Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
NeSAM : kinodynamique neuro-symbolique avec adaptation au sol pour la mobilité tout-terrain
RecherchearXiv cs.RO 

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

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

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

arXiv cs.RO

À lire aussi

CAR : adaptation cinédynamique inter-véhicules par représentation de la mobilité
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. Évalué sur le simulateur Verti-Bench, construit sur le moteur multi-physique Chrono, et validé sur quatre configurations distinctes de la plateforme Verti-4-Wheeler, le framework atteint une réduction de l'erreur de prédiction de 67,2 % par rapport à un transfert direct entre plateformes similaires, avec seulement une minute de nouvelles données de trajectoire. Ce résultat adresse un verrou opérationnel réel pour les déployeurs de flottes hétérogènes : adapter un système de navigation autonome à un nouveau châssis exige aujourd'hui soit des campagnes d'acquisition de données coûteuses et spécifiques à chaque plateforme, soit des modèles simplifiés (unicycle, bicyclette) qui ignorent la kinodynamique réelle du robot. Ces abstractions montrent rapidement leurs limites sur terrain accidenté ou en conditions industrielles. CAR propose un transfert de connaissances inter-plateformes à faible coût de calibration. Pour un intégrateur déployant des AMR avec plusieurs types de châssis, réduire à une minute la fenêtre d'adaptation représente un levier opérationnel concret, même si ces conditions de benchmark restent à reproduire en environnements de production réels. L'article s'inscrit dans un courant actif de la recherche en robotique de terrain visant à briser la dépendance aux modèles plateforme-spécifiques. La plateforme Verti-4-Wheeler, reconfigurable mécaniquement, et le simulateur Verti-Bench offrent un banc d'essai modulaire bien adapté à ce type d'étude. Les approches concurrentes incluent les méthodes de méta-apprentissage (MAML et dérivés) et les modèles à dynamiques latentes (Dreamer, RSSM) appliqués à la locomotion. Aucun partenariat industriel ni calendrier de déploiement n'est mentionné : il s'agit d'un résultat académique en cours de révision (v3 sur arXiv), dont la validation à grande échelle reste à démontrer.

RecherchePaper
1 source
Reactivité physiquement réalisable pour la locomotion adaptative au terrain
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. Pour éviter de recalculer sans cesse des problèmes MICP coûteux en ressources, et pour gérer les cas où une spécification devient physiquement impossible à tenir, les chercheurs ajoutent un mécanisme de réparation symbolique qui ne régénère que les transitions strictement nécessaires. Le tout a été validé en simulation puis sur robot physique, avec des scénarios volontairement difficiles : pierres de gué dispersées et terrains jonchés de barres d'armature (rebar), deux configurations classiques pour tester la robustesse du contact pied-sol. L'enjeu dépasse la simple démonstration académique. La marche sur terrain accidenté reste l'un des points faibles récurrents des plateformes quadrupèdes et humanoïdes commerciales, où les méthodes actuelles reposent soit sur des heuristiques de sélection d'appui limitant la fiabilité, soit sur une optimisation de trajectoire trop lourde pour tourner en temps réel sur de longs horizons. En montrant qu'un système peut identifier lui-même les "compétences de locomotion manquantes" et réagir en environnement critique, les auteurs adressent directement un doute répandu chez les intégrateurs industriels : la capacité réelle des robots à gérer l'imprévu hors des sols plats de laboratoire, condition clé pour un déploiement en logistique, construction ou inspection. Ce travail s'inscrit dans une lignée de recherches académiques en synthèse formelle et planification de mouvement pour la robotique legged, un domaine où les grands noms commerciaux (Boston Dynamics, Unitree) restent discrets sur leurs méthodes internes. La publication étant une "replace" d'une version arXiv antérieure, il s'agit d'un travail de recherche affiné plutôt que d'une annonce produit, sans calendrier de transfert industriel communiqué à ce stade.

RecherchePaper
1 source
Repérer l'écart de dynamique : adaptation de politique au moment du test par retour action-résultat
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. Pendant le méta-entraînement, une boucle interne met à jour ce latent en minimisant l'erreur de prédiction de dynamique par rapport au résultat réellement observé de l'action, tandis qu'une boucle externe optimise le réseau pour la sélection d'actions. Au déploiement, le robot met à jour sa croyance latente à partir des écarts entre résultat attendu et résultat observé, sans modifier les poids du réseau. Les auteurs affirment que cela évite l'oubli catastrophique. Ils rapportent une accélération significative de l'adaptation en ligne sur plusieurs benchmarks de manipulation simulés, ainsi qu'un transfert sim-to-real robuste sur robot réel. L'extrait disponible ne donne ni chiffres précis, ni taux de succès, ni liste de tâches, ni plateforme matérielle : les résultats restent à vérifier dans le papier complet. L'enjeu est direct pour les intégrateurs et les responsables d'exploitation : l'écart de dynamique est l'une des causes majeures de l'écart entre démonstration et production. Les méthodes d'adaptation en phase de test se contentent en général de récompenses scalaires éparses (réussite ou échec), une information pauvre au regard de ce que le contact physique fournit. SCOUT exploite le signal géométrique et dynamique de chaque interaction, ce qui suggère une adaptation en quelques essais plutôt qu'un réentraînement ou un fine-tuning coûteux. Le fait de n'agir que sur un latent, et non sur les poids, est aussi un argument de sûreté : le comportement de base validé n'est pas dégradé. Cela dit, il s'agit d'un preprint sans revue par les pairs, et la robustesse hors des benchmarks choisis, sur des dynamiques réellement nouvelles, n'est pas démontrée par le résumé. Ce travail s'inscrit dans la lignée du méta-apprentissage et de l'estimation implicite de paramètres système, comme les approches de type RMA en locomotion, ou les méthodes de randomisation de domaine et d'adaptation en contexte. Il intervient alors que les modèles vision-langage-action généralistes (Pi-0, GR00T, Helix) sont pré-entraînés à grande échelle mais restent peu adaptables en ligne aux propriétés physiques inconnues. SCOUT se présente comme une couche d'adaptation complémentaire plutôt qu'un modèle fondation concurrent. Reste à savoir s'il se branche sur ces VLA et à quel coût de calcul en temps réel. Aucun pilote industriel ni calendrier de déploiement n'est annoncé : il s'agit à ce stade d'une contribution de recherche, avec code et démonstrations à examiner sur la page projet.

UEPas d\'impact direct sur la France/UE

RecherchePaper
1 source
Sentir le terrain avant de le franchir : des modèles du monde pour la navigation tout-terrain
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. Les auteurs ont testé le système sur des données réelles de terrain accidenté et en simulation, sur des plateformes à la fois à roues et à pattes, puis l'ont déployé en embarqué sur un robot à roues Husky lancé sur des sentiers de montagne, où il a anticipé les zones de sol difficile, les a contournées, et a terminé des parcours qu'une politique de bout en bout classique échouait à compléter. L'apport revendiqué est de démontrer que la seule prédiction visuelle ne suffit pas dès que l'interaction robot-terrain devient le facteur dominant, ce qui est le cas hors des environnements urbains structurés où circulent la plupart des robots mobiles commerciaux actuels. En ajoutant la proprioception comme donnée d'entrée, Feel-WM améliore la prédiction du futur physique et surpasse les modèles de navigation purement visuels, aussi bien en planification en boucle ouverte qu'en navigation en boucle fermée sur terrain difficile. Pour les intégrateurs de robots mobiles destinés à l'agriculture, la défense, la sylviculture ou le secours en zone non structurée, ce travail suggère une piste concrète pour réduire les échecs de navigation sans dépendre uniquement de caméras ou de lidars, un enjeu de fiabilité central pour les flottes autonomes en extérieur. Il nuance aussi l'idée reçue selon laquelle les modèles de monde visuels suffiraient à généraliser la planification robotique à tous les environnements. Ce travail s'inscrit dans la tendance de recherche consistant à planifier par anticipation, en simulant les conséquences de chaque action candidate plutôt qu'en associant directement observation et commande, une approche qui concurrence les politiques de bout en bout entraînées par imitation ou apprentissage par renforcement. La quasi-totalité des modèles de monde publiés jusqu'ici ciblait des environnements urbains ou structurés, où l'image seule constitue un proxy suffisant du futur pertinent pour la navigation. Feel-WM comble ce manque pour la robotique tout-terrain en exploitant des signaux proprioceptifs, issus par exemple de centrales inertielles ou d'encodeurs de roues et de jambes, appris de façon autonome. L'article ne mentionne à ce stade ni affiliation industrielle ni partenaire de déploiement commercial : il s'agit d'une validation expérimentale sur robot Husky et en simulation, sans calendrier de mise en production ni pilote industriel annoncé.

RecherchePaper
1 source