Planification de trajet fondée sur le bon sens à partir d'instructions abstraites
CoRS (commonsense ranked search), décrit dans un article arXiv du 22 septembre 2026 (arXiv:2609.22813v1), est un planificateur de chemin qui traduit une instruction abstraite comme "déplace-toi prudemment" en itinéraire respectant des considérations de bon sens jamais formulées explicitement, à l'image d'un sol mouillé qu'un ouvrier contourne sans consigne écrite. Le système combine grands modèles de langage (LLM) et modèles vision-langage (VLM) : pour chaque région observée, il déduit une considération locale ("sol glissant, détour justifié"), compare ces considérations entre elles ("la foule pèse plus que le sol mouillé"), puis convertit ce classement en coûts pour un algorithme de recherche classique garantissant toujours un chemin valide. Les auteurs publient un benchmark dédié : trois environnements, 1350 problèmes, cinq instructions réparties sur trois niveaux d'abstraction.
Les résultats montrent que CoRS repère les considérations implicites, contourne celles qui méritent un détour et traverse normalement les autres zones, un comportement que les planificateurs récents fondés sur des LLM ne reproduisent pas. Pour les intégrateurs de robots mobiles autonomes appelés à opérer parmi des humains (entrepôts, hôpitaux, bureaux), cela pointe un écart persistant entre le raisonnement affiché par les LLM en démonstration et leur capacité réelle à transformer un ordre flou en trajectoire sûre. L'étude suggère que le bon sens doit être ancré région par région dans la perception visuelle puis structuré en classement comparatif, plutôt qu'ajouté comme simple contrainte textuelle dans un prompt.
Publié comme preprint "new" sur arXiv, sans évaluation par les pairs à ce stade, CoRS s'inscrit dans les efforts visant à combler l'écart entre planification symbolique classique, robuste mais rigide face à l'implicite, et approches tout-LLM, flexibles mais incapables de garantir un chemin valide. L'article ne cite ni fabricant, ni site de déploiement, ni calendrier commercial : son apport tient au benchmark public et à la méthode de classement comparatif plutôt qu'à un produit prêt à intégrer. Les suites logiques évoquées restent une validation sur robot physique en conditions réelles et une comparaison directe avec les planificateurs LLM concurrents cités dans l'étude.
Dans nos dossiers
