RecherchearXiv cs.RO 23 septembre 2026

Prédire avant d'avancer : prévision d'occupation auditable pour l'évitement d'obstacles dynamiques sous guidage limité

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs présentent LOOP (Latent-récurrent Occupancy rollOut Policy), une politique locale d'évitement d'obstacles pour robots à pattes fonctionnant sous guidage épars par points de passage, décrite dans un article publié le 23 septembre 2026 sur arXiv (2609.25969v1). Le système se branche à 50 Hz sur un contrôleur de locomotion figé et s'appuie sur un prédicteur récurrent qui, à partir des historiques d'occupation LiDAR et de vitesse propre du robot, projette la carte d'occupation sur un horizon d'une seconde en déformant la carte courante via un flux appris et des portes de visibilité. Ces prédictions alimentent la sélection de vitesse via des caractéristiques cartographiques et des estimations géométriques de risque, avec une interface explicite permettant d'inspecter ou de remplacer les prédictions. Dans des simulations Isaac Lab synchronisées sur l'instant de rencontre, LOOP atteint 57,1% de réussite en évitement frontal face à des obstacles se déplaçant à 2,5-3,2 m/s, soit 8,2 points de plus qu'une base de référence réactive réentraînée. Embarqué sur un robot quadrupède Unitree Go2, l'adaptateur tourne en 14,5 ms par cycle et a complété sans collision les 16 essais réels de traversée d'obstacles menés.

Ce résultat s'inscrit dans un débat central pour l'industrie robotique : l'évitement d'obstacles mobiles reste un point faible des robots à pattes déployés hors laboratoire, en particulier quand seule une carte LiDAR partielle et changeante est disponible et que la navigation ne repose pas sur une cartographie complète mais sur de simples points de passage. Le gain démontré n'est toutefois pas uniforme : face à une politique BEV sans module de prédiction, les améliorations sont plus modestes et dépendent du scénario, avec un bénéfice surtout net sur les traversées et à haute vitesse frontale. L'aspect potentiellement le plus utile pour les intégrateurs n'est pas le chiffre de réussite en lui-même, mais l'auditabilité revendiquée : les cartes prédites forment une interface intermédiaire inspectable, ce qui facilite le diagnostic et la certification de sécurité, un enjeu concret pour tout déploiement industriel de robots mobiles autonomes.

Le travail se positionne comme une alternative à deux approches existantes, une politique réactive classique et une politique bird's-eye-view sans rollout prédictif, testées comme références de comparaison. La validation reste toutefois limitée à 16 essais réels sur un seul modèle de robot, la majorité des résultats provenant de simulation Isaac Lab ; aucun calendrier de déploiement commercial ni partenariat industriel n'est mentionné, le document ayant le statut d'une simple publication de recherche nouvelle.

Dans nos dossiers

Unitree NVIDIA Isaac & Cosmos arXiv cs.RO

À lire aussi

1arXiv cs.RO

Planification itérative rapide pour éviter des obstacles dynamiques en toute sécurité

Des chercheurs publient sur arXiv, en septembre 2026 (arXiv:2609.20435), un article intitulé « Time-Efficient Iterative Learning Planning for Safety-Critical Dynamic Obstacle Avoidance », qui étend le cadre d'Iterative Learning Planning (ILP), une méthode légère de planification de trajectoire pour robots mobiles autonomes, à l'évitement d'obstacles dynamiques. Le manque de l'ILP original (l'absence de mécanisme de perception et d'évitement d'obstacles mobiles) est comblé par l'ajout d'une fonction barrière de contrôle anticipative pondérée par le risque, l'ARB-CBF, qui corrige en temps réel les commandes nominales générées par un ILP désormais capable d'apprendre des profils de vitesse de franchissement et de biais de direction en fonction du risque local. Les auteurs démontrent que l'étape de replanification de l'ILP évolue en O(kN) pour k itérations et N points de passage, tandis que l'ARB-CBF s'exécute en complexité linéaire. Le framework est testé en simulation et sur robot réel, avec des résultats comparés à des méthodes de référence fondées sur l'optimisation. Pour les intégrateurs de robots mobiles et les décideurs industriels travaillant avec du matériel de calcul embarqué limité (AMR, robots de logistique), l'enjeu est direct : les planificateurs garantissant une sécurité formelle contre les obstacles dynamiques reposent généralement sur des méthodes d'optimisation coûteuses en calcul (MPC, CBF résolues par programmation quadratique), alors que les approches par apprentissage plus légères ignorent souvent ce risque. En affichant une complexité linéaire pour la couche de sécurité, ce travail suggère qu'il est possible de conserver des garanties de sécurité formelles sans les coûts de calcul habituels, un argument pertinent pour déployer des flottes de robots sur du matériel bon marché plutôt que sur des calculateurs industriels. Ce résultat reste toutefois un preprint non encore relu par les pairs, et les gains de performance revendiqués sont mesurés par les auteurs eux-mêmes face à leurs propres méthodes de comparaison, sans benchmark indépendant. L'ILP appartient à la famille des planificateurs par apprentissage itératif, pensée comme alternative légère aux méthodes d'optimisation numérique (MPC, RRT*, CBF-QP) qui dominent la navigation sécurisée en robotique mobile, mais sa version d'origine se limitait à des environnements sans obstacles mobiles. L'ARB-CBF s'appuie sur les fonctions barrière de contrôle, désormais un outil standard pour encoder des contraintes de sécurité formelles dans les véhicules autonomes et la robotique mobile. L'article ne mentionne ni affiliation institutionnelle précise, ni plateforme commerciale, ni calendrier de déploiement industriel : il s'agit d'une contribution algorithmique destinée à la communauté de recherche, dont l'adoption dépendra de reproductions indépendantes et d'essais sur des plateformes réelles au-delà des expériences des auteurs.

RecherchePaper

1 source

2arXiv cs.RO

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

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.

RecherchePaper

1 source

3arXiv cs.RO

Fonctions de barrière de contrôle robustes aux mesures, apprises pour l'évitement d'obstacles sous erreur d'estimation d'état

Un article publié sur arXiv (référence 2608.20467) présente deux nouvelles fonctions barrières de contrôle (CBF) destinées à garantir l'évitement d'obstacles quand l'estimation d'état du robot est imparfaite, une situation courante hors laboratoire. La première, DMR-CBF, ajoute à la condition CBF classique une optimisation sur le pire cas d'incertitude dans la dynamique du système, puis sert à préentraîner une seconde version, NMR-CBF, qui remplace cette optimisation par un terme appris et affiné sur des trajectoires simulées différentiables. Testées sur un double intégrateur planaire et un quadrirotor à 12 degrés de liberté, les deux méthodes évitent les collisions là où d'autres approches robustes échouent ou se montrent trop prudentes. Le NMR-CBF a ensuite été déployé sur un robot quadrupède Unitree Go2, qui a traversé un champ d'obstacles malgré des erreurs d'odométrie ayant fait percuter un filtre CBF standard. Ce travail cible un angle mort connu des filtres de sécurité: la plupart des CBF publiés supposent un état parfaitement connu, hypothèse qui s'effondre dès qu'un robot mobile ou un drone s'appuie sur une odométrie bruitée. Pour les intégrateurs qui évaluent des couches de sécurité pour robots mobiles autonomes (AMR), quadrupèdes ou drones, la démonstration sur Go2 illustre l'écart entre un filtre standard, qui percute l'obstacle sous erreur d'odométrie, et une version robuste qui l'évite avec un coût de calcul réduit grâce à l'apprentissage. Cela va dans le sens d'un secteur qui cherche à combiner garanties de sécurité formelles et budget de calcul compatible avec l'embarqué, plutôt qu'à choisir entre robustesse et temps réel. Le papier s'inscrit dans une lignée récente de travaux sur les CBF robustes à l'erreur d'estimation d'état, une extension encore jeune du cadre CBF classique utilisé pour l'évitement d'obstacles et le contrôle sûr. Les auteurs positionnent DMR-CBF et NMR-CBF face à ces méthodes robustes antérieures, jugées soit sujettes à des violations de sécurité, soit trop conservatrices, et fournissent une analyse théorique du DMR-CBF en complément des résultats empiriques. Sans calendrier de suite précisé, le passage du banc de simulation au robot Go2 en conditions réelles reste l'étape de validation la plus significative avant une éventuelle extension à d'autres plateformes mobiles.

RecherchePaper

1 source

4arXiv cs.RO

StratMamba : partitionnement stratégique et réactif des flux pour l'évitement d'obstacles basé sur le LiDAR

Des chercheurs présentent StratMamba, une architecture de modélisation temporelle à deux flux basée sur Mamba, conçue pour la navigation robotique en environnement complexe et encombré d'obstacles. Le système combine deux mémoires aux dynamiques différentes : un flux à décroissance rapide qui traite les données LiDAR haute fréquence pour l'évitement réactif d'obstacles, et un flux à décroissance lente qui conserve les informations de but à plus long horizon pour la planification stratégique. L'architecture a été testée dans les simulateurs IsaacLab et Gazebo sur plusieurs scénarios d'évitement, avec obstacles statiques et dynamiques, puis validée en conditions réelles sur un robot quadrupède Unitree Go1. Face à des références classiques du RL temporel (LSTM, Transformer, Mamba standard), StratMamba affiche un taux de timeout plus faible, la vitesse de navigation la plus rapide (576 pas médians, 5,0% de mieux que le Mamba standard) et la meilleure efficacité de trajectoire mesurée (0,915). Cette approche répond à un problème central en robotique mobile : concilier réactivité immédiate face au danger et cohérence stratégique sur la durée, deux besoins souvent traités par une seule mémoire dans les architectures existantes, au prix de compromis. En séparant explicitement ces deux échelles temporelles, StratMamba illustre une piste concrète pour améliorer la navigation des AMR et robots quadrupèdes dans des environnements denses, un enjeu clé pour les intégrateurs industriels. Le test sur robot physique, où le système reste robuste même avec des portées LiDAR étendues, contrairement au Mamba standard et au Transformer, apporte une validation sim-to-real qui manque souvent aux publications purement simulées. Ce travail s'inscrit dans la lignée des modèles d'état séquentiels (state space models) type Mamba, apparus ces dernières années comme alternative plus efficiente aux Transformers pour le traitement de séquences longues, y compris en apprentissage par renforcement. Il s'agit ici d'un article de recherche déposé sur arXiv, non d'un produit commercialisé ni d'un déploiement industriel annoncé : aucune entreprise, aucun site de déploiement ni calendrier de mise sur le marché n'est mentionné. Les prochaines étapes attendues concernent l'extension à des flottes de robots et à des capteurs plus variés que le seul LiDAR.

RecherchePaper

1 source