Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
RecherchearXiv cs.RO 

CREPES-X : système hiérarchique d'estimation coopérative directe de pose relative par relèvement, distance et inertie

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

Une équipe de recherche présente CREPES-X (Cooperative RElative Pose Estimation System with multiple eXtended features), un système de localisation relative pour robots mobiles coopératifs, décrit dans une version révisée déposée sur arXiv sous la référence 2512.24688v2. Le dispositif embarqué tient dans un cube de 6 cm de côté maximum et combine des LED infrarouges, une caméra infrarouge, un module ultra-large bande (UWB) et une centrale inertielle (IMU). L'estimation de pose repose sur une architecture à deux étages : un premier étage calcule instantanément la pose relative entre robots via une solution en forme close, avec un mécanisme de rejet des mesures de gisement aberrantes ; un second étage affine ces estimations sur plusieurs images en pré-intégrant les données IMU dans un cadre de cinématique relative robocentrique, via une optimisation couplée de façon lâche puis serrée. Sur des jeux de données réels, le système atteint une erreur quadratique moyenne de 7,0 cm en position et 2,2 degrés en orientation, tout en restant robuste jusqu'à 90 % de mesures de gisement aberrantes.

Pour l'industrie des essaims de robots et des flottes coopératives, ce travail répond à un verrou concret : la plupart des méthodes existantes s'appuient soit sur des repères environnementaux partagés, soit sur des hypothèses inertielles fortes, et se dégradent dès qu'une paire de robots perd la ligne de vue directe ou rencontre des mesures bruitées. Un système purement embarqué, sans dépendance à une infrastructure de positionnement global (GPS, motion capture) ni à une cartographie partagée, est une condition pratique pour déployer des dizaines de robots en formation en environnement contraint, entrepôt dense ou zone GPS-dénié. La tolérance élevée aux valeurs aberrantes de gisement est le point le plus significatif : c'est typiquement ce qui casse les systèmes de vision relative en conditions réelles, hors laboratoire.

Le papier se positionne dans la lignée des travaux sur la localisation relative par fusion de mesures de distance, de gisement et d'inertie pour essaims multi-robots, un axe de recherche actif face aux limites des approches à base de SLAM partagé ou de capture de mouvement externe. Il s'agit d'un résultat de recherche validé en simulation et en expérimentation réelle, pas d'un produit commercialisé ; les auteurs ne communiquent pas de calendrier d'intégration industrielle à ce stade.

Dans nos dossiers

arXiv cs.RO

À lire aussi

PRIME : estimation inertielle et de mouvement physiquement cohérente pour robots à pattes et humanoïdes
1arXiv cs.RO 

PRIME : estimation inertielle et de mouvement physiquement cohérente pour robots à pattes et humanoïdes

Une équipe de chercheurs a présenté PRIME (Physically-consistent Robotic Inertial and Motion Estimation), une méthode d'estimation de mouvement pour robots à pattes et humanoïdes publiée sur arXiv en mai 2026 (arXiv:2605.17681). Là où les pipelines conventionnels basés sur des filtres de Kalman étendus (EKF) ou la capture de mouvement externe ne reconstruisent que la cinématique, PRIME formule le problème comme une estimation MAP (Maximum A Posteriori) qui raffine simultanément les données proprioceptives brutes et les commandes des actionneurs pour produire une trajectoire dynamiquement cohérente. L'algorithme estime conjointement les forces de contact frictionnelles et les paramètres inertiels du robot (masses, centres de masse, moments d'inertie), via une modélisation différentiable de la dynamique de contact avec contraintes de complémentarité lissées et un modèle de friction d'Anitescu. Les validations ont été conduites sur des robots quadrupèdes et sur l'humanoïde Unitree G1, lors de séquences de locomotion à contacts multiples en déploiement réel. Le problème abordé est structurel : les pipelines de perception robotique actuels ignorent les forces de contact et les paramètres inertiels effectifs du système, ce qui entraîne des reconstructions qui violent régulièrement la dynamique des corps rigides, en particulier lors des phases de contact. Cette incohérence dégrade la qualité des données d'entraînement et limite la robustesse des contrôleurs en boucle fermée. PRIME produit des reconstructions de mouvement annotées en forces et contacts directement depuis des robots en déploiement terrain, sans infrastructure de laboratoire. Pour les équipes qui développent des modèles de fondation robotiques ou des architectures Visual-Language-Action (VLA), cette capacité représente une source de données haute qualité exploitable à grande échelle, là où la rareté d'annotations dynamiques fiables reste un goulot d'étranglement reconnu. L'estimation d'état pour robots à pattes est un problème ancien, historiquement traité par EKF couplés à la proprioception, la capture de mouvement restant cantonnée aux laboratoires. PRIME se distingue en proposant une solution embarquée et déployable en conditions réelles, sans dépendance à une infrastructure externe. L'humanoïde Unitree G1, commercialisé autour de 16 000 dollars et très présent dans la recherche académique mondiale, sert de banc de validation représentatif. Dans un contexte où Boston Dynamics, Figure AI, Agility Robotics, 1X et Unitree accumulent des données de déploiement pour alimenter leurs pipelines d'apprentissage, PRIME propose une brique méthodologique transversale pour enrichir ces corpus avec des annotations dynamiques fiables. Les applications naturelles incluent l'imitation learning, le transfert sim-to-real et l'entraînement de modèles de fondation à partir de données terrain.

UELes équipes de recherche européennes en locomotion robotique (INRIA, LAAS-CNRS) pourraient exploiter PRIME pour enrichir leurs pipelines d'entraînement sans infrastructure de laboratoire, mais aucun acteur ou institution européen n'est directement impliqué.

RecherchePaper
1 source
Détection et estimation de distance des contacts externes transitoires par détection tactile dynamique 6D
2arXiv cs.RO 

Détection et estimation de distance des contacts externes transitoires par détection tactile dynamique 6D

Des chercheurs présentent TECDAR (Transient Extrinsic Contact Detection And Ranging), une méthode de détection et de localisation des contacts transitoires entre un objet saisi par un robot et son environnement, décrite dans un article publie sur arXiv le 10 aout 2026 (arXiv:2608.07075v1, page projet humitlab.github.io/TECDAR/). Le système repose sur des embouts de pince équipes d'un unique capteur tactile dynamique, une centrale inertielle 6D de seulement 2,5 x 3 mm, capable de capturer des deformations sub-milliseconde a 7 kHz d'échantillonnage pour un débit de données limite a 84 Ko/s. En fusionnant ce flux tactile avec la pose du robot via un filtre de Kalman étendu, TECDAR localise un contact extrinsèque avec une précision millimétrique en 180 millisecondes seulement. Les expériences rapportées montrent une précision moyenne d'environ 7 mm, aussi bien pour des contacts linéaires que ponctuels. Cette rapidité change la donne pour la manipulation fine en robotique. La main humaine localise instinctivement un contact fortuit grâce a sa sensibilité tactile, alors que la plupart des systèmes robotiques manquent de résolution pour capter ce type d'information et corrigent leur trajectoire trop tard, générant des gestes maladroits voire des échecs de tache. En montrant qu'un capteur compact et peu gourmand en bande passante permet de corriger une trajectoire a l'échelle de la milliseconde, les auteurs visent des applications a faible marge d'erreur: assemblage de précision, assistance chirurgicale, exploration autonome dans des environnements domines par le toucher. Il s'agit toutefois d'un résultat de recherche publie en preprint, valide sur des taches de laboratoire contrôlées, et non d'un produit commercialise ou déployé en usine: les intégrateurs devront attendre une validation sur des taches de préhension plus complexes avant d'envisager une adoption. Le travail s'inscrit dans un effort plus large visant a combler l'écart entre la sensibilité tactile humaine et les capacités perceptives des mains robotiques, un axe explore depuis plusieurs années notamment par des capteurs a base de vision comme GelSight, généralement plus volumineux et plus lents a traiter. En misant sur un capteur inertiel miniature unique plutôt que sur une matrice dense de capteurs, TECDAR vise a réduire a la fois le cout matériel et la charge de calcul nécessaire au traitement en temps réel. L'équipe ne communique pas de calendrier de transfert vers une plateforme robotique commerciale; la publication, classée comme nouvelle soumission sur arXiv, ouvre la voie a des travaux de suivi destines a étendre la méthode a des taches de manipulation plus complexes et a des pinces dotées de plusieurs doigts instrumentes.

RecherchePaper
1 source
Résumé technique : estimation asynchrone et distribuée de trajectoires pour systèmes multi-robots
3arXiv cs.RO 

Résumé technique : estimation asynchrone et distribuée de trajectoires pour systèmes multi-robots

Un rapport technique publié le 1er juillet sur arXiv (2607.01106) présente un nouvel algorithme de descente par coordonnées par blocs pour l'estimation distribuée de trajectoires dans les systèmes multi-robots. Le scénario type: une équipe d'agents (capteurs ou robots observateurs) suit collectivement l'état d'une flotte de robots sur une fenêtre glissante, en résolvant une approximation du problème d'estimation par maximum a posteriori (MAP). Les auteurs démontrent que cette approximation introduit une erreur négligeable tout en supprimant jusqu'à 96,9% des communications nécessaires entre agents, un gain obtenu en tolérant l'asynchronie des échanges et des calculs plutôt qu'en imposant une synchronisation stricte. Ils prouvent aussi une convergence exponentielle des estimations vers la solution optimale. En simulation, la méthode réduit l'erreur jusqu'à 64% par rapport à un algorithme distribué de référence, et des essais sur robots mobiles réels montrent une robustesse à des délais de communication variant sur trois ordres de grandeur. L'enjeu dépasse la simple prouesse mathématique: la plupart des algorithmes d'estimation distribuée publiés jusqu'ici supposent des communications synchrones entre agents, une hypothèse rarement vérifiée sur le terrain où le réseau, les pannes de capteurs ou la charge de calcul introduisent des délais imprévisibles. Un algorithme qui reste stable et précis malgré l'asynchronie et qui divise drastiquement le trafic réseau ouvre la voie à des flottes de robots ou de drones plus nombreuses, moins dépendantes d'une infrastructure de communication fiable et moins gourmandes en bande passante, un critère clé pour les applications d'inspection, de logistique en essaim ou de surveillance multi-capteurs où le lien radio est instable. Ce travail s'inscrit dans la lignée des recherches sur l'estimation collaborative d'état (SLAM multi-robots, fusion de capteurs distribuée) qui cherchent depuis plusieurs années à décentraliser les calculs pour éviter un serveur central unique, point de défaillance critique. Il s'agit ici d'un rapport technique déposé en preprint, non encore validé par relecture par les pairs ni testé à grande échelle industrielle: les expériences citées restent limitées à des robots mobiles en laboratoire. Les prochaines étapes attendues concernent le passage à l'échelle sur des flottes plus importantes et l'intégration dans des piles logicielles de navigation multi-robots existantes.

RecherchePaper
1 source
Estimation de pose entre robots multiples par rigidité angulaire sans mesure de distance
4arXiv cs.RO 

Estimation de pose entre robots multiples par rigidité angulaire sans mesure de distance

Une équipe de chercheurs a publié le 3 juin 2026 sur arXiv (référence 2606.03931) une lettre de recherche présentant un nouvel estimateur distribué de pose pour systèmes multi-robots à topologie variable. Le principe repose sur des mesures de relèvement angulaire exclusivement (bearing-only) : chaque robot calcule les angles vers ses voisins dans son propre référentiel corporel, sans aucune mesure de distance. À partir de ces angles seuls, l'algorithme estime les positions de l'ensemble des robots dans l'espace tridimensionnel (R³), puis reconstruit leurs orientations dans SO(3) en exploitant les positions estimées, les relèvements bruts et leurs dérivées temporelles. L'approche est entièrement distribuée : aucun noeud centralisateur n'est requis. La contribution principale est de ramener la condition topologique minimale à ce que les auteurs appellent l'«angle-rigidité», une propriété strictement plus faible que la rigidité de relèvement classique (bearing rigidity) utilisée dans la littérature. Concrètement, un réseau de robots peut opérer avec une connectivité plus clairsemée ou des topologies de communication moins contraintes tout en garantissant la convergence de l'estimateur. Les auteurs démontrent la stabilité exponentielle uniforme locale de l'observateur sous une hypothèse d'excitation persistante sur un sous-ensemble de robots, ce qui constitue une garantie formelle et non simplement empirique. Pour les intégrateurs de flottes d'AMR ou les concepteurs de systèmes de drones en essaim, cela ouvre la voie à une localisation relative fiable et décentralisée avec des capteurs bas coût (caméras monoculaires ou stéréo), sans infrastructure externe de type UWB ou GPS. Ce travail s'inscrit dans un corpus actif sur la localisation collaborative sans mesure de distance. Les approches concurrentes, notamment celles fondées sur la rigidité de relèvement stricte ou nécessitant des orientations connues a priori, imposent des contraintes de déploiement plus fortes. Les auteurs ne mentionnent aucun partenariat industriel ni test sur matériel réel : les résultats présentés reposent exclusivement sur des simulations numériques, ce qui est à noter. L'étape suivante attendue dans ce type de travaux est la validation expérimentale sur plateforme physique, avec des perturbations réalistes (bruit capteur, occultations, latences de communication), avant toute intégration dans des systèmes embarqués de production.

RecherchePaper
1 source