Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
Approche par découpage de l'horizon pour planifier un déplacement minimal d'obstacles en navigation robotique
RecherchearXiv cs.RO 

Approche par découpage de l'horizon pour planifier un déplacement minimal d'obstacles en navigation robotique

1 source couvre ce sujet·Source originale ↗·
Résumé IASource uniqueImpact UE

Une équipe de recherche publie sur arXiv (arXiv:2609.22974v1, nouvelle soumission) une étude sur le "Minimum Obstacle Displacement Planning", un problème de planification de mouvement robotique consistant à atteindre un objectif en déplaçant des obstacles mobiles lorsqu'aucune trajectoire sans collision n'existe initialement. Les auteurs démontrent que ce problème est NP-difficile dès lors que les obstacles sont modélisés comme des polygones dans le plan. Ils proposent une formulation exacte, qui généralise plusieurs formulations existantes dans la littérature, ainsi que sa solution optimale associée. Face au coût de calcul de cette solution exacte, ils développent aussi une méthode approchée, moins gourmande en ressources, dont l'écart avec l'optimum reste borné à une fraction du coût optimal et qui permet d'arbitrer entre longueur du chemin final et quantité totale de déplacement d'obstacles imposée.

Pour les intégrateurs de robots mobiles et de bras manipulateurs opérant en entrepôts encombrés, en logistique ou en environnements domestiques, ce travail cible une limite connue de la planification de trajectoire classique: la plupart des planificateurs supposent un environnement figé et échouent dès qu'aucun couloir libre n'existe, alors que repousser une caisse ou un meuble suffirait à débloquer la tâche. En prouvant formellement la NP-difficulté du problème, l'étude justifie le recours à des heuristiques d'approximation plutôt qu'à une recherche exhaustive, un compromis déjà pratiqué de façon empirique dans certains systèmes de navigation pour robots mobiles autonomes (AMR) mais rarement formalisé avec des garanties de performance chiffrées. Le réglage du compromis entre distance parcourue et effort de déplacement ouvre la voie à des planificateurs configurables selon le contexte d'usage.

Le papier s'inscrit dans la lignée des travaux sur la planification de mouvement en présence d'obstacles amovibles, un sous-domaine qui recoupe la planification intégrée tâches-mouvements (TAMP) et les problèmes de réarrangement d'objets, où des formulations plus restrictives avaient déjà été étudiées. Les auteurs présentent leur cadre comme une généralisation couvrant des cas non traités par ces modèles antérieurs. À ce stade, la contribution reste théorique et algorithmique: l'abstract ne mentionne ni implémentation testée sur robot réel ni calendrier de validation expérimentale, étape qui déterminera si l'approche par découpage d'horizon tient ses promesses en conditions réelles.

Dans nos dossiers

arXiv cs.RO

À lire aussi

Naviguer ou déplacer l'obstacle : planification parmi des obstacles mobiles en environnements inconnus
1arXiv cs.RO 

Naviguer ou déplacer l'obstacle : planification parmi des obstacles mobiles en environnements inconnus

Une équipe de chercheurs propose un nouveau cadre de planification pour le problème dit de « Navigation Among Movable Obstacles » (NAMO), décrit dans un article déposé sur arXiv le 19 septembre 2026 (arXiv:2609.19541v1). Le problème traité est le suivant : lorsque tous les chemins vers un objectif sont bloqués, un robot mobile doit décider quels objets déplacer, dans quel ordre, et où les positionner pour dégager un passage. Contrairement aux planificateurs NAMO classiques, qui supposent une carte de l'environnement connue à l'avance, ce travail cible le cas d'un environnement inconnu, découvert progressivement par les capteurs embarqués du robot. Le système choisit en ligne entre naviguer ou relocaliser un objet, en comparant des plus courts chemins calculés en traitant chaque objet mobile détecté soit comme un obstacle fixe, soit comme un élément amovible. Pour la relocalisation, l'approche recherche, à la différence des méthodes existantes limitées à un raisonnement local, des séquences de déplacements interdépendantes, et s'appuie sur un grand modèle de langage (LLM) pour biaiser l'échantillonnage des solutions candidates. Les auteurs rapportent, en simulation numérique, un passage à l'échelle sur des environnements encombrés nécessitant des relocalisations en chaîne, avec une meilleure qualité de plan que les méthodes de référence existantes. Ce travail s'attaque à un angle mort connu de la robotique mobile autonome : la plupart des systèmes déployés aujourd'hui évitent le problème en supposant un couloir dégagé ou s'arrêtent simplement face à un obstacle, ce qui limite leur autonomie hors des entrepôts optimisés. En traitant explicitement l'ambiguïté entre chemin praticable dans l'espace inexploré et blocage réel nécessitant une relocalisation, l'approche se rapproche des conditions réelles de déploiement en environnement humain non structuré (hôpital, domicile, espace de service), plutôt que du cas contrôlé de l'entrepôt cartographié. Le recours à un LLM comme simple biais d'échantillonnage plutôt que comme contrôleur direct illustre une tendance plus large à intégrer les modèles de langage en appoint de pipelines de planification géométrique classiques, sans sacrifier leurs garanties de sécurité. Pour les intégrateurs, il s'agit toutefois d'une contribution académique validée uniquement en simulation, sans démonstration sur robot physique à ce stade. Le NAMO est étudié depuis plusieurs décennies comme extension du problème classique de planification de chemin sans collision, mais les approches se divisent généralement entre celles qui exigent une carte complète préétablie et des méthodes plus récentes pour environnements inconnus, restées cantonnées à des décisions locales et incapables de planifier des séquences de déplacements dépendantes entre elles. C'est cette lacune que comble le framework présenté, en combinant recherche par échantillonnage et guidage par LLM. L'article ne mentionne ni plateforme robotique spécifique, ni partenaire industriel, ni calendrier d'essais sur matériel réel : il s'agit d'un pré-print académique, et non d'une annonce produit. Une validation sur robot physique et une comparaison directe avec les planificateurs déployés en logistique restent les étapes attendues pour confirmer l'intérêt pratique de l'approche.

RecherchePaper
1 source
VORL-EXPLORE : une approche de planification par apprentissage hybride pour l'exploration multi-robot en environnements dynamiques
2arXiv cs.RO 

VORL-EXPLORE : une approche de planification par apprentissage hybride pour l'exploration multi-robot en environnements dynamiques

VORL-EXPLORE est un cadre d'exploration multi-robots, décrit dans un article déposé sur arXiv (2603.07973, version 2), qui combine apprentissage et planification classique. Les systèmes hiérarchiques actuels séparent l'allocation des « frontières » (les limites entre zones explorées et inconnues) de la navigation locale. Cette séparation les rend fragiles en environnement dynamique : l'allocateur ignore la difficulté d'exécution et peut envoyer un robot vers une frontière dont le trajet est congestionné ou dangereux. Les auteurs relèvent trois conséquences : des goulets d'étranglement, des replanifications oscillantes et une couverture redondante. Leur réponse est un score de « fidélité d'exécution », qui estime la navigabilité locale et la fiabilité d'exécution. Ce score pénalise les frontières risquées ou encombrées dans une allocation de Voronoï avec répulsion entre robots. Il sert aussi d'arbitre pendant la navigation, entre un guidage global A* et une politique réactive d'apprentissage par renforcement. Le modèle de fidélité est recalibré en continu par des pseudo-étiquettes auto-supervisées, issues des progrès et des incidents de sécurité récents. Le code est publié sur GitHub. Les expériences quantitatives portent sur des grilles dynamiques générées aléatoirement, plus une étude d'ablation sous trafic sévère. Selon les auteurs, elles montrent un taux de succès plus élevé, des trajectoires d'exploration plus courtes et un recouvrement moindre entre robots. Le résumé ne donne aucun chiffre, ni sur les gains, ni sur le nombre de robots, ni sur la taille des grilles, ni sur les méthodes de référence. Il est donc impossible d'en juger l'ampleur. Un scénario d'usine sous Gazebo est présenté comme simple « illustration de déploiement ». Il s'agit d'une simulation, sans robot physique, ni test en conditions réelles. L'intérêt pour les intégrateurs et les responsables de flottes tient à l'idée de fond : le planificateur de haut niveau doit connaître le coût réel d'exécution des tâches qu'il attribue. Dans les entrepôts et les usines, où humains, AMR et chariots partagent les allées, c'est là que les démos de coordination se heurtent au terrain. L'approche hybride est aussi pragmatique : le planificateur global garde la main là où l'environnement est fiable, et la politique apprise ne reprend la main que dans les zones denses ou changeantes. Cela limite le risque d'une politique entièrement apprise, plus difficile à certifier. Le travail reste toutefois académique. Sa valeur dépendra d'une validation sur matériel et d'une comparaison avec les méthodes d'allocation de frontières existantes. Cette version 2 laisse penser que l'article a été révisé, sans que le résumé n'en précise la raison.

RecherchePaper
1 source
DODGER : apprentissage par renforcement guidé par la sécurité pour la navigation de robots parmi des obstacles dynamiques
3arXiv cs.RO 

DODGER : apprentissage par renforcement guidé par la sécurité pour la navigation de robots parmi des obstacles dynamiques

Des chercheurs publient sur arXiv (2609.38873) DODGER, un cadre d'apprentissage par renforcement (RL) « guidé par la sécurité » pour la navigation de robots au milieu d'obstacles dynamiques, comme des piétons. La méthode s'appuie sur les fonctions barrières de contrôle (CBF), un outil mathématique qui définit un ensemble d'états sûrs et sert à corriger une commande dangereuse avant son exécution. Elle a été évaluée de trois façons : une analyse de sécurité sur une voiture de Dubins (modèle cinématique simplifié), une simulation d'humanoïde en modèle complet (full-order), puis des essais réels sur un humanoïde équipé d'une perception par LiDAR. Le robot atteint des cibles en évitant plusieurs obstacles mobiles, sans filtre de sécurité à l'exécution. Le résumé ne donne ni taux de collision, ni vitesse d'obstacle, ni nombre d'essais, ni modèle d'humanoïde. Il s'agit d'un travail de recherche, sans produit ni déploiement. L'intérêt tient à une limite des approches CBF-RL actuelles. Elles n'exécutent en entraînement que des actions déjà filtrées. L'agent explore donc moins, ce qui pèse surtout en environnement dynamique, où la sécurité dépend du mouvement relatif entre robot et obstacle. DODGER inverse la logique : les actions produites par la politique pilotent directement les rollouts d'entraînement. Les références filtrées par CBF et les violations de contraintes ne servent qu'à orienter l'apprentissage vers l'évitement. Si cela tient à plus grande échelle, la politique embarquée n'aurait plus besoin d'un solveur de sécurité en ligne. Cela réduirait la charge de calcul et les risques de conflit entre filtre et politique. Pour un intégrateur, la question est de savoir si l'on peut se passer d'un filtre redondant dans des sites partagés avec des opérateurs humains. Les garanties restent empiriques : une politique sans filtre en ligne ne offre plus de certificat formel à l'exécution. Aucune comparaison chiffrée avec les méthodes concurrentes n'apparaît dans le résumé. Le travail prolonge les méthodes qui intègrent les CBF dans le RL, déjà utilisées pour la locomotion et la navigation de robots à pattes, et rejoint l'effort actuel pour transférer des politiques apprises en simulation vers des humanoïdes réels. Il reste au stade de préprint (v1), sans relecture par les pairs. Les prochaines étapes à surveiller sont la publication des taux de succès et de collision face aux baselines à filtre, les tests avec des obstacles plus nombreux et plus rapides, des piétons réels en environnement non contrôlé, et d'autres plateformes humanoïdes. Aucune annonce de pilote industriel ni d'échéance n'accompagne ce préprint.

UEPas d\'impact direct sur la France/UE

RecherchePaper
1 source
RoboNav-Arm : navigation à base d'agents et évitement d'obstacles pour bras robotique en environnement encombré
4arXiv cs.RO 

RoboNav-Arm : navigation à base d'agents et évitement d'obstacles pour bras robotique en environnement encombré

Une équipe de chercheurs propose RoboNav-Arm, un framework d'intelligence artificielle agentique destiné à la navigation et à l'évitement d'obstacles pour bras manipulateurs robotiques évoluant en environnement encombré, selon un article publié sur arXiv (arXiv:2607.09716v1). Le système repose sur un module de perception qui détecte les obstacles en temps réel, les localise en 3D et estime la géométrie de la surface au sol, avant de produire un rapport sémantique structuré précisant la position et la forme des objets ainsi que leur situation par rapport aux zones d'interaction critiques du bras. Un module de coordination central orchestre l'ensemble : il invoque des outils comme la mise à jour de la mémoire et de la scène de collision MoveIt, fait communiquer les différents modules entre eux et surveille en continu la progression de la tâche jusqu'à son achèvement. Un troisième module de planification choisit dynamiquement l'algorithme de mouvement le plus adapté, RRTConnect, RRT* ou BiTRRT, selon la configuration de l'environnement et l'objectif visé, avant qu'une étape de raffinement ne sécurise la trajectoire finale. Le tout a été testé dans le simulateur Gazebo Classic, avec des résultats jugés robustes face à des scénarios dynamiques. L'enjeu dépasse la simple démonstration académique : la manipulation robotique en environnement non structuré reste l'un des points durs de l'industrie, les pipelines de perception classiques étant figés et peu capables de s'adapter à des obstacles imprévus. En confiant la décision de planification à une architecture agentique capable de choisir l'algorithme et d'ajuster la trajectoire en fonction du contexte plutôt que de dépendre d'une connaissance préalable de la scène, cette approche s'inscrit dans une tendance plus large qui traverse la robotique industrielle et logistique, celle de systèmes de contrôle pilotés par des modèles capables de raisonner sur l'environnement plutôt que d'exécuter des règles fixes. Reste que la validation se limite à Gazebo Classic, un environnement simulé, sans transfert vers un bras réel ni comparaison chiffrée avec les méthodes de planification classiques. Le travail s'inscrit dans la lignée des recherches sur les architectures agentiques appliquées à la robotique, un domaine dynamisé ces derniers mois par des modèles vision-langage-action comme GR00T N2 ou Pi-0, qui cherchent eux aussi à combiner perception, raisonnement et contrôle moteur. Contrairement à ces VLA entraînés de bout en bout, RoboNav-Arm mise sur une architecture modulaire orchestrée par un agent central s'appuyant sur des outils de planification de mouvement existants comme MoveIt. Les auteurs ne précisent pas de calendrier pour un passage à un bras robotique physique, étape généralement nécessaire pour confirmer la robustesse observée en simulation.

RecherchePaper
1 source