RecherchearXiv cs.RO 4 septembre 2026

Voir moins ne veut pas dire protéger : fuite de vie privée par les exports de perception robotique limités à la tâche

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs publient TFPD (Task-Functional Perception Distillation), un cadre qui garde la perception brute d'un robot domestique en local et ne profile que les exports destinés aux planificateurs, services cloud, journaux ou pipelines d'apprentissage, en évaluant leur utilité pour la tâche, leur exposition directe et les risques d'inférence résiduelle. L'étude repose sur 120 scènes AI2-THOR avec des découpages train/validation/test disjoints par scène, une sélection d'attaquants figée à l'avance et des attaques adaptées à chaque représentation, testées sur la navigation, la vérification de collision et l'exécution d'objectifs orientés objets. Trois exports de navigation atteignent un taux de réussite identique de 1,000 et un ratio de chemin moyen de 0,898, mais leur "linkability" au niveau de la représentation varie de 0,532 à 0,970. Remplacer une étiquette de cible explicite par une région cible fait chuter le macro-F1 de catégorie de cible de 1,000 à 0,077 tout en maintenant un taux de réussite de 0,995, tandis qu'un lissage géométrique fait passer le macro-F1 de catégorie d'objet de 0,704 à 0,556, au prix d'une dégradation mesurable de l'utilité pour la détection de collision. Une réplication sur ProcTHOR confirme le constat central mais change le classement relatif des exports normalisés et topologiques.

Ces résultats intéressent directement les intégrateurs et décideurs qui déploient des robots domestiques : ils démontrent qu'atteindre une performance de tâche identique ne garantit en rien un niveau de confidentialité équivalent entre représentations de perception, et qu'il n'existe pas d'ordre universel de confidentialité entre suppression de champs et abstraction géométrique renforcée. Autrement dit, "voir moins de données brutes" ne signifie pas "voir de façon sûre" : des représentations en apparence appauvries peuvent rester hautement identifiables via la géométrie, la structure spatiale ou la sémantique résiduelle. Cela contredit l'hypothèse répandue selon laquelle limiter les données exportées suffit à protéger la vie privée, et impose une évaluation multi-risque spécifique à chaque tâche plutôt qu'une règle générique de minimisation.

Le travail s'inscrit dans la lignée des recherches sur la confidentialité en robotique domestique, un champ jusqu'ici centré sur la protection des flux de capteurs bruts (caméras, LiDAR) plutôt que sur les représentations structurées transmises en aval. Les auteurs positionnent TFPD comme un complément à ces approches, en ciblant spécifiquement les exports fonctionnels utilisés par les modules de planification et d'apprentissage, un angle mort identifié dans les pipelines actuels de robots d'intérieur. Les prochaines étapes annoncées incluent l'extension du protocole d'évaluation à davantage de types d'attaques et de représentations, ainsi qu'une validation sur des environnements physiques réels au-delà des simulateurs AI2-THOR et ProcTHOR utilisés dans cette étude.

À lire aussi

1arXiv cs.RO

RoboShape : représentations de nuages de points par théorie de l'information pour une perception robotique respectueuse de la vie privée

Une équipe de recherche a publié le 25 août 2026 sur arXiv (référence 2608.21380) RoboShape, une tête de compression guidée par la théorie de l'information, greffée derrière l'encodeur Sonata dont les poids restent gelés. Le système projette les embeddings au niveau voxel via la formulation de Donsker-Varadhan de l'information mutuelle, maximisée entre les embeddings et la compréhension au niveau objet, et minimisée pour les attributs privés. Sur trois jeux de données LiDAR intérieurs réels, RoboShape produit des embeddings 87,5% plus compacts que ceux de l'encodeur classique, conserve 98,7% de l'utilité de classification d'objets, et fait chuter de 39,3% la capacité à prédire des attributs sensibles à partir de ces représentations. Le code du projet est mis à disposition en open source. L'enjeu dépasse la simple compression de données. Les robots opérant en environnement humain, flottes domestiques, cartographie collaborative, planification déportée dans le cloud, transmettent en permanence des nuages de points qui révèlent bien plus que la position des objets: la fonction d'une pièce, les habitudes ou la présence des occupants, des informations jamais explicitement consenties. Jusqu'ici, les encodeurs de nuages de points classiques n'offraient qu'un choix binaire, tout transmettre ou rien. En montrant qu'il est possible de réduire fortement le volume de données et l'exposition d'attributs sensibles sans sacrifier la performance sur la tâche utile, RoboShape donne un argument concret aux intégrateurs et décideurs devant concilier apprentissage de flotte, contraintes de bande passante et exigences croissantes de protection de la vie privée, notamment réglementaires en Europe. Le résultat va à l'encontre de l'idée reçue selon laquelle confidentialité et performance s'excluraient. Cette publication s'inscrit dans le contexte de l'adoption croissante d'agents robotiques capables de scanner et partager des représentations 3D de leur environnement, un usage qui se généralise avec le déploiement de robots de service et d'entrepôt équipés de capteurs LiDAR. Face aux encodeurs de nuages de points traditionnels, dépourvus de tout contrôle granulaire sur les informations préservées, RoboShape se distingue par une conception encoder-agnostique: la méthode peut en principe s'adosser à d'autres encodeurs gelés que Sonata. Les auteurs présentent leur outil comme une brique pratique et prête au déploiement pour des pipelines de perception compacts et respectueux de la vie privée, plutôt que comme un produit commercial fini. La mise à disposition du code sur un dépôt public doit permettre à la communauté robotique de reproduire les résultats et de les intégrer à ses propres pipelines.

UERoboShape offre un outil open source directement pertinent pour les intégrateurs européens confrontes aux exigences RGPD et a la protection de la vie privée dans les flottes robotiques.

RecherchePaper

1 source

2arXiv cs.RO

RynnValue : faire passer à l'échelle les modèles fondation de valeur robotique par la distance temporelle

RynnValue s'attaque au goulot d'étranglement des modèles de récompense pour l'apprentissage robotique en remplaçant les ancrages classiques (préférences, progression normalisée) par la distance temporelle : le coût-à-parcourir dirigé entre une observation et un objectif spécifié en langage naturel. Comme ces étiquettes se déduisent directement des horodatages, le modèle open source s'entraîne sur plus de 7 000 heures et environ 3 millions de clips conditionnés par instruction, sans annotation de préférence ni de progression. Trois techniques stabilisent l'apprentissage à cette échelle : échantillonnage temporel aléatoire, mélange de l'ordre temporel et attention à isolation de valeur, qui empêchent le modèle de trouver des raccourcis insensibles aux échecs et régressions. Résultat : un Kendall's tau_a moyen de 0,675 sur le benchmark RBM-EVAL-OOD, devant l'état de l'art entièrement supervisé par préférences (0,655) et plus du double d'un équivalent entraîné uniquement sur la progression (0,292), avec généralisation zero-shot à des tâches, embodiments et points de vue inédits. Converti en récompense dense via un potential-based shaping, il fait grimper le taux de succès de politiques robotiques réelles de 52,5% à 72,5% en ligne, et de 63,8% à 82,5% hors ligne. Pour les intégrateurs et décideurs robotique, ce résultat pèse dans le débat sur le passage à l'échelle des modèles VLA : il suggère qu'un signal de supervision dérivé automatiquement des timestamps peut remplacer l'annotation manuelle coûteuse (préférences, jugements de progression) tout en généralisant mieux à des robots et environnements jamais vus à l'entraînement. C'est une preuve concrète que le goulot d'étranglement des reward models, souvent cité comme frein au reinforcement learning robotique à grande échelle, peut être contourné par un signal purement temporel plutôt que par plus d'annotation humaine. L'amélioration mesurée du taux de succès en conditions réelles, et pas seulement sur benchmark hors ligne, distingue ce travail d'une simple démonstration académique et le rend directement pertinent pour qui cherche à industrialiser des politiques génératives de contrôle robotique. RynnValue s'inscrit dans la lignée des modèles de fondation pour la robotique de type VLA (vision-langage-action), aux côtés d'approches comme Pi-0 ou GR00T N2, qui cherchent toutes à exploiter des corpus hétérogènes multi-embodiments pour généraliser au-delà d'un seul robot ou d'une seule tâche. Contrairement aux méthodes appuyées sur des préférences annotées ou une progression normalisée par tâche, difficilement transférables entre plateformes et sources de données, RynnValue mise sur un signal universel et bon marché à produire. Le fait que le modèle et vraisemblablement son code soient publiés en open source (arXiv, août 2026) facilite sa reproduction et son intégration par des laboratoires tiers pour du reward shaping en apprentissage par renforcement. Les prochaines étapes attendues concernent l'extension à davantage d'embodiments et de tâches en conditions réelles, ainsi que la comparaison avec d'autres modèles de récompense émergents dans un secteur où la fiabilité du reward model conditionne directement la vitesse d'entraînement des politiques.

RecherchePaper

1 source

3arXiv cs.RO

Vers des objectifs de navigation par le langage : une approche vision-langage pour la navigation sémantique de robots mobiles par perception RGB-D

Une équipe de recherche présente un framework open source de navigation sémantique piloté par le langage naturel pour robots mobiles, publié sur arXiv (2607.13624v1). Le système, bâti sur des composants modulaires ROS 2, traduit des requêtes en langage naturel comme "va vers la boîte aux lettres" en objectifs de navigation exécutables. Concrètement, le pipeline identifie l'objet cible mentionné dans la phrase, estime sa position dans l'espace à partir de données RGB-D, puis génère un point de navigation transmis à la pile Nav2 de ROS 2 pour l'exécution autonome. Les auteurs ont validé l'approche à la fois en simulation et en conditions réelles, sur deux plateformes distinctes : un TurtleBot3 Waffle et un Unitree Go2 équipé d'une caméra RealSense. Le code sera publié en open source après acceptation de l'article. Cette architecture illustre une tendance de fond dans la robotique mobile : le passage d'une navigation pilotée par coordonnées ou par carte à une navigation pilotée par l'intention exprimée en langage naturel, sans expertise technique requise de l'utilisateur. Pour les intégrateurs, l'intérêt réside moins dans la performance brute que dans la portabilité : en s'appuyant sur ROS 2 et sur des topics et services standardisés, le framework promet une adaptation à différentes plateformes robotiques via une simple reconfiguration plutôt qu'un développement spécifique par robot. Le système va au-delà des commandes directes en interprétant aussi des requêtes contextuelles et en générant du feedback en langage naturel, deux capacités clés pour une interaction homme-robot fluide dans des environnements domestiques ou logistiques où les utilisateurs finaux ne sont pas des opérateurs formés. Ce travail s'inscrit dans la vague plus large des architectures vision-langage-action qui traversent la robotique depuis l'essor de modèles comme Pi-0 ou GR00T N2, même si ceux-ci ciblent surtout la manipulation plutôt que la navigation pure. Plutôt qu'une approche end-to-end déléguant tout le raisonnement à un modèle unique, les auteurs optent pour une architecture modulaire combinant perception RGB-D, compréhension du langage et planification via Nav2, une pile de navigation déjà largement adoptée dans l'écosystème ROS 2 académique et industriel. L'ambition de portabilité multi-plateforme et la publication annoncée du code positionnent ce travail comme une brique réutilisable plutôt qu'une démonstration isolée, même si, à ce stade, rien n'indique un calendrier de diffusion précis ni des tests en environnements plus complexes ou à grande échelle.

RecherchePaper

1 source

4arXiv cs.RO

DynaFLIP : repenser la perception robotique via une représentation guidée par les dynamiques tri-modales

Des chercheurs présentent DynaFLIP (arXiv:2605.30350, mai 2026), un framework de pré-entraînement multimodal qui intègre la compréhension du mouvement directement dans l'encodeur visuel d'un robot manipulateur. L'approche repose sur des triplets image-langage-flux 3D extraits de vidéos hétérogènes d'humains et de robots. Le principe géométrique central consiste à forcer ces trois modalités à occuper un volume de simplexe minimal dans un espace hypersphérique partagé, plus ce volume est petit, plus l'alignement entre vision, langage et dynamique 3D est fort. Pour éviter l'effondrement trivial de cette minimisation géométrique, les auteurs combinent une régularisation cosinus et un objectif contrastif. Validé sur des benchmarks en simulation et en conditions réelles, DynaFLIP apporte des gains allant jusqu'à +22,5 % de performance dans des scénarios hors distribution, avec des améliorations constantes sur l'ensemble des politiques testées, y compris les VLA (Vision-Language-Action models). L'enjeu industriel est direct : les pipelines robotiques actuels, y compris ceux qui alimentent les humanoïdes commerciaux et les bras manipulateurs, s'appuient sur des encodeurs visuels pré-entraînés pour la reconnaissance statique ou l'alignement vision-langage de type CLIP. La compréhension du mouvement est laissée à la politique en aval, ce qui crée un goulot d'étranglement pour la généralisation. DynaFLIP déplace ce traitement en amont : le backbone visuel lui-même apprend à encoder non pas seulement ce qui est présent dans la scène, mais comment le monde se transforme sous l'effet d'une action. Le gain de +22,5 % hors distribution est particulièrement significatif, car c'est précisément là que les robots en déploiement réel échouent le plus souvent, sur des objets, des éclairages ou des configurations jamais vus à l'entraînement. Cette approche s'inscrit dans une vague de travaux sur les représentations visuelles pour la manipulation (R3M, MVP, SPA), mais elle se distingue en exploitant le flux optique 3D comme signal de supervision sans l'utiliser à l'inférence. Côté compétiteurs, les VLA comme pi-0 de Physical Intelligence, GR00T N2 de NVIDIA ou les modèles de Figure et Agility reposent tous sur des encodeurs dont la qualité représentationnelle conditionne la robustesse terrain. DynaFLIP propose un backbone de substitution directement intégrable dans ces architectures. La prochaine étape logique sera de valider à l'échelle sur des tâches de manipulation longue durée et de mesurer le transfert vers des morphologies robotiques variées, bras industriels, mains dextères, ou bases mobiles.

RechercheOpinion

1 source