RecherchearXiv cs.RO 27 août 2026

EgoNav : relier points de passage appris et contrôle local géométrique pour une navigation intérieure robuste

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Un article publié sur arXiv le 27 août 2026 (référence arXiv:2608.25642v1) présente EgoNav, un système hiérarchique de navigation robotique en intérieur fondé sur la navigation par image-cible et des cartes topologiques légères, qui ne demandent que des images géolocalisées et une correspondance visuelle plutôt qu'une estimation précise de la pose du robot. Le système complète un prédicteur de points de passage (waypoints) appris par un module qui génère des candidats à partir de zones traversables segmentées sémantiquement, notés selon trois critères : sécurité géométrique, cohérence directionnelle et fidélité à la prédiction du réseau. Un planificateur de trajectoire locale adaptatif exécute ensuite le waypoint retenu en ajustant ses paramètres selon le résultat de cet arbitrage. Testé dans le simulateur Habitat-sim et sur un robot humanoïde physique non identifié dans l'abstract, EgoNav dépasserait des méthodes de référence récentes en taux de réussite et en efficacité de trajectoire, sans que le texte ne précise de chiffres exacts ni l'identité des auteurs ou du laboratoire.

L'enjeu touche un problème opérationnel connu du secteur : la navigation par image-cible avec cartes topologiques est déjà considérée comme une option pratique pour déployer des robots en intérieur, car elle évite le coût d'une cartographie métrique dense ou d'un SLAM précis. Mais les prédicteurs de waypoints appris, souvent issus de réseaux de type VLA ou de pipelines bout en bout, peuvent générer des cibles qui violent la géométrie de la scène ou s'écartent du chemin global, sans garde-fou explicite, et les planificateurs locaux existants manquent d'adaptabilité aux espaces confinés. En hybridant l'intuition du modèle appris avec une couche de sécurité géométrique et un planificateur adaptatif plutôt qu'à paramètres fixes, EgoNav illustre une tendance à corriger, non remplacer, les réseaux de navigation appris, un enjeu concret pour les intégrateurs de robots mobiles et humanoïdes destinés à des entrepôts ou des bureaux.

Ce travail s'inscrit dans un champ de recherche actif où coexistent navigation topologique par correspondance d'images, navigation par instructions en langage naturel et pipelines VLA appliqués à la locomotion, sans qu'EgoNav ne revendique de rupture face à des systèmes concurrents nommés. Publié en août 2026 comme prépublication non revue par les pairs, l'article ne mentionne ni partenariat industriel, ni feuille de route de déploiement, ni ouverture de code source. La suite logique pour ce type de contribution académique passe généralement par une soumission à une conférence de robotique, puis éventuellement une publication du code permettant de reproduire les résultats obtenus sur Habitat-sim et sur la plateforme humanoïde testée.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

CoCoNav : un contrôle conforme pour une navigation robotique sûre en milieu de foule

Un article déposé sur arXiv en août 2026 (arXiv:2608.07751) présente CoCoNav, un framework de navigation pour robots évoluant en foule, conçu pour anticiper les mouvements imprévisibles des piétons. Le système combine une calibration conforme en ligne et une planification certifiée en temps réel. Son composant central, un contrôleur conforme proportionnel-intégral spécifique à l'horizon temporel, ajuste dynamiquement les marges d'erreur de trajectoire pour maintenir un taux de couverture empirique stable face à des erreurs de prédiction qui évoluent au fil du temps. Un second module, baptisé "relax-then-verify" (détendre puis vérifier), génère d'abord des trajectoires nominales via un contrôle prédictif par modèle (MPC) à contraintes souples, avant de certifier séparément ces trajectoires, ainsi que des manœuvres de secours, par rapport aux bornes calibrées, juste avant leur exécution. Les auteurs ont validé l'approche à la fois en simulation et lors d'expériences avec un robot quadrupède, mesurant l'évitement de collision, le taux de réussite de tâche et l'efficacité de navigation par rapport à plusieurs méthodes de référence. Ce travail s'attaque à un point de friction connu dans le déploiement de robots mobiles en environnement humain: les méthodes réactives classiques produisent des comportements oscillants dès que la densité de piétons augmente, tandis que les planificateurs prédictifs supposent souvent des trajectoires piétonnes exactes ou s'appuient sur des modèles d'erreur trop rigides pour rester fiables en conditions réelles. Imposer des marges d'incertitude conservatrices comme contraintes strictes rend par ailleurs le MPC souvent infaisable en pratique, un problème qui limite l'usage de ces techniques dans des AMR (robots mobiles autonomes) commerciaux, des robots de livraison ou des plateformes de service. En séparant génération de trajectoire et certification, et en calibrant les marges d'erreur en continu plutôt qu'a priori, CoCoNav propose une piste concrète pour rendre les garanties de sécurité compatibles avec la réactivité nécessaire en environnement dense, un compromis que peu d'approches publiées atteignent simultanément selon les auteurs. La navigation sociale en robotique reste un domaine actif de recherche depuis plusieurs années, tiraillé entre approches purement réactives, rapides mais instables, et planificateurs prédictifs, plus robustes mais coûteux en calcul ou trop optimistes sur la qualité des prévisions de mouvement humain. La prédiction conforme, technique statistique permettant de quantifier l'incertitude d'un modèle sans hypothèse forte sur sa distribution d'erreur, gagne du terrain dans la robotique de perception et de planification comme alternative aux bornes d'erreur fixes. CoCoNav s'inscrit dans cette tendance en l'appliquant spécifiquement à l'horizon de prédiction du MPC. À ce stade, les résultats se limitent à des simulations et à des essais sur un robot quadrupède en conditions contrôlées, sans déploiement en foule réelle ni partenariat industriel annoncé; les auteurs ne précisent pas de calendrier pour un transfert vers des plateformes commerciales de type AMR ou robots de service.

RecherchePaper

1 source

2arXiv cs.RO

OptiSight : relier le raisonnement sémantique au contrôle géométrique pour la navigation incarnée

Une prépublication arXiv (2608.23354v1, signée par le développeur avanalperen) présente OptiSight, un framework hybride de navigation autonome en intérieur qui associe raisonnement par modèle vision-langage (VLM) et asservissement visuel déterministe, via une architecture en chaîne de pensée organisée comme un automate à états finis. Grounded-SAM se charge de localiser des cibles en vocabulaire ouvert, tandis que la géométrie de projection caméra traduit directement les observations visuelles en commandes de navigation, sans nécessiter de cartographie dense de l'environnement. Le VLM n'est interrogé qu'aux points de décision clés du parcours, le contrôle géométrique prenant le relais en continu entre deux requêtes pour limiter la charge de calcul. Testé dans le simulateur AI Habitat, le système assure une navigation en zero-shot fiable face à l'évitement d'obstacles et à l'ambiguïté sémantique, dans un budget de seulement 8 Go de VRAM, avec un code source publié en open source sur GitHub. Cette architecture tranche avec la tendance dominante des modèles vision-langage-action (VLA) entraînés de bout en bout, à l'image de Pi-0, GR00T N2 ou Helix, gourmands en données et en puissance de calcul. En limitant les appels au VLM aux seuls moments de décision et en confiant la navigation continue à un contrôle géométrique classique, OptiSight vise une solution plus légère et plus interprétable, potentiellement adaptée à des plateformes mobiles disposant de ressources embarquées modestes. Pour les intégrateurs d'AMR et de robots de service en intérieur, cela illustre une piste alternative pour relier compréhension sémantique de haut niveau et contrôle géométrique bas niveau sans dépendre d'un unique modèle massif ni d'un SLAM dense. Les résultats restent toutefois cantonnés à la simulation, sans validation rapportée sur robot physique, laissant ouverte la question du transfert vers le monde réel. OptiSight s'inscrit dans une lignée de travaux combinant segmentation en vocabulaire ouvert, héritée de Grounding DINO et Segment Anything via Grounded-SAM, et raisonnement multimodal appliqué à la navigation robotique, plutôt que dans la vague des modèles VLA propriétaires développés par les grands acteurs de la robotique humanoïde et de manipulation. Publié comme simple prépublication académique, sans affiliation industrielle mise en avant, le projet se distingue par la mise à disposition immédiate de son code sur GitHub, une pratique courante en recherche mais plus rare chez les acteurs commerciaux. Les suites habituelles pour ce type de travaux, tests sur plateformes physiques et comparaison chiffrée avec les architectures VLA de référence, restent pour l'instant absentes de cette première publication.

RecherchePaper

1 source

3arXiv cs.RO

Navigation par apprentissage pour robots mobiles en intérieur

Des chercheurs ont publié sur arXiv (référence 2605.30468) un framework de navigation hybride pour robots mobiles intérieurs, combinant un planificateur global neuronal et un planificateur local affiné par apprentissage par renforcement. Le planificateur global est un réseau de neurones supervisé, entraîné à partir de trajectoires générées par un algorithme A* pondéré par les coûts, ce qui lui permet de produire des routes globalement cohérentes et évitant les zones dangereuses. Le planificateur local, baptisé Learning-Based DWA, reformule l'approche classique Dynamic Window Approach (DWA) comme un problème de sélection discrète sur une grille d'actions prédéfinies. La politique locale est d'abord initialisée par clonage comportemental (imitation d'un expert), puis optimisée par Proximal Policy Optimization (PPO) avec un masquage de faisabilité, un mécanisme éliminant les actions physiquement irréalisables ou à risque de collision avant même l'exploration. Les résultats expérimentaux, conduits en simulation et en environnement réel intérieur, montrent une navigation sûre et fiable vers des objectifs en présence d'obstacles. L'intérêt de cette contribution réside dans son positionnement hybride : plutôt que d'abandonner DWA au profit d'une approche entièrement apprise, les auteurs l'utilisent comme squelette structurant pour contraindre le problème d'apprentissage. Ce choix de conception présente deux avantages pour les intégrateurs. D'abord, le masquage de faisabilité réduit l'espace d'exploration du policy gradient aux seules actions physiquement admissibles, limitant les comportements dangereux en phase d'apprentissage et facilitant le transfert sim-to-réel. Ensuite, conserver la logique DWA comme substrat rend la politique plus interprétable qu'un réseau boîte noire, un critère non négligeable pour les déploiements industriels soumis à certification. La méthode démontre qu'un classique de la robotique réactive, largement jugé dépassé par les approches end-to-end, peut encore être un socle pertinent pour des pipelines d'apprentissage modernes. Le DWA a été introduit par Fox, Burgard et Thrun en 1997 et reste une brique fondamentale des stacks de navigation ROS et Nav2, déployés sur une large partie des flottes d'AMR (robots mobiles autonomes) industriels actuels. C'est dans cet écosystème très installé que s'inscrit ce travail, face à des approches concurrentes plus radicales : navigation end-to-end par apprentissage (ETH Zurich, MIT CSAIL), planificateurs à modèle comme TEB ou MPPI, et méthodes VLA émergentes pour la navigation en langage naturel. Les auteurs annoncent la mise à disposition du code source sur leur page projet. Aucun partenaire industriel ni déploiement commercial n'est mentionné : il s'agit d'une contribution de recherche académique, pas d'un produit commercialisé.

RecherchePaper

1 source

4arXiv cs.RO

Une architecture de contrôle robuste au niveau des tâches pour les systèmes dynamiques appris

Une équipe de recherche présente une architecture de contrôle nommée L1-DS (L1-augmented Dynamical Systems), décrite dans un article arXiv (2511.09790v2, version corrigée) sur l'apprentissage par démonstration basé sur les systèmes dynamiques (DS). Le problème ciblé est le "task-exécution mismatch" : l'écart entre la trajectoire planifiée et celle réellement exécutée par le robot, dû à des dynamiques non modélisées, des perturbations persistantes et la latence du système. La solution associe un contrôleur stabilisateur nominal et un contrôleur adaptatif L1, plus un sélecteur de cible fondé sur une Dynamic Time Warping (DTW) fenêtrée qui corrige le désalignement temporel pour un suivi cohérent en phase. L'approche est validée sur deux jeux de données de référence, LASA et IROS handwriting, utilisés pour évaluer la reproduction de trajectoires d'écriture manuscrite par bras robotique. Le sujet touche un point sensible pour les intégrateurs qui déploient des modèles de mouvement appris par démonstration sur du matériel réel : en simulation, ces systèmes dynamiques produisent des trajectoires stables et répétables, mais en conditions réelles, frottements, retards d'actionneurs et perturbations font dériver le robot de la trajectoire prévue. L1-DS ne remplace aucun modèle de mouvement existant : il s'ajoute comme couche de contrôle robuste par-dessus n'importe quel schéma de LfD basé sur les systèmes dynamiques, une brique potentiellement compatible avec des pipelines déjà en place plutôt qu'une nouvelle méthode d'apprentissage. Cette approche s'oppose dans son esprit aux architectures Vision-Language-Action (VLA) récentes, qui misent sur la généralisation par apprentissage bout-en-bout à partir de très larges volumes de données : ici, la robustesse repose sur des garanties de contrôle classiques plutôt que sur l'échelle des données d'entraînement. L'apprentissage par démonstration basé sur les systèmes dynamiques s'appuie sur des travaux plus anciens comme les Dynamic Movement Primitives et les modèles de mélange de gaussiennes stables, utilisés depuis plus d'une décennie pour générer des trajectoires à partir d'un petit nombre de démonstrations humaines. Le contrôle adaptatif L1 provient de la robotique aérienne, où il est recherché pour sa capacité à réagir rapidement aux incertitudes sans compromettre la stabilité. Publié en deuxième version sur arXiv sous la référence 2511.09790, ce travail reste une contribution de recherche académique : aucune application industrielle, aucun partenariat avec un fabricant de robots ni aucun déploiement sur matériel commercial n'est mentionné. La suite logique, non annoncée par les auteurs, serait une validation sur bras robotique physique dans des tâches de manipulation industrielle, au-delà des benchmarks d'écriture utilisés ici.

RecherchePaper

1 source