RecherchearXiv cs.RO 15 septembre 2026

Fonction de barrière de contrôle guidée par imagination comportementale avec incertitude partagée pour la navigation de robots mobiles

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs présentent BIG-CBF (Behavior-Imagination-Guided Control Barrier Function), une architecture de navigation pour robots mobiles autonomes décrite dans un article publié sur arXiv (2609.14343) en septembre 2026. Le système sépare la sélection de manœuvre, exécutée à basse fréquence, du filtrage de sécurité proprement dit, exécuté à haute fréquence via une fonction de barrière de contrôle (CBF) classique. Sur un horizon court, six comportements en boucle fermée sont imaginés et évalués selon leur compatibilité CBF et un objectif combinant progression de la tâche, risque de blocage, fluidité et fréquence de changement de manœuvre. Les couches d'imagination et d'exécution partagent les mêmes sources d'incertitude (délai de mouvement relatif, prédiction des obstacles, maintien d'ordre zéro, résidus d'exécution des commandes), tandis qu'une CBF stricte reste l'autorité finale de sécurité. Sur un benchmark comparatif de 3 600 épisodes répartis sur neuf scénarios, BIG-CBF atteint un taux de réussite global de 99,78 %, le meilleur des méthodes testées, tout en réduisant nettement le nombre d'interventions de la CBF en aval. Sur un robot omnidirectionnel physique embarquant un calculateur Jetson Orin Nano, le système complète ses 15 essais d'évaluation sans aucun contact enregistré.

Ce travail s'attaque à une limite connue des filtres de sécurité CBF à intervention minimale : sans conscience du niveau tâche, ils peuvent choisir une direction d'évitement non productive quand plusieurs manœuvres sont localement valides, ce qui produit un comportement sûr mais bloqué dans des environnements géométriquement ambigus, un robot qui s'arrête au lieu de contourner un obstacle. Pour les intégrateurs d'AMR en environnement industriel ou logistique, ce type de blocage reste l'un des principaux freins à l'autonomie complète, autant sinon plus que le risque de collision lui-même. En partageant les mêmes modèles d'incertitude entre la couche de planification et la couche d'exécution, BIG-CBF cible directement l'écart classique entre planification et comportement réel du robot. Les résultats, mesurés à la fois en simulation à grande échelle et sur matériel physique, avec des métriques d'énergie et de fréquence d'intervention de la CBF, offrent une validation plus rigoureuse que les démonstrations vidéo isolées courantes dans le secteur, même si 15 essais matériels restent un échantillon modeste pour conclure à une robustesse générale.

Les fonctions de barrière de contrôle constituent depuis plusieurs années un cadre mathématique standard pour garantir des contraintes de sécurité locales, en particulier l'évitement de collision, dans la robotique mobile et les véhicules autonomes, généralement sous forme de filtres d'optimisation appliqués à une commande nominale. BIG-CBF se positionne comme une amélioration de cette approche classique face aux méthodes de planification purement réactive ou aux architectures d'apprentissage de bout en bout, en conservant la garantie formelle de sécurité tout en ajoutant une couche de raisonnement sur les manœuvres. L'article ne précise ni industriel partenaire ni calendrier de déploiement commercial : il s'agit d'une contribution de recherche, testée en simulation et sur un seul robot omnidirectionnel de laboratoire équipé d'un module Jetson Orin Nano, sans indication de généralisation à d'autres plateformes ou à des flottes plus larges pour l'instant.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

CN-CBF : fonction de barrière de contrôle neuronale composite pour la navigation robotique en environnements dynamiques

Des chercheurs proposent une nouvelle méthode de conception de fonctions de barrière de contrôle neuronales, baptisée CN-CBF (Composite Neural Control Barrier Function), pour sécuriser la navigation de robots autonomes dans des environnements dynamiques et incertains. L'approche combine plusieurs CBF neuronales individuelles en une seule fonction composite : chacune est entraînée hors ligne à partir de données générées par le cadre de calculabilité Hamilton-Jacobi, afin d'approximer l'ensemble de sécurité optimal face à un obstacle mobile unique. Une architecture neuronale résiduelle garantit que l'ensemble de sécurité estimé ne recoupe jamais l'ensemble d'échec correspondant. La méthode a été testée en simulation sur un robot terrestre et un quadricoptère, puis validée par des expériences matérielles sur les deux plateformes. Comparée aux meilleures méthodes de référence existantes, elle améliore le taux de réussite de la navigation jusqu'à 18%, tout en conservant des longueurs de trajectoire et des temps de déplacement comparables, voire inférieurs. Ce résultat s'attaque à un problème central pour l'industrie robotique : les filtres de sécurité basés sur les CBF sont simples à déployer mais notoirement difficiles à concevoir manuellement, en particulier quand l'environnement change en temps réel. En automatisant et en fiabilisant cette conception via l'apprentissage, CN-CBF pourrait faciliter le déploiement de robots autonomes, mobiles ou volants, dans des environnements partagés avec des obstacles mobiles, humains compris, sans sacrifier l'efficacité des trajectoires. Le passage du simulateur au matériel réel, sur deux morphologies distinctes, robot au sol et drone, est un signal encourageant pour les intégrateurs et les équipes de R&D qui cherchent des garanties de sécurité formelles plutôt que des heuristiques ad hoc, un enjeu clé pour la certification et l'adoption en environnements industriels ou logistiques. Les fonctions de barrière de contrôle sont un outil classique de la théorie du contrôle pour garantir la sécurité formelle des systèmes dynamiques, mais leur conception manuelle devient vite intraitable dès que la dimension ou la complexité de l'environnement augmente. Les approches existantes, qu'elles soient purement basées sur des modèles ou purement apprises, souffrent chacune de limites que les auteurs cherchent explicitement à corriger en combinant apprentissage neuronal et cadre théorique Hamilton-Jacobi. Publié sur arXiv en version révisée, ce travail s'inscrit dans une littérature croissante sur les CBF neuronales pour la robotique mobile et aérienne. Les auteurs mentionnent des évaluations étendues en simulation face à plusieurs méthodes concurrentes ; une extension naturelle consisterait à traiter des scénarios multi-obstacles ou multi-robots, au-delà du cas de l'obstacle mobile unique étudié ici.

RecherchePaper

1 source

2arXiv cs.RO

Fonctions de barrière de contrôle par opérations de Minkowski pour la navigation sécurisée parmi des polytopes

Des chercheurs publient sur arXiv (2608.02886, 5 août 2026) une nouvelle formulation des fonctions de barrière de contrôle (CBF) pour la navigation sécurisée de robots dans des environnements composés de polytopes, c'est-à-dire d'obstacles à géométrie polyédrique exacte plutôt qu'approximée. Les méthodes CBF existantes simplifient généralement les obstacles par des formes lisses et conservatives, sphères ou ellipsoïdes, pour obtenir des fonctions de distance différentiables plus faciles à calculer. L'équipe propose à la place une fonction de distance signée (SDF) exacte, valable à la fois pour un robot et des obstacles de forme polyédrique quelconque. La méthode s'appuie sur des opérations de Minkowski et résout deux programmes convexes complémentaires, un pour le cas sans collision et un pour le cas en collision, ce qui permet de calculer la distance exacte dans les deux régimes. Les auteurs en dérivent également une expression analytique unifiée du gradient de cette SDF, obtenue par analyse de sensibilité en exploitant les propriétés géométriques des opérations de Minkowski en 2D. Le cadre est validé en simulation sur un cas de translation pure et trois scénarios avec des robots de type unicycle : récupération après une initialisation non sécurisée, évitement d'un obstacle unique, puis de plusieurs obstacles, comparés à des méthodes de référence. L'enjeu pour la robotique industrielle est concret : la plupart des robots mobiles autonomes (AMR) et bras manipulateurs ont une géométrie proche du polytope, pas de la sphère, et les approximations conservatives leur font perdre de la marge de manœuvre dans des espaces contraints comme les allées d'entrepôt. Une SDF exacte promet des trajectoires moins prudentes sans sacrifier la garantie de sécurité formelle propre aux CBF. Fait notable, le calcul exact du gradient rotationnel révèle une classe de minima locaux jusque-là masquée par les approximations, provenant du couplage entre la géométrie du robot et sa cinématique non holonome, un mode de défaillance que les méthodes conservatives ne permettaient pas de voir. Les CBF sont une technique établie de contrôle sûr depuis le milieu des années 2010, généralement appliquée à des formes simplifiées. Ce travail les étend à la géométrie exacte, un problème resté ouvert faute d'expression différentiable pratique de la distance entre polytopes. Il s'agit à ce stade d'une publication de recherche validée uniquement en simulation, sans démonstration sur robot physique ni déploiement industriel annoncé.

RecherchePaper

1 source

3arXiv cs.RO

Modèle du monde pour la navigation sociale de robots guidée par la logique

Des chercheurs ont publié NaviWM (Navigation World Model), un système de navigation robotique socialement consciente qui couple un grand modèle de langage (LLM) avec un modèle de monde structuré et un module de raisonnement logique déductif. Le système repose sur deux composants principaux : un modèle spatio-temporel qui capture en temps réel les positions, vitesses et activités des agents présents dans l'environnement, et un module de raisonnement par chaîne-de-pensée (chain-of-thought) guidé par des règles formelles. La nouveauté centrale est l'encodage des normes sociales en logique du premier ordre (first-order logic), ce qui rend le raisonnement du robot vérifiable et interprétable, contrairement aux approches par prompt engineering ou fine-tuning. Les expériences menées montrent une amélioration du taux de succès de navigation et une réduction des violations sociales dans les environnements encombrés. L'article, disponible en version 2 sur arXiv (référence 2510.23509), est accompagné de vidéos de démonstration publiées par les auteurs. Ce travail s'attaque à une faille bien documentée des LLM appliqués à la planification de trajectoires en robotique mobile : le manque d'ancrage physique et de cohérence logique lorsqu'ils opèrent seuls. En environnements dynamiques peuplés d'humains, les LLM purs produisent des comportements imprévisibles, voire dangereux. En ajoutant une couche de raisonnement formel en aval du LLM sous des contraintes explicites (espace personnel, évitement de collision, gestion du timing), NaviWM propose une solution plus robuste. Pour un intégrateur travaillant sur des robots de service en intérieur, livraison hospitalière ou navigation en entrepôt mixte humain-robot, cela représente un levier concret pour réduire le gap entre démonstration en laboratoire et déploiement opérationnel. Le caractère interprétable du raisonnement constitue également un atout pour les exigences de traçabilité et de certification en milieu industriel ou médical. La navigation sociale pour robots mobiles est un champ en forte effervescence, où coexistent des approches classiques comme ORCA (Optimal Reciprocal Collision Avoidance), des prédicteurs à base de réseaux LSTM sociaux, et plus récemment des systèmes intégrant des VLA (Vision-Language-Action models) comme Pi-0 ou les architectures embarquées de Boston Dynamics et Figure. NaviWM se positionne dans un segment distinct : il ne cherche pas à remplacer le LLM mais à le contraindre via un modèle du monde explicite et des règles formelles, une approche hybride neuro-symbolique proche des travaux du MIT CSAIL sur la planification task-and-motion. Les prochaines étapes naturelles seront de valider l'architecture sur des plateformes physiques hors simulation et de tester la robustesse des règles logiques face à des scénarios sociaux non anticipés lors de leur encodage initial.

RecherchePaper

1 source

4arXiv cs.RO

ReconVLA : un cadre VLA guidé par l'incertitude et la détection des défaillances pour le contrôle robotique

Des chercheurs ont mis en ligne en avril 2026 sur arXiv (référence 2604.16677) un framework nommé ReconVLA, conçu pour doter les modèles vision-langage-action (VLA) d'une capacité jusque-là absente : estimer leur propre degré de confiance avant d'agir. ReconVLA applique la prédiction conforme (conformal prediction) directement sur les tokens d'action produits par un VLA pré-entraîné, sans modification ni réentraînement du modèle. Cette couche génère des intervalles d'incertitude calibrés, corrélés à la qualité d'exécution et au taux de succès de la tâche. Le même mécanisme est étendu à l'espace d'état du robot pour détecter des configurations anormales avant qu'une défaillance ne survienne. L'évaluation couvre des tâches de manipulation variées en simulation et sur robot réel. L'absence de mesure de confiance calibrée est aujourd'hui l'un des principaux verrous à l'industrialisation des VLA. Un modèle comme Pi-0 (Physical Intelligence), OpenVLA ou GR00T N2 (NVIDIA) peut produire une action avec une assurance apparente même lorsque la scène perçue sort de sa distribution d'entraînement. ReconVLA contourne ce problème sans toucher au modèle sous-jacent : les intégrateurs peuvent envelopper n'importe quel VLA existant avec cette surcouche de sécurité. En pratique, le framework réduit les erreurs catastrophiques et fournit un signal exploitable par les superviseurs humains ou les systèmes de fail-safe industriels. Il convient de souligner que les résultats présentés restent à l'échelle laboratoire, sans validation sur des lignes de production réelles. La prédiction conforme est une méthode statistique bien établie dans la communauté du machine learning certifié, mais son application aux VLA robotiques reste émergente. Ces architectures ont connu une accélération notable depuis 2023 avec RT-2 (Google DeepMind), puis OpenVLA, Pi-0 et GR00T N2, chacune promettant un contrôle généraliste sans garantie formelle de comportement hors distribution. ReconVLA s'inscrit dans une tendance visant à rendre ces modèles auditables et déployables dans des contextes à risque industriel ou réglementé. Les prochaines étapes naturelles incluent l'intégration avec des pipelines temps réel et la validation sur des horizons de tâches plus longs, domaines où la calibration de l'incertitude devient critique pour les décideurs industriels.

UEImpact indirect : si validé à l'échelle industrielle, ce framework faciliterait le déploiement de VLA dans des environnements réglementés européens (AI Act, sécurité machines), sans nécessiter de réentraînement des modèles existants.

RechercheOpinion

1 source