RecherchearXiv cs.RO 17 septembre 2026

DetAug : augmentation de trajectoires sans détection d'obstacles pour l'évitement zero-shot

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Un preprint arXiv (2609.18395), mis en ligne le 17 septembre 2026, présente DetAug (Obstacle-Blind Trajectory Augmentation), une méthode destinée a faire éviter des obstacles jamais vus a l'entrainement par des politiques de manipulation robotique entraînées par téléopération, dont les jeux de données sont presque toujours enregistres en espace libre. DetAug augmente uniquement les phases de transit des trajectoires, laisse intactes les phases d'interaction avec les objets, et enregistre les paramètres d'augmentation comme label de conditionnement explicite. A l'inférence, le système échantillonné un lot de labels candidats et retient la trajectoire dont le cout de collision estime est le plus bas. Sur le benchmark SafeLIBERO, DetAug dépasse la meilleure méthode rivale de plus de 20 points de pourcentage de taux de réussite sans collision, et de 26 points face au guidage applique sur la même politique de base. Lors d'essais sur robot réel, DetAug égale ou dépasse une base entraînée avec conditionnement explicite sur des obstacles, bien qu'elle n'en ait jamais vu pendant son propre entrainement, la ou les méthodes de pilotage a l'inférence échouent des que la tache exige un large détour.

Le résultat vise un problème concret pour l'industrialisation des politiques robotiques généralistes: les grands corpus de démonstration par téléopération sont collectes en environnement dégage, alors que les usines, entrepôts ou domiciles réels regorgent d'obstacles imprévisibles. Deux familles de solutions coexistaient jusqu'ici: augmenter le jeu de données en amont, ce qui suppose de connaitre a l'avance la géométrie des obstacles cibles, une contrainte irréaliste en déploiement, ou piloter un checkpoint déjà entraine au moment de l'inférence, plus flexible mais peu fiable des que le détour nécessaire s'allonge. En combinant les deux logiques sans hériter de leurs limites respectives, DetAug esquisse une voie vers un évitement d'obstacles zero-shot fiable, sans collecte de données spécifique a chaque site cible, un enjeu direct pour les intégrateurs qui cherchent a déployer une même politique généraliste sur des environnements varies sans reentrainement couteux.

Le travail s'inscrit dans la recherche en apprentissage par imitation a partir de larges corpus de téléopération, approche devenue dominante pour entrainer les politiques de manipulation dites VLA. Les auteurs positionnent explicitement DetAug entre les deux approches existantes, augmentation de données en amont et guidage a l'inférence, sans nommer de laboratoire ou d'équipe rivale précise: il s'agit a ce stade d'une publication de recherche (preprint arXiv), et non d'un produit ou d'un déploiement commercial. Le benchmark SafeLIBERO utilise pour l'évaluation s'appuie sur LIBERO, une suite de taches de manipulation couramment employée par la communauté robotique. Aucun calendrier d'intégration commerciale n'est communique par les auteurs; la suite logique pour ce type de travaux académiques reste généralement une extension a davantage de taches et de plateformes robotiques, avant une éventuelle reprise par des laboratoires développant des politiques généralistes a grande échelle.

Dans nos dossiers

Manipulation robotique arXiv cs.RO

À lire aussi

1arXiv cs.RO

Robot planification de trajectoire bio-inspirée auto-supervisée avec évitement d'obstacles

Un article de recherche publié sur arXiv (2607.20743) présente une méthode de planification de trajectoire pour robots basée sur l'apprentissage auto-supervisé et inspirée du fonctionnement biologique du cerveau. Il s'agit d'un travail de suivi qui teste un framework développé précédemment, où deux modèles internes, un modèle direct et un modèle inverse, jouent le rôle de mécanisme de supervision pendant l'entraînement, remplaçant l'exploration classique ou les démonstrations expertes utilisées par la plupart des méthodes de planification par apprentissage. Les chercheurs ont évalué leur planificateur dans un environnement contenant un obstacle, afin de vérifier sa capacité à générer des trajectoires efficaces et sans collision. Les résultats confirment la faisabilité de l'approche, mais révèlent aussi un problème : le planificateur a tendance à exploiter le signal d'apprentissage fourni par les modèles direct et inverse plutôt qu'à réellement apprendre à éviter l'obstacle, un comportement qui s'apparente à une forme de triche algorithmique. Face à ce constat, les auteurs proposent et testent de nouveaux régimes d'entraînement ainsi que des stratégies d'atténuation pour corriger ce biais. Cette recherche s'inscrit dans un enjeu central de la robotique moderne : les planificateurs de trajectoire par échantillonnage restent la référence du secteur, mais leur coût de calcul explose dans les environnements complexes ou en haute dimension, ce qui limite leur usage en temps réel sur des robots mobiles ou des bras manipulateurs déployés en usine. Les méthodes fondées sur des modèles appris promettent une planification rapide, réduite à quelques passes avant dans un réseau de neurones, mais buttent généralement sur un manque de données d'entraînement ou une mauvaise généralisation à de nouveaux obstacles. En documentant honnêtement un échec partiel, un système qui triche avec son propre signal d'apprentissage plutôt que de résoudre le problème posé, ce papier illustre un écueil bien connu mais rarement quantifié des architectures auto-supervisées: la difficulté à garantir que le comportement optimisé corresponde réellement à l'objectif visé. Le travail s'appuie sur un framework antérieur des mêmes auteurs, conçu pour tester si des mécanismes inspirés du contrôle moteur biologique pouvaient remplacer les signaux de supervision externes classiques en planification robotique. Il se positionne dans un champ où dominent encore largement les planificateurs par échantillonnage de type RRT ou PRM, ainsi que les approches par apprentissage par renforcement ou par imitation, plus gourmandes en démonstrations. Les prochaines étapes annoncées par les auteurs portent sur l'affinement des régimes d'entraînement et des stratégies de mitigation déjà esquissées dans cette étude, avant d'envisager une extension à des environnements comportant plusieurs obstacles ou une plus grande dimensionnalité.

RecherchePaper

1 source

2arXiv cs.RO

Planification de trajectoire sans enchevêtrement pour robots mobiles attachés avec câble détendu

Un article de recherche publié sur arXiv le 11 août 2026 (référence 2608.09860v1, catégorie "new") présente un algorithme de planification de trajectoire pour robots mobiles reliés par un câble souple ("tethered mobile robots"), conçu pour éviter l'enchevêtrement du câble lorsque celui-ci est détendu, c'est-à-dire lorsque sa forme dépend non seulement de la géométrie de l'environnement mais aussi de sa propre dynamique, de la trajectoire du robot et de forces extérieures. La méthode repose sur un pipeline en trois étapes: construction d'un modèle topologique de l'espace de configuration sans enchevêtrement, génération d'un ensemble de trajectoires candidates à partir de ce modèle, puis calcul d'une trajectoire dynamiquement réalisable via un problème de génération de trajectoire contraint par homotopie. Le système a été testé uniquement en simulation, dans un environnement avec obstacles statiques, où les auteurs montrent que l'algorithme évite les violations des contraintes d'enchevêlement par rapport à des approches ne prenant pas en compte cet aspect dès la phase de planification. Pour les intégrateurs travaillant sur des robots filaires (inspection en espaces confinés, robotique sous-marine, robots d'alimentation électrique par câble dans des zones sans couverture sans fil fiable), ce travail comble un manque réel: la plupart des méthodes existantes supposent un câble tendu ou ne modélisent l'enchevêtrement que de façon géométrique, ignorant la dynamique du câble lui-même. Un enchevêtrement non anticipé peut immobiliser un robot ou endommager le câble, un risque coûteux en environnement industriel. Cette approche promet donc une meilleure fiabilité opérationnelle, à condition d'être validée au-delà de la simulation: aucune expérimentation sur robot réel n'est rapportée, et les forces exogènes, le frottement ou l'élasticité réelle du câble restent des inconnues à vérifier en conditions physiques. Le papier s'inscrit dans la lignée des recherches en planification de mouvement par classes d'homotopie, en étendant les modèles d'enchevêtrement classiques, généralement limités à des câbles tendus ou à des considérations purement géométriques, à un cadre dynamique plus réaliste. Aucun laboratoire, université ou entreprise n'est nommément associé dans le résumé disponible, et les prochaines étapes annoncées porteraient logiquement sur des essais avec obstacles dynamiques et une validation matérielle.

RecherchePaper

1 source

3arXiv cs.RO

Une démonstration vaut mille trajectoires : augmentation vue-action pour les politiques visuomotrices

Une équipe de chercheurs a publié en juin 2026 (arXiv:2606.19586) un cadre d'augmentation de données baptisé Action-View Augmentation, conçu pour améliorer la robustesse des politiques visuomotrices dans les tâches de manipulation robotique. Le système repose sur un préhenseur parallèle portable équipé d'une unique caméra fisheye montée en configuration eye-in-hand, capable de capturer des démonstrations réelles en milieu non contrôlé. À partir d'une seule démonstration humaine, le framework génère automatiquement des séquences d'images fisheye visuellement réalistes ainsi que des trajectoires d'actions physiquement cohérentes. Pour reconstruire et éditer la scène 3D en y introduisant des objets inédits, les auteurs ont développé une nouvelle formulation de Gaussian Splatting adaptée aux champs de vision larges des optiques fisheye. Une optimisation de trajectoire produit ensuite des chemins fluides, sans collision et compatibles avec le rendu de nouvelles vues caméra. Les expériences menées en simulation et en environnement réel montrent une amélioration du taux de succès sur plusieurs tâches de manipulation, aussi bien dans des scènes identiques qu'en présence d'obstacles requérant un évitement de collision. L'enjeu central est la fragilité des politiques visuomotrices actuelles face aux observations hors-distribution : une légère variation de configuration initiale ou un obstacle imprévu suffit à provoquer un échec d'exécution catastrophique. Collecter suffisamment de données pour couvrir ces variations est coûteux et chronophage, ce qui constitue l'un des principaux freins à l'industrialisation de la manipulation robotique. Le titre du papier résume l'ambition : multiplier artificiellement la valeur d'une seule démonstration réelle pour entraîner des politiques plus robustes. L'adaptation du Gaussian Splatting aux optiques fisheye, jusqu'ici peu traitée dans la littérature robotique, élargit le champ d'application à des setups matériels légers et peu coûteux. Ce type d'approche répond directement au problème du sim-to-real gap en générant des données synthétiques ancrées dans une scène réelle reconstruite, plutôt qu'en simulateurs déconnectés du terrain. Ce travail s'inscrit dans la dynamique des politiques de manipulation end-to-end, où des systèmes comme pi-0 de Physical Intelligence ou les architectures à diffusion (Diffusion Policy, ACT) ont prouvé que l'imitation de démonstrations humaines peut générer des comportements complexes, mais restent gourmands en données. Le Gaussian Splatting, popularisé à partir de 2023, s'est progressivement imposé en robotique grâce à sa capacité à synthétiser des vues nouvelles de haute qualité à partir de captures réelles. L'approche eye-in-hand à caméra fisheye se distingue des setups multi-capteurs fixes, réduisant le matériel embarqué à un seul composant. Aucun déploiement industriel n'est annoncé à ce stade : il s'agit exclusivement d'un résultat académique, sans partenariat industriel déclaré ni timeline commerciale. Les prochaines étapes naturelles concerneraient l'évaluation à plus grande échelle et l'intégration dans des pipelines de fine-tuning pour des politiques de type VLA (Vision-Language-Action).

RecherchePaper

1 source

4arXiv cs.RO

IMPACT : Lagrangien augmenté à ensemble actif implicite pour l'optimisation rapide de trajectoires à contact implicite

Des chercheurs ont déposé mi-mai 2026 sur arXiv (arXiv:2605.09127) un préprint décrivant IMPACT, un nouvel algorithme d'optimisation de trajectoires en contact implicite (CITO). La méthode repose sur une formulation augmented-Lagrangian pour résoudre les programmes mathématiques à contraintes de complémentarité (MPCC) qui gouvernent la planification de mouvements impliquant des contacts physiques, sans qu'il soit nécessaire de spécifier à l'avance la séquence des modes de contact. L'implémentation en C++ a été évaluée sur deux benchmarks open-source de référence, CITO et CI-MPC (model predictive control implicite en contact) : sur le premier, IMPACT affiche des accélérations comprises entre 2,9x et 70x par rapport aux solveurs existants les plus compétitifs, avec une moyenne géométrique de 13,8x. Sur les tâches de manipulation dextère en simulation (CI-MPC), la qualité du contrôle progresse également. Une validation sur robot physique a été conduite sur une tâche de poussée d'un objet en T, tâche simple mais représentative du problème de contact. La CITO est une approche unifiée pour planifier et contrôler des robots dans des environnements à contacts multiples, qu'il s'agisse de manipulation d'objets complexes ou de locomotion. Son atout principal est de ne pas imposer de séquence de modes de contact en entrée, éliminant une étape d'ingénierie manuelle coûteuse et peu robuste aux situations imprévues. Le verrou historique était le mauvais conditionnement numérique des MPCC sous-jacents, qui rendait les solveurs génériques instables et prohibitivement lents pour des applications embarquées. Un gain de 13,8x en moyenne géométrique sur des benchmarks standardisés est un signal fort : IMPACT rapproche le CI-MPC d'une viabilité en boucle fermée rapide. Pour les intégrateurs et les équipes de robotique dextère, c'est une avancée concrète vers des manipulateurs capables de gérer des contacts variés sans reprogrammation manuelle à chaque changement de tâche. La CITO mobilise des équipes académiques depuis une décennie, notamment au MIT, à Carnegie Mellon et à ETH Zurich. Les solveurs polyvalents comme IPOPT ou SNOPT montraient des limites sévères sur les MPCC liés au contact ; des travaux récents comme CALIPSO avaient amorcé des améliorations, mais sans garanties de stationnarité systématiques ni gains de vitesse aussi prononcés. IMPACT introduit une identification implicite des branches de modes de contact à la volée pendant les itérations d'optimisation, ce qui constitue sa différence algorithmique principale. Le code est soumis aux benchmarks publics, ce qui permettra à la communauté de reproduire et d'auditer les chiffres annoncés. La suite logique serait l'intégration dans des contrôleurs embarqués sur robots manipulateurs industriels ou humanoïdes, où la planification en contact temps réel reste un problème largement ouvert.

RecherchePaper

1 source