le problème est posé. Les politiques de navigation apprises s'appuient en général sur la perception des obstacles et la proprioception, et doivent deviner implicitement l'effet de perturbations qui varient dans le temps, ce qui fragilise la robustesse quand l'observation est partielle. En rendant la perturbation explicite et en l'utilisant à la fois pour décider et pour rejeter l'effet du vent, WAND traite le vent comme une variable d'état à part entière plutôt que comme du bruit. Pour les intégrateurs de drones d'inspection, de logistique ou d'intervention en milieu encombré (entrepôts ouverts, sites industriels, forêts, canyons urbains), c'est une piste crédible pour gagner en fiabilité sans ajouter de capteurs. Il faut toutefois relativiser: un gain moyen de 8,3 points est modeste et mesuré face à un baseline déjà compensé. L'échantillon réel de 20 essais est petit, et les ventilateurs d'intérieur produisent un flux bien plus régulier que les rafales turbulentes en extérieur. Aucune comparaison à d'autres méthodes de pointe n'est mentionnée dans le résumé. Ce travail s'inscrit dans la lignée des méthodes de navigation par apprentissage pour drones, qui ont démontré leur efficacité en vol rapide parmi des obstacles, mais ont longtemps traité les perturbations aérodynamiques par du contrôle robuste classique ou de l'adaptation implicite. Il s'agit d'une publication académique sur arXiv (préprint, non évalué par les pairs), sans produit, sans partenaire industriel ni calendrier de déploiement annoncés. Les prochaines étapes naturelles sont la validation en extérieur avec un vent réel et turbulent, des tests sur des vitesses et des densités d'obstacles plus élevées, et des comparaisons directes avec les politiques d'adaptation implicite et les contrôleurs robustes existants. L'étape décisive restera le passage du laboratoire à des environnements non contrôlés.

RecherchePaper
1 source
Planification et contrôle sûrs en temps continu pour quadrupèdes agiles
Illustration générée par IA
3arXiv cs.RO 

Planification et contrôle sûrs en temps continu pour quadrupèdes agiles

Des chercheurs proposent un cadre de planification de mouvement temps réel pour robots quadrupèdes, décrit dans une prépublication arXiv (2610.35670v1), qui conserve le modèle complet SE(2) entièrement actionné du robot. Ce modèle inclut des bornes de vitesse anisotropes, couplées au cap : le robot ne se déplace pas aussi vite latéralement qu'en marche avant, et ces limites dépendent de son orientation. Les trajectoires sont paramétrées par des polynômes de Bernstein composites. La propriété d'enveloppe convexe de cette base permet de certifier l'évitement de collision et le respect des limites d'entrée sur tout l'horizon de planification, et non plus seulement en des points discrets. L'optimisation tourne en boucle fermée à cadence de replanification en ligne et envoie des vitesses de corps au contrôleur de locomotion. Les auteurs la valident en simulation, face à des ablations et à des méthodes de référence externes, puis sur un quadrupède réel évoluant parmi des obstacles mobiles inconnus. Le résumé ne donne ni fréquence de replanification, ni taux de succès, ni vitesses maximales, ni nom du robot ou des baselines. L'enjeu est la fiabilité en environnement dynamique. La plupart des planificateurs temps réel gagnent en tractabilité par une réduction convexe qui impose des modèles cinématiques simplifiés, par exemple unicycle ou holonome isotrope. Ils écartent ainsi des mouvements que le robot sait exécuter, comme le pas latéral ou la rotation couplée à la translation. Ils ne certifient aussi la sécurité qu'aux points de discrétisation, ce qui laisse possible une collision entre deux échantillons face à un obstacle rapide. Ici, la garantie porte sur le temps continu, ce qui compte pour les intégrateurs qui déploient des quadrupèdes d'inspection ou de logistique dans des sites partagés avec des personnes et des engins. Le compromis est assumé : accepter la non-convexité coûte du calcul et ne garantit pas l'optimum global. Le résumé ne chiffre pas ce coût, et l'embarquement sur des processeurs de robots du commerce reste donc à vérifier dans l'article complet. Il s'agit d'un résultat de recherche et non d'un produit livré ou d'un déploiement réel. Le travail s'inscrit dans le courant de la planification sûre pour la robotique mobile, qui s'appuie sur les trajectoires polynomiales par morceaux, les courbes de Bézier et de Bernstein, ou les fonctions barrières de contrôle. Les approches par apprentissage par renforcement et les contrôleurs de locomotion réactifs restent des concurrents directs sur le quadrupède agile, mais offrent rarement des garanties formelles. La suite logique serait une intégration avec des perceptions plus bruitées, des obstacles aux comportements moins prévisibles et des plateformes plus variées. Les auteurs ne mentionnent aucune annonce industrielle ni calendrier de transfert.

RecherchePaper
1 source
Planification robuste et évolutive UAV-UGV pour la surveillance aérienne sous contraintes d'énergie et de précédence
Illustration générée par IA
4arXiv cs.RO 

Planification robuste et évolutive UAV-UGV pour la surveillance aérienne sous contraintes d'énergie et de précédence

Une équipe de chercheurs propose un algorithme de planification pour des missions de surveillance aérienne confiées à plusieurs binômes composés chacun d'un drone (UAV) et d'un robot terrestre (UGV). Le drone doit visiter une série de points de surveillance dans un ordre imposé, tandis que le robot terrestre joue deux rôles : station de recharge mobile et vecteur de transport, puisqu'il emmène le drone d'une tournée aérienne à la suivante. L'autonomie du drone est modélisée par son endurance, c'est-à-dire la durée maximale de vol sur batterie pleine. À partir des positions initiales et finales des équipes, l'objectif est de minimiser le temps total de mission tout en respectant les limites énergétiques, l'ordre de visite requis et des perturbations bornées sur les temps de trajet en cours d'exécution. Les auteurs annoncent un algorithme en temps polynomial, des garanties de faisabilité, une analyse de complexité et des comparaisons numériques. Le travail est publié sur arXiv (2610.12670v1) et aucun chiffre de performance n'est donné dans le résumé. L'intérêt tient à la combinaison de trois contraintes rarement traitées ensemble : l'énergie, la précédence et la robustesse aux aléas. Beaucoup de planificateurs multi-robots supposent des temps de trajet exacts ou ignorent les relations d'ordre entre tâches. Or les inspections d'infrastructures, les patrouilles de sites industriels ou les relevés agricoles imposent souvent des séquences : contrôler d'abord un équipement, puis le suivant. La garantie de faisabilité sous perturbations bornées est un argument pour un opérateur, car elle évite qu'un retard de quelques minutes invalide le plan. Autre nouveauté revendiquée : le plan détermine conjointement les itinéraires et leur calendrier, ce qui autorise les équipes à ralentir volontairement pour respecter l'ordre. Le problème de fond étant NP-difficile, la solution est une heuristique à garanties de faisabilité, pas un optimum. On ne sait pas non plus, à ce stade, quel écart avec l'optimal ni quelle taille d'instance les tests couvrent, et il s'agit de résultats numériques, sans essai sur matériel réel. Ce travail prolonge la littérature sur les systèmes coopératifs drone-véhicule terrestre, héritière des problèmes de type « flying sidekick » et de tournées de véhicules avec stations de recharge mobiles. Les travaux antérieurs fixaient généralement les itinéraires avant de calculer les horaires, ou ne tenaient pas compte de l'ordre imposé des points. Le texte ne cite ni partenaire industriel, ni produit, ni calendrier de déploiement, ni acteur européen : il relève de la recherche académique en amont, utile surtout aux intégrateurs qui conçoivent des logiciels d'orchestration de flottes hétérogènes. Les prochaines étapes naturelles seraient la validation en conditions réelles, la prise en compte de vents et d'obstacles, et la comparaison avec des solveurs exacts sur des instances de grande taille.

RecherchePaper
1 source