RecherchearXiv cs.RO 15 septembre 2026

SurfSLAM : reconstruction stéréo sous-marine par transfert simulation-réel pour SLAM en temps réel

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs présentent SurfSLAM, un système de localisation et cartographie simultanées (SLAM) sous-marin en temps réel, décrit dans un article arXiv (2601.10814, version 3, mise a jour d'un preprint existant). Le système s'appuie sur des cameras stéréo pour estimer la profondeur métrique, fusionnée avec des mesures IMU, barométriques et Doppler Velocity Log (DVL). Pour entrainer le réseau d'estimation de disparité stéréo, les auteurs utilisent un pipeline sim-to-real combinant données simulées et un finetuning auto-supervise sur données réelles, contournant l'absence de jeux de données stéréo sous-marins annotes. L'équipe a aussi collecte un dataset inédit de plus de 24 000 paires stéréo capturées par un robot sous-marin lors de relevés d'épaves de navires, avec modèles de photogrammétrie dense et trajectoires de référence pour l'évaluation.

Cette avancée s'attaque a un verrou connu de la perception sous-marine: les réseaux stéréo entraines sur des images terrestres ne se transfèrent pas directement au milieu aquatique, ou l'atténuation lumineuse, les artefacts visuels, l'éclairage dynamique et le manque de texture des scènes dégradent fortement les performances. Pour les intégrateurs de robots sous-marins actifs dans l'inspection offshore, l'archéologie subaquatique ou la surveillance d'infrastructures, une odométrie visuelle stéréo fiable en temps réel constitue une brique critique la ou les capteurs acoustiques seuls restent couteux ou peu précis. En démontrant un gain mesurable sur des données réelles complexes, l'étude apporte une preuve empirique que l'approche sim-to-real, déjà éprouvée en robotique terrestre, peut se transposer au sous-marin sans exiger un volume massif de données réelles annotées.

Le travail s'inscrit dans une lignée de recherches visant a combler le manque chronique de jeux de données stéréo sous-marins réels, frein historique au SLAM visuel en mer, longtemps domine par les approches acoustiques (sonar) ou par des méthodes monoculaires moins précises metriquement. Publie sur arXiv comme mise a jour d'un preprint antérieur, SurfSLAM reste a ce stade une contribution académique plutôt qu'un produit commercialise, et l'article ne précise ni institution porteuse ni partenariat industriel. Les auteurs positionnent leur dataset de relevés d'épaves comme benchmark réutilisable pour la communauté, ouvrant la voie a des comparaisons avec d'autres frameworks de SLAM sous-marin et a une adoption future par des opérateurs de robots d'inspection cherchant une alternative moins couteuse aux capteurs acoustiques.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

Fusion multimodale pour le transfert simulation-réel en apprentissage par renforcement visuel

Une équipe de recherche a soumis sur arXiv (identifiant 2507.09180, actuellement à la version 4) une architecture de fusion multimodale pour améliorer le transfert sim-to-real en apprentissage par renforcement visuel appliqué à la manipulation robotique. L'approche combine deux flux d'entrée, RGB et profondeur (depth), traités en parallèle par des réseaux convolutifs séparés (CNN stems), dont les représentations fusionnées sont transmises à un vision transformer (ViT) scalable. L'information de profondeur, naturellement robuste aux variations d'apparence de scène, fournit des détails spatiaux 3D absents des images RGB seules. Le pipeline intègre un schéma d'apprentissage contrastif à tokens masqués et non masqués pour améliorer l'efficacité d'échantillonnage, combiné à une randomisation de domaine progressive (curriculum-based domain randomization) pour stabiliser l'entraînement. En simulation, la méthode surpasse les baselines comparées. La validation clé se fait en transfert zéro-shot : sans ré-entraînement sur données réelles, le modèle réalise des tâches de manipulation physique. Le sim-to-real gap reste l'obstacle central en robotique d'apprentissage : les politiques entraînées en simulation échouent fréquemment face à la variabilité visuelle du monde réel. La fusion RGB + depth attaque directement ce problème en réduisant la dépendance aux indices visuels fragiles comme l'éclairage ou les textures. L'apprentissage contrastif à tokens partiels suggère une meilleure invariance aux perturbations apparentes sans nécessiter de volumes massifs de données réelles. Pour les intégrateurs industriels et les équipes de développement en manipulation, le transfert zéro-shot validé expérimentalement est un signal concret : la politique capture des abstractions géométriques suffisamment générales pour opérer hors simulation, ce qui est précisément la promesse que le secteur cherche à tenir depuis des années. Ce travail s'inscrit dans une compétition de représentations visuelles pour la robotique qui inclut la randomisation de domaine agressive popularisée par OpenAI dès 2017, les encodeurs préentraînés par masquage (MAE, R3M, DINOv2), et les politiques vision-langage-action (VLA) comme pi0 de Physical Intelligence ou OpenVLA. L'originalité revendiquée est la fusion RGB + depth au niveau du transformer plutôt qu'en aval, couplée au curriculum adaptatif. Le passage à la version 4 sur arXiv signale un travail en révision active, probablement vers une conférence type ICRA ou IROS. Les prochaines étapes attendues incluent une validation sur benchmarks standardisés (RLBench, MetaWorld) et des tests sur plateformes physiques plus complexes.

RecherchePaper

1 source

2arXiv cs.RO

Attention spatiale stéréo multi-étapes pour manipulation mobile en temps réel sous variations d'échelle et perturbations

Des chercheurs ont publié en mai 2026 un préprint (arXiv:2605.00471) présentant une méthode d'apprentissage prédictif profond basée sur une attention spatiale stéréo multi-étapes pour la manipulation mobile en temps réel. L'approche extrait des points d'attention spatiale pertinents à partir d'images stéréo, les intègre avec les états du robot via une architecture récurrente hiérarchique, et génère des actions en boucle fermée. Le système a été évalué sur quatre tâches de manipulation mobile en conditions réelles avec un manipulateur mobile : placement d'objets rigides, manipulation d'objets articulés, et interaction avec des objets déformables. Les expériences se sont déroulées sous positions initiales aléatoires et perturbations visuelles contrôlées. Les auteurs rapportent des taux de succès et une robustesse supérieurs aux baselines d'imitation learning et aux modèles vision-langage-action (VLA) dans des conditions de contrôle identiques. À noter : l'abstract ne fournit pas de chiffres quantitatifs précis (taux de succès, fréquence de contrôle, payload), ce qui limite l'évaluation indépendante des gains annoncés. Le problème central adressé est rarement traité explicitement dans la littérature VLA : quand un robot se déplace de manière autonome, les changements continus de point de vue caméra provoquent des variations d'échelle visuelle significatives sur les objets cibles, ce qui dégrade la génération de mouvements fondée sur la vision. Les modèles VLA actuels, entraînés sur des données à échelle fixe ou simulées, peinent à compenser ce phénomène en déploiement réel. L'architecture proposée, en combinant attention stéréo structurée et modélisation temporelle prédictive, offre une piste crédible pour combler ce fossé sim-to-real sur des plateformes mobiles, une classe de robots particulièrement exposée à ce problème par rapport aux bras fixes. Ce travail s'inscrit dans un contexte de forte compétition sur la manipulation généraliste : Boston Dynamics, Physical Intelligence avec Pi-0, NVIDIA avec GR00T N2, et Figure avec ses plateformes humanoïdes investissent massivement dans des politiques VLA robustes au monde réel. La manipulation mobile reste un défi distinct de la manipulation fixe, car elle cumule les difficultés de navigation et de préhension dans des environnements non structurés. En l'absence d'affiliation institutionnelle dans le préprint et de code ou de vidéos publiés, il est prématuré d'évaluer la reproductibilité de l'approche. Les prochaines étapes naturelles seraient une publication sur benchmark standardisé (Open-X Embodiment, LIBERO) et un test sur plateformes commerciales comme les AMR équipés de bras (MiR, Clearpath, ou des acteurs européens comme Niryo ou Wandercraft sur des variantes mobiles).

RechercheOpinion

1 source

3arXiv cs.RO

Transfert simulation-réel tactile sans simulation tactile via reconstruction latente à goulot d'étranglement

Une équipe de recherche propose SBLR (Sim2Real via Bottlenecked Latent Reconstruction), une méthode qui permet d'entraîner des politiques de manipulation robotique tactile sans avoir à simuler physiquement chaque capteur tactile. Décrite dans un article déposé sur arXiv (référence 2608.15897v1), l'approche entraîne d'abord la politique sur un capteur "oracle" natif au simulateur, construit simplement à partir d'un nuage de points et des forces mesurées au bout des doigts, sans modéliser aucun capteur réel en particulier. Une seconde étape, dite de reconstruction latente à goulot d'étranglement, adapte ensuite cette politique à la perte d'information propre à un capteur tactile réel. L'alignement entre les représentations latentes du capteur oracle et du capteur réel est appris à partir de données non appariées, collectées par jeu aléatoire en simulation et dans le monde réel, via des réseaux de transformation fondés sur le "rectified flow" et entraînés sur des pseudo-paires de plus proches voisins. Sur trois tâches simulées à fort contact, SBLR égale ou approche les performances de l'oracle. En conditions réelles, sur des tâches d'insertion de tige (peg insertion) et d'engrenage (gear meshing) avec des capteurs GelSight Mini et DIGIT, la méthode atteint un taux de réussite zéro-shot de 85 à 97,5 %, dépassant de 7,5 à 15 points une référence basée sur une simulation physique du capteur tactile. L'intérêt pour l'industrie tient au problème que la méthode contourne: modéliser fidèlement chaque capteur tactile, dont les designs sont très variés et évoluent vite, exige une expertise pointue et des approximations qui dégradent souvent la fidélité du signal simulé. En évitant toute simulation spécifique au capteur, SBLR promet de réduire le coût d'ingénierie pour les intégrateurs qui manipulent plusieurs types de capteurs tactiles sur une même ligne de préhension fine, sans recalibration lourde à chaque changement de matériel. Le résultat va à l'encontre de l'hypothèse dominante selon laquelle un transfert sim2real tactile fiable nécessite une simulation physique dédiée du capteur. Ce travail s'inscrit dans la lignée des recherches sur la manipulation robotique riche en contact (assemblage, insertion, engrenage), où l'écart de fidélité entre capteurs tactiles simulés et réels reste un frein classique au déploiement. Les approches antérieures s'appuyaient sur des simulations physiques par éléments finis ou modèles d'élastomère, coûteuses et sujettes à divergence. L'article ne mentionne ni partenaire industriel ni publication de code, et les résultats matériels se limitent à deux tâches avec deux capteurs; il s'agit donc d'un travail de recherche académique à ce stade, sans déploiement industriel annoncé.

RecherchePaper

1 source

4arXiv cs.RO

Re³Sim : générer des données de simulation photoréalistes en 3D par transfert réel-vers-simulation pour la manipulation robotique

Cette annonce arrive du côté recherche académique plutôt que de l'industrie commerciale : une équipe présente RE³SIM, un système de simulation photoréaliste en 3D destiné à combler l'écart entre entraînement simulé et déploiement réel en robotique manipulatrice. Publié sur arXiv (version 4, remplaçant une précédente), le papier décrit un pipeline qui reconstruit fidèlement des scènes réelles grâce à des techniques avancées de reconstruction 3D et de rendu neuronal, permettant un rendu en temps réel de caméras virtuelles multi-angles au sein d'un simulateur physique. En s'appuyant sur des informations privilégiées pour générer efficacement des démonstrations expertes en simulation, puis en entraînant des politiques robotiques par apprentissage par imitation, les chercheurs rapportent un taux de réussite moyen supérieur à 58% en transfert "zero-shot" vers le réel, c'est-à-dire sans aucune donnée réelle utilisée pour l'entraînement, uniquement des données simulées. Ils ont aussi constitué un jeu de données de simulation à grande échelle pour tester la généralisation des politiques apprises sur des objets variés. Le résultat compte parce qu'il s'attaque directement à l'un des goulots d'étranglement les plus coûteux du secteur : la collecte de données réelles pour entraîner des robots manipulateurs, qui exige des opérateurs qualifiés et du matériel onéreux. Si le fossé sim-to-real (géométrique et visuel) peut être réduit de manière fiable grâce à des reconstructions photoréalistes plutôt qu'à des environnements simulés génériques, cela change la donne pour les intégrateurs et les équipes de R&D qui cherchent à multiplier les scénarios d'entraînement sans multiplier les essais physiques. Un taux de 58% en zero-shot reste toutefois modeste comparé aux standards de fiabilité industrielle, et mérite d'être lu comme une preuve de concept académique plutôt qu'une solution prête à l'emploi pour la production. RE³SIM s'inscrit dans la lignée des travaux récents sur les politiques vision-langage-action (VLA) et les pipelines d'apprentissage par imitation, un axe de recherche également poursuivi par des acteurs comme Physical Intelligence (Pi-0) ou NVIDIA (GR00T). La démarche real-to-sim-to-real, où l'on capture d'abord le monde réel avant de simuler dessus, distingue cette approche des simulateurs purement synthétiques et pourrait influencer les futurs outils de génération de données pour l'entraînement de robots. Le code et des démonstrations sont disponibles sur le site du projet (re3sim.github.io), signe que l'équipe cherche une adoption élargie par la communauté robotique plutôt qu'une simple publication isolée.

RecherchePaper

1 source