Aller au contenu principal
NeSAM : kinodynamique neuro-symbolique avec adaptation au sol pour la mobilité tout-terrainIllustration générée par IA
RecherchearXiv cs.RO 

NeSAM : kinodynamique neuro-symbolique avec adaptation au sol pour la mobilité tout-terrain

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

Une équipe de recherche a présenté NeSAM (Neuro-Symbolic Kinodynamics with Soil Adaptation), un cadre neuro-symbolique pour prédire le mouvement de véhicules tout-terrain sur sols meubles, décrit dans un article publié le 24 août 2026 sur arXiv (2608.21330v1). Le système combine un modèle de terramécanique de Bekker-Wong différentiable, qui capture analytiquement les forces d'interaction roue-sol dépendantes du type de terrain, avec un modèle de dynamique résiduelle basé sur un Transformer, chargé de corriger les écarts entre la prédiction physique et le comportement réel du véhicule. NeSAM estime en continu des paramètres de sol physiquement interprétables et les met à jour en ligne via un filtre de Kalman étendu, pour une prédiction cinodynamique à six degrés de liberté sur des horizons longs. Les chercheurs ont évalué l'approche dans Verti-Bench, un simulateur construit sur le moteur multiphysique Chrono, puis validé les résultats sur une plateforme physique baptisée Verti-4-Wheeler. Les gains annoncés sont substantiels : jusqu'à 30% de précision de prédiction en plus en simulation et 29% sur données réelles par rapport aux meilleures méthodes comparées, ainsi qu'une réduction de 69,4% de la distance de Hausdorff à la trajectoire de référence une fois le modèle intégré à un contrôleur de navigation en boucle fermée.

L'intérêt principal réside dans l'hybridation entre physique et apprentissage : contrairement aux modèles cinodynamiques purement data-driven, souvent opaques et peu généralisables à des sols non vus, NeSAM conserve une composante physique interprétable tout en laissant le réseau de neurones combler les limites du modèle analytique. Pour les intégrateurs travaillant sur des robots ou véhicules autonomes en environnement non structuré (agriculture, défense, exploration), cette architecture répond directement au problème classique du décalage entre simulation et réalité, en adaptant les paramètres de sol en temps réel plutôt qu'en figeant des hypothèses de terrain.

Ce travail s'inscrit dans une lignée de recherches sur la mobilité tout-terrain où les modèles purement analytiques (terramécanique classique) manquent de flexibilité et les modèles purement appris manquent de robustesse hors distribution. Aucun acteur industriel ni déploiement commercial n'est mentionné : il s'agit d'une contribution académique, validée en simulation Chrono et sur un prototype filaire de laboratoire, sans indication de partenariat ou de feuille de route vers une mise en production.

Dans nos dossiers

À lire aussi

CAR : adaptation cinédynamique inter-véhicules par représentation de la mobilité
Illustration générée par IA
1arXiv cs.RO 

CAR : adaptation cinédynamique inter-véhicules par représentation de la mobilité

Des chercheurs proposent sur arXiv (arXiv:2603.06866) un cadre algorithmique baptisé CAR, pour Cross-vehicle kinodynamics Adaptation via mobility Representation, conçu pour transférer rapidement les modèles de comportement dynamique d'un robot mobile à un autre sans recollecte massive de données. Le système exploite un encodeur Transformer avec normalisation de couche adaptative (Adaptive Layer Normalization) pour projeter trajectoires et configurations physiques de véhicules dans un espace latent commun dit "espace de mobilité partagé". CAR identifie ensuite les voisins les plus proches dans cet espace pour extraire les comportements communs et les adapter à une nouvelle plateforme.

RecherchePaper
1 source
Reactivité physiquement réalisable pour la locomotion adaptative au terrain
Illustration générée par IA
2arXiv cs.RO 

Reactivité physiquement réalisable pour la locomotion adaptative au terrain

Voici l'article traduit et résumé selon les consignes. Une équipe de recherche présente un nouveau cadre de planification pour la locomotion des robots quadrupèdes sur des terrains changeants et imprévisibles, détaillé dans un article arXiv (2509.23185v2, version révisée). Le système combine deux briques technique distinctes : une synthèse réactive qui génère des contrôleurs symboliques "corrects par construction" pour décider quelle action prendre à chaque instant, et une programmation convexe en nombres mixtes (MICP) qui calcule en temps réel des placements de pas dynamiquement faisables.

RecherchePaper
1 source
Repérer l'écart de dynamique : adaptation de politique au moment du test par retour action-résultat
Illustration générée par IA
3arXiv cs.RO 

Repérer l'écart de dynamique : adaptation de politique au moment du test par retour action-résultat

Des chercheurs proposent SCOUT, un cadre de méta-apprentissage sensible à la dynamique, destiné à l'adaptation en phase de test de politiques de manipulation robotique. Le travail, publié sur arXiv (2609.36107) avec une page projet, part d'un constat : une politique pré-entraînée performe en environnement contrôlé, mais se heurte en déploiement à des propriétés physiques non observées (friction, masse, jeu mécanique) que ni la simulation ni les données d'entraînement n'ont couvertes. SCOUT couple une politique de prédiction d'action et un modèle de dynamique directe (forward dynamics) via un espace latent de croyance partagé.

RecherchePaper
1 source
Sentir le terrain avant de le franchir : des modèles du monde pour la navigation tout-terrain
Illustration générée par IA
4arXiv cs.RO 

Sentir le terrain avant de le franchir : des modèles du monde pour la navigation tout-terrain

Une équipe de chercheurs présente, dans un article déposé sur arXiv (référence 2609.19863v1, catégorie "new"), Feel-WM, un modèle de monde ("world model") de navigation conçu pour les terrains accidentés hors piste. Contrairement aux modèles de navigation urbaine, qui se contentent de prédire la scène visuelle à venir, Feel-WM prédit en plus l'état proprioceptif futur du robot, c'est-à-dire son glissement, son inclinaison et ses vibrations le long d'une trajectoire envisagée, ainsi qu'un risque d'échec associé, le tout appris directement à partir de l'expérience du robot sans étiquetage humain. Le planificateur simule ce futur physique en parallèle de la scène visuelle et pondère le risque d'échec prédit face à la proximité avec l'objectif dans un score de décision séparé.

RecherchePaper
1 source