RecherchearXiv cs.RO 21 septembre 2026

NeuRIO : un estimateur neuronal en flux pour l'odométrie inertielle relative multi-robots, du simulateur au réel sans réentraînement

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs ont présenté NeuRIO, un estimateur neuronal en flux continu pour l'odométrie inertielle relative entre robots, sans ancre ni infrastructure externe, à partir de mesures de gisement et de distance entre robots et de centrales inertielles (IMU). Le système aligne les mesures sur la gravité et modélise chaque robot comme un nœud d'un réseau de graphes, combinant attention pour le raisonnement spatial et réseaux GRU pour la dynamique temporelle. Entraîné uniquement en simulation, avec des mouvements variés et des bruits de capteurs réalistes, il transfère en zero-shot vers le réel : sur 24 séquences réelles, l'erreur RMSE atteint 14,1 cm en position et 3,9 degrés en rotation, avec un coût de calcul sous 20 millisecondes jusqu'à 400 robots simulés, contre plus de 20 ms dès 24 robots pour les méthodes d'optimisation classiques.

Ce résultat vise un verrou concret pour les essaims de robots et les flottes coordonnées, drones, AMR d'entrepôt ou robots mobiles multiples, où l'estimation de position relative sans GPS ni balises devient un goulot d'étranglement quand le nombre d'agents augmente, les méthodes d'optimisation classiques voyant leur coût calculatoire exploser. Qu'un réseau entraîné sur des équipes limitées se généralise directement à des flottes bien plus grandes, sans changement d'architecture ni réentraînement, est le résultat le plus significatif : il suggère qu'une approche neuronale scalable peut remplacer les pipelines d'optimisation pour la coordination d'essaims à grande échelle, un argument utile pour intégrateurs et chercheurs en robotique multi-agents. Il conforte aussi l'idée qu'un entraînement massif en simulation bien conçu peut se substituer à la collecte de données réelles pour ce type de tâche de perception.

L'odométrie inertielle relative multi-robots reposait jusqu'ici sur des méthodes d'optimisation basées sur des graphes de facteurs, précises mais peu scalables au-delà de quelques dizaines d'agents, ou sur des systèmes dépendant d'ancres et d'infrastructures de positionnement externes. NeuRIO s'inscrit dans la tendance des estimateurs neuronaux appliqués à la navigation et à la fusion de capteurs, en exploitant la capacité des réseaux de graphes à traiter un nombre variable de nœuds et des topologies d'observation changeantes dans le temps. Publié en septembre 2026 sur arXiv, ce travail reste une contribution de recherche, validée sur 24 séquences réelles et des simulations jusqu'à 400 robots, sans intégration annoncée dans un produit commercial. Les suites attendues incluent des essais sur des flottes réelles plus nombreuses et une intégration dans des piles de navigation complètes pour la coordination d'essaims.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

Estimation en temps réel du vecteur normal au sol pour la cartographie 3D mobile sphérique par odométrie LiDAR-inertielle

Des chercheurs proposent deux méthodes basées sur RANSAC pour estimer en temps réel le vecteur normal du sol dans les systèmes de cartographie mobile sphérique (SMMS), ces dispositifs 3D dont le capteur subit de fortes rotations. La première travaille scan par scan, avec un score sur les vecteurs normaux et une validation en plusieurs étapes. La seconde s'appuie sur l'odométrie LiDAR-inertielle (LIO) et estime le plan du sol à partir d'une carte 3D globale. Les deux ont été testées sur plusieurs jeux de données réels, et comparées à une vérité terrain issue d'un scanner laser terrestre. L'étude, publiée sur arXiv (2610.28701), ne donne pas de chiffres précis dans son résumé. Selon les auteurs, l'estimation fondée sur la LIO est nettement plus précise et plus robuste que l'approche mono-scan. Intégrer la normale du sol dans le modèle de mouvement améliore aussi l'estimation de pose. Pour les intégrateurs et les équipes qui déploient de la cartographie mobile ou de la navigation autonome, c'est un gain concret. Les rotations rapides et la faible portion de sol visible sont les principales sources de dérive de ces capteurs. Le résultat vaut surtout pour les environnements difficiles ou dangereux, comme les sites industriels, les mines ou les zones sinistrées, où l'on veut limiter l'intervention humaine. Le résumé ne précise pas les gains chiffrés, les temps de calcul ni la diversité exacte des scènes. La mention « temps réel » devra donc être vérifiée dans l'article complet. Cette étude s'inscrit dans une tendance connue de la SLAM LiDAR-inertielle : exploiter des contraintes géométriques, ici le sol, pour réduire la dérive. Les systèmes sphériques ou rotatifs, plus légers que les scanners fixes, compliquent cette tâche, car le champ de vue change sans cesse. Il s'agit d'un travail de recherche, sans produit commercial ni pilote annoncé. Les prochaines étapes probables sont la publication de code ou de jeux de données, des comparaisons avec les cadres LIO existants et des essais sur des plateformes robotiques de terrain.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

2arXiv cs.RO

RESPLE2 : estimation récursive par splines non uniformes guidée par l'inertie, pour l'odométrie multi-capteurs avec affinage global

RESPLE2 est un cadre d'estimation d'état multi-capteurs récursif, présenté dans un preprint arXiv (v1) et publié avec son code et ses jeux de données expérimentaux sur GitHub (ASIG-X/RESPLE2). Il représente le mouvement 6-DoF (position et orientation) par des B-splines non uniformes. En exploitant la propriété de « clamping » des nœuds aux frontières, les auteurs prédisent exactement les points de contrôle à partir de la cinématique inertielle le long de la trajectoire, avec un placement des nœuds adapté au mouvement et à la disponibilité des mesures. Cette prédiction s'effectue dans un filtre de Kalman étendu itéré (IEKF) sur un sous-ensemble des mesures inertielles, puis une étape de réinitialisation maintient la cohérence de la trajectoire quand les nœuds s'étendent. L'étape de mise à jour intègre des capteurs hétérogènes à leur horodatage natif via des modèles d'observation en temps continu : LiDAR, caméras, centrales inertielles (IMU) et cinématique des jambes, dans des combinaisons flexibles. Un module d'optimisation globale léger affine directement les points de contrôle, grâce à des contraintes de fermeture de boucle issues d'indices LiDAR et visuels. Pour les intégrateurs et les équipes de navigation, l'intérêt est double. L'odométrie multi-capteurs reste le point faible des robots mobiles lors de mouvements brusques, où la désynchronisation des capteurs et les accélérations extrêmes dégradent les estimateurs à temps discret. Une représentation en temps continu, qui absorbe des mesures asynchrones sans interpolation approximative, vise justement ce cas. Les auteurs revendiquent une précision et une robustesse « compétitives ou supérieures » face à l'état de l'art, en temps réel, sur des plateformes portées à la main, à chenilles, à pattes et hybrides aérien-terrestre. La formulation est prudente : l'avantage dépend de la configuration de capteurs, et il s'agit de résultats d'auteurs, sur des jeux de données en partie conçus par eux, qu'une reproduction indépendante devra confirmer. La publication du code est un point positif, car elle permet cette vérification et une adoption éventuelle dans des piles logicielles existantes. Ce travail prolonge RESPLE, première version récursive à base de splines, et s'inscrit dans la lignée des odométries LiDAR-inertielles à filtre (FAST-LIO et ses dérivés) et des méthodes en temps continu fondées sur l'optimisation, plus coûteuses en calcul. Il adresse aussi la tendance des robots à pattes et des humanoïdes, où la cinématique des jambes devient une source d'information essentielle. Il s'agit d'une recherche académique, sans produit commercialisé ni déploiement industriel annoncé. Les suites probables sont des comparaisons indépendantes, une intégration dans des plateformes quadrupèdes ou aériennes, et une éventuelle évaluation sur des scénarios d'inspection ou de logistique en environnement dégradé.

RecherchePaper

1 source

3Robohub

Simulateur de monde interactif pour l'entraînement et l'évaluation des politiques de robots

Une équipe de recherche présente un simulateur de monde interactif destiné à l'entraînement et à l'évaluation de politiques robotiques, conçu pour remplacer une partie du travail réalisé aujourd'hui sur robot réel. Il s'agit d'un modèle de prédiction vidéo conditionné par l'action, entraîné sans aucun moteur physique intégré : à partir d'une image et d'une séquence d'actions robotiques, le système prédit les frames suivantes directement en pixels. Concrètement, un opérateur peut brancher un dispositif de téléopération et piloter un bras robotique à travers ce modèle appris pendant plus de dix minutes, à 15 images par seconde, sur une seule carte graphique RTX 4090, tout en conservant une vidéo stable et physiquement plausible. Le modèle a été entraîné sur quatre tâches de manipulation aux régimes physiques très différents : le poussage d'un objet en T (contact rigide), le routage d'une corde dans un clip (interaction déformable-rigide), la préhension d'une tasse (dynamique fine de la pince) et le balayage de tas d'objets. L'architecture repose sur deux étapes : un autoencodeur compresse d'abord les images RGB en représentations latentes compactes, puis un modèle de dynamique conditionné par l'action, entraîné dans cet espace latent gelé, prédit les états latents futurs qui sont ensuite décodés en images, de manière autorégressive. L'enjeu dépasse la simple démonstration technique. La collecte de démonstrations et l'évaluation de politiques sur robot réel restent les deux goulots d'étranglement classiques de l'apprentissage robotique : matériel qui casse, éclairage qui varie, objets qui dérivent, chaque nouvelle tâche exigeant des heures de manipulation en laboratoire. Si un simulateur appris atteint un niveau de fidélité suffisant, il devient possible de générer des données d'entraînement à moindre coût directement dans le simulateur, et surtout d'évaluer plusieurs politiques dans des conditions rigoureusement identiques et reproductibles, ce qu'un banc de test physique ne permet pas. Les exemples montrés, comme la distinction correcte entre une corde effectivement insérée dans un clip et une corde qui le frôle sans contact, ou la simulation d'une tasse qui glisse hors de la pince, suggèrent que le modèle capture des dynamiques fines sans recourir à des a priori physiques codés en dur, un point que le secteur observe de près depuis l'essor des modèles VLA (vision-language-action). Cette approche s'inscrit dans une lignée de travaux sur les "world models" appliqués à la robotique, où l'ambition est de remplacer les simulateurs physiques classiques, coûteux à construire et souvent imparfaitement fidèles à la réalité, par des modèles vidéo appris directement à partir de données d'interaction. Le projet met à disposition une démonstration interactive en ligne, jouable au clavier depuis un navigateur, ce qui permet une vérification indépendante des affirmations avancées. Les prochaines étapes attendues par le secteur portent sur le passage à l'échelle vers davantage de tâches et de configurations matérielles, ainsi que sur la démonstration effective que des politiques entraînées dans ce simulateur transfèrent avec succès vers des robots réels, condition encore non confirmée à ce stade par l'article.

RecherchePaper

1 source

4arXiv cs.RO

Robot leader implicite : estimation décentralisée de pose relative par vision seule pour formations multi-robots

Le contrôle classique de formation en mode "leader-suiveur" souffre d'un défaut structurel bien identifié en robotique multi-agents: un seul point de défaillance (si le leader tombe, toute la formation est perturbée) et une propagation d'erreur en cascade vers les suiveurs. Ces architectures reposent en outre sur des capteurs de localisation absolue (GPS, motion capture, UWB) mal adaptés aux environnements sans GPS comme les entrepôts, les tunnels ou les zones sinistrées. Une publication parue sur arXiv en juillet 2026 (2607.15708) propose une alternative entièrement décentralisée, fondée uniquement sur la vision monoculaire et la communication inter-robots, via des réseaux de neurones sur graphes (GNN). Le concept central, baptisé "implicit virtual leader" (IVL), est un référentiel de formation virtuel, non rattaché à un robot physique en particulier, que le GNN apprend implicitement à partir des seules images caméra embarquées. Pour quantifier la fiabilité des estimations de pose relative, les auteurs ajoutent une tête GNLL hétéroscédastique captant l'incertitude aléatoire (bruit des données) et un mécanisme de MC Dropout pour l'incertitude épistémique (limites du modèle), validés à la fois en simulation et sur bancs d'essai réels. L'intérêt pour l'industrie robotique tient moins à un produit qu'à une brique technique potentiellement réutilisable: supprimer la dépendance à un leader physique et à une infrastructure de localisation externe change la donne pour les flottes de robots mobiles autonomes (AMR) en entrepôt ou les essaims de drones opérant dans des environnements GPS-denied. Le fait que le système généralise à des plateformes hétérogènes et à des tailles de formation variables, sans réentraînement dédié à chaque configuration, répond directement à une limite récurrente des approches de formation control existantes, souvent démontrées sur un nombre fixe de robots identiques. C'est un signal utile pour les intégrateurs qui envisagent des flottes mixtes (drones et robots au sol combinés, par exemple), même si l'étude reste à ce stade une preuve de concept académique plutôt qu'un système prêt au déploiement industriel. Ce travail s'inscrit dans une tendance de recherche plus large qui combine vision par caméra embarquée et GNN pour la coordination décentralisée d'essaims, en rupture avec les architectures historiques dépendantes de capteurs externes coûteux ou d'une infrastructure fixe. Aucun acteur industriel n'est associé à cette publication, purement académique, et aucune date de commercialisation n'est évoquée. Les auteurs mentionnent une comparaison systématique entre jeux de test simulés et réels comme validation, sans toutefois préciser d'échelle de déploiement ni de partenaire de terrain, ce qui invite à suivre les publications de suivi pour mesurer la robustesse de l'approche à plus grande échelle.

RecherchePaper

1 source