Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
NeuRIO : un estimateur neuronal en flux pour l'odométrie inertielle relative multi-robots, du simulateur au réel sans réentraînement
RecherchearXiv cs.RO 

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

Simulateur de monde interactif pour l'entraînement et l'évaluation des politiques de robots
1Robohub 

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
Robot leader implicite : estimation décentralisée de pose relative par vision seule pour formations multi-robots
2arXiv 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
Elevator-LIO : odométrie LiDAR-inertielle robuste pour la navigation multi-étages dans les ascenseurs
3arXiv cs.RO 

Elevator-LIO : odométrie LiDAR-inertielle robuste pour la navigation multi-étages dans les ascenseurs

Une équipe de chercheurs a publié sur arXiv (arXiv:2605.24495) Elevator-LIO, un framework d'odométrie LiDAR-inertielle conçu pour maintenir la localisation continue d'un robot pendant ses déplacements en ascenseur. Le système repose sur un modèle d'estimation d'état découplé qui modélise séparément le mouvement du robot par rapport à la cabine et le mouvement de la cabine elle-même, intégré dans un filtre de Kalman itératif à erreur d'état dépendant du mode. Un gestionnaire de mode détecte l'entrée et la sortie de l'ascenseur via des statistiques de télémétrie LiDAR, puis déclenche des mises à jour de vitesse nulle et d'accélération nulle lorsque la cabine est à l'arrêt afin de supprimer la dérive verticale accumulée. Une stratégie de sous-échantillonnage voxel adaptatif maintient un nombre stable de points efficaces lors des changements d'échelle environnementale. Les tests portent sur 20 séquences réelles comprenant 79 trajets en ascenseur, couvrant des espaces de grande dimension, de longs déplacements verticaux, des piétons en mouvement et des réflexions sur miroirs. L'erreur de hauteur terminale reste inférieure à 1 cm dans 17 séquences sur 20. Ce résultat est significatif pour les déploiements de robots mobiles autonomes (AMR) en environnement multi-étages, un cas d'usage que les systèmes LIO conventionnels gèrent mal : les accélérations non inertielles d'un ascenseur saturent le filtre IMU standard et provoquent des dérives cumulatives qui corrompent la carte et la pose estimée. Elevator-LIO démontre qu'une modélisation explicite du référentiel non inertiel, plutôt qu'un post-traitement correctif, permet une localisation robuste sans recalage a posteriori. Les auteurs indiquent également que la méthode reste compétitive sur les benchmarks Hilti 2022 et 2023, ce qui suggère qu'elle n'est pas spécialisée au détriment des scénarios intérieurs standards. La navigation multi-étages est depuis plusieurs années l'un des verrous opérationnels majeurs pour les robots de livraison et de service en milieu tertiaire ou hospitalier. Des acteurs comme Boston Dynamics (Spot), Keenon Robotics ou Savioke affrontent ce problème avec des solutions ad hoc souvent dépendantes d'infrastructure. Dans l'écosystème européen, des entreprises comme Enchanted Tools (Miroki) ou Exotec opèrent principalement en environnement mono-niveau, mais la pression vers des déploiements bâtimentaires complets s'intensifie. Elevator-LIO est pour l'instant un prototype académique sans déploiement annoncé, mais son intégration dans des stacks LIO open-source comme FAST-LIO2 ou LIO-SAM serait techniquement directe, ce qui pourrait accélérer l'adoption industrielle.

UELes acteurs français comme Enchanted Tools (Miroki) et Exotec, qui opèrent aujourd'hui principalement en environnement mono-niveau, pourraient s'appuyer sur cette technologie pour étendre leurs déploiements robotiques aux bâtiments multi-étages sans dépendre d'infrastructures dédiées.

RecherchePaper
1 source
Robot manipulateur rigide en série : filtrage stochastique invariant sur SE(3) pour l'estimation d'état inertielle-encodeur
4arXiv cs.RO 

Robot manipulateur rigide en série : filtrage stochastique invariant sur SE(3) pour l'estimation d'état inertielle-encodeur

Une équipe de chercheurs publie sur arXiv (référence 2607.00026v1) un nouveau filtre de Kalman étendu invariant (IEKF) destiné à l'estimation d'état de bras manipulateurs rigides série, quel que soit leur nombre de segments (liens). La formulation repose entièrement sur le groupe de Lie SE(3), l'espace mathématique qui décrit position et orientation dans l'espace 3D. Grâce à la propriété dite "group-affine" des équations cinématiques, la dynamique de l'erreur linéarisée devient autonome, ce qui permet à l'équation de Riccati de décrire la covariance d'erreur réelle plutôt qu'une simple approximation locale, un gain de précision théorique par rapport aux filtres classiques. Le modèle de bruit sépare physiquement les capteurs : l'accéléromètre fournit la vitesse de translation via une intégration compensée de la gravité, avec une covariance de mesure qui s'ajuste à l'intervalle d'échantillonnage, tandis qu'un terme de bruit de Coriolis, dépendant de l'état, capture la propagation du bruit gyroscopique à travers la dynamique non linéaire, un bruit qui s'annule à l'arrêt et croît avec la vitesse angulaire du bras. Sur le plan industriel, l'apport principal tient à l'architecture modulaire du filtre : chaque segment du bras dispose de son propre IEKF, et la covariance prédite d'un lien ne dépend de son prédécesseur que via une transformation adjointe du résultat précédent, ce qui donne un coût de calcul linéaire par rapport au nombre de liens plutôt qu'exponentiel. Pour les intégrateurs de bras robotiques à nombreux degrés de liberté (DOF), typiquement les bras industriels à 6 ou 7 axes ou les manipulateurs redondants, cela signifie une estimation d'état embarquable en temps réel sans explosion du calcul quand la chaîne cinématique s'allonge. Les auteurs démontrent aussi une garantie de stabilité, l'"exponential ultimate boundedness in mean square", établie via une fonction de Lyapunov sur l'algèbre de Lie, avec des bornes par segment chaînées via la norme de l'opérateur adjoint. Ce type de certificat mathématique est directement exploitable pour des applications nécessitant une validation de sûreté, comme la robotique collaborative ou médicale, là où une simple performance empirique ne suffit pas. Le travail s'inscrit dans la lignée des filtres invariants sur groupes de Lie, une approche qui a gagné du terrain ces dernières années en navigation inertielle et en robotique mobile car elle offre des garanties de convergence plus fortes que les EKF classiques, sujets à des divergences en cas de fortes non-linéarités. L'extension aux manipulateurs série à N liens comble un vide identifié par les auteurs : jusqu'ici, la plupart des applications d'IEKF ciblaient des corps rigides uniques (drones, véhicules) plutôt que des chaînes articulées. Les résultats présentés restent pour l'instant numériques, en simulation, sans validation sur bras physique ni comparaison chiffrée avec des filtres commerciaux existants, une étape que la communauté robotique attendra avant d'évaluer l'intérêt pratique de la méthode pour des applications embarquées.

RecherchePaper
1 source