RecherchearXiv cs.RO 24 septembre 2026

DUGM-R : cartographie dynamique en grille avec incertitude et récupération déclenchée par le risque pour la navigation locale apprise

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs ont déposé sur arXiv, le 24 septembre 2026, sous la référence 2609.27338, un article présentant DUGM-R, un framework de navigation locale par apprentissage par renforcement, sensible au risque, pour robots mobiles évoluant en environnements intérieurs encombrés et dynamiques. Le système combine une carte de grille d'incertitude dynamique (DUGM), représentation centrée sur le robot qui fusionne occupation locale, mouvement estimé des obstacles et incertitude sur cette estimation, avec un mécanisme de récupération appliqué après l'entraînement. Une fois la politique de navigation nominale figée, une fonction de valeur de risque (RVF) à horizon fini, entraînée sur les trajectoires générées par cette politique, déclenche une politique de récupération dédiée dès qu'une collision est jugée probable si l'exécution nominale se poursuit. Les tests ont eu lieu dans le simulateur NVIDIA Isaac Sim, sur un benchmark de logistique clinique tenu à l'écart de l'entraînement, puis le framework complet a été transféré tel quel sur un robot TurtleBot3, sans réglage fin, sans réentraînement ni adaptation spécifique au site, en conservant la tendance de performance observée en simulation.

Ces résultats concernent directement les intégrateurs de robots mobiles autonomes (AMR) en environnement hospitalier ou logistique, où la cohabitation avec des piétons expose les politiques de navigation apprises à des comportements résiduels de quasi-collision une fois l'entraînement figé. En modélisant explicitement l'incertitude du mouvement des obstacles plutôt qu'une représentation statique ou déterministe, DUGM-R améliore la navigation nominale, et son mécanisme de récupération réduit encore les cas résiduels à risque. Le transfert direct vers un TurtleBot3 sans réentraînement, s'il se confirme sur d'autres plateformes, viendrait affaiblir l'idée répandue selon laquelle chaque déploiement d'un robot mobile appris exige une coûteuse adaptation au terrain, même si la validation reste ici limitée à un seul petit robot et à un article non encore relu par les pairs.

Ce travail s'inscrit dans la recherche sur la navigation locale apprise, pensée comme alternative aux planificateurs classiques pour les environnements dynamiques denses, domaine où la fragilité des politiques après entraînement reste un point faible documenté de longue date. En comparant sa représentation dynamique et incertaine à des cartes statiques ou des modèles de mouvement déterministes, l'équipe positionne DUGM-R comme une amélioration incrémentale plutôt qu'une rupture, sans qu'aucun acteur industriel, français, européen ou autre, ne soit associé à ces travaux à ce stade purement académique. Les suites logiques attendues seraient une validation sur des flottes plus larges et des plateformes AMR commerciales, afin de confirmer le transfert simulation-réel au-delà du cadre contrôlé testé ici.

Dans nos dossiers

NVIDIA Isaac & Cosmos arXiv cs.RO

À lire aussi

1arXiv cs.RO

Décision de navigation topologique pour la localisation et la cartographie multi-session

Des chercheurs publient sur arXiv (référence 2602.17226, version 2 révisée) un nouveau cadre pour la cartographie et la localisation multi-session en robotique autonome, un problème central pour les véhicules autonomes, la topographie et la robotique d'entrepôt ou domestique. Le système repose sur une décision structurelle: plutôt que de relancer systématiquement un SLAM complet a chaque nouvelle visite d'un lieu puis de recoller les cartes obtenues a posteriori, méthode couteuse et source d'erreurs, les auteurs analysent directement la topologie du graphe de poses joint. Ils utilisent des métriques de connectivité spectrale pour repérer les zones déconnectées ou faiblement contraintes de ce graphe, et ne déclenchent une nouvelle cartographie ou une fermeture de boucle que lorsque cette structure révèle un manque de support. La carte et le graphe résultants sont ensuite fusionnes dans le modèle existant, ce qui réduit l'erreur accumulée et améliore la cohérence globale sans remaniement redondant. La méthode a été validée sur des séquences de jeux de données se recouvrant partiellement, puis testée dans un environnement réel de type mine souterraine. Ce travail s'attaque a un angle mort fréquent des pipelines SLAM commerciaux: la plupart des systèmes traitent chaque session d'exploration indépendamment puis tentent de fusionner les cartes après coup, une approche qui échoue souvent dans des environnements répétitifs ou peu textures, un scenario courant en mine, en entrepôt ou sur site industriel. En déplaçant la décision de recartographier vers une analyse topologique explicite plutôt qu'une simple heuristique de correspondance, l'approche vise des cycles de navigation plus courts et moins de dérivé cumulée pour les flottes de robots ou véhicules qui reviennent régulièrement sur les mêmes zones, un enjeu direct pour les intégrateurs d'AMR en logistique et les opérateurs de sites industriels cherchant a réduire le temps d'immobilisation lie au recalibrage cartographique. Elle interroge aussi l'hypothèse répandue selon laquelle une fusion de cartes post-hoc suffit a garantir une localisation fiable sur le long terme. La publication s'inscrit dans la continuité des travaux sur le SLAM multi-session et la localisation basée sur carte, un domaine actif en robotique mobile ou la gestion de la redondance entre sessions reste un point de friction face aux méthodes classiques de fermeture de boucle et aux frameworks de pose-graph existants. Le texte ne mentionne aucun partenariat industriel ni déploiement commercial a ce stade: il s'agit d'une contribution de recherche validée expérimentalement, non d'un produit livre. Les auteurs indiquent vouloir étendre les essais a davantage d'environnements réels, en particulier souterrains, la ou la robustesse face aux zones répétitives et faiblement texturées reste la plus critique.

RecherchePaper

1 source

2arXiv cs.RO

Risque et incertitude : une planification cinodynamique pour une navigation sûre en environnement planétaire

Une équipe de robotique publie sur arXiv, en août 2026 (référence 2608.11175, nouvelle soumission), une méthode de planification de trajectoire cinodynamique consciente du risque pour les robots à roues en environnement planétaire. L'approche combine deux étapes : un planificateur par échantillonnage nommé AO-RRT génère d'abord une trajectoire dynamiquement faisable, sensible au risque et asymptotiquement optimale en coût ; le problème est ensuite reformulé en optimisation non linéaire, résolue par programmation convexe séquentielle (SCP) à partir de cette trajectoire initiale. Le risque est quantifié via la valeur à risque conditionnelle (CVaR), une métrique issue de la finance qui capture les scénarios les plus défavorables. Testée en simulation puis validée sur du matériel réel, la méthode réduit le risque de plus de 97% sur l'ensemble des trajectoires évaluées. Pour un rover planétaire, la mécanique terrain-roue reste souvent partiellement inconnue et doit être apprise en ligne, ce qui peut transformer un plan optimal en manœuvre dangereuse, un risque amplifié par les incertitudes des systèmes de perception embarqués. L'enjeu est concret : un rover ensablé ou renversé peut compromettre toute une mission, sans intervention téléopérée rapide possible compte tenu de la latence de communication avec la Terre. En réduisant le risque de près de deux ordres de grandeur sans sacrifier l'optimalité du coût ni la faisabilité dynamique, ces travaux comblent l'écart entre les planificateurs purement optimaux en coût, qui ignorent la queue de distribution des scénarios dangereux, et les approches d'optimisation locale sans garantie de couverture globale. La méthode s'appuie sur la famille des planificateurs par échantillonnage de type RRT asymptotiquement optimaux, couplés à la programmation convexe séquentielle, déjà utilisée en robotique aérienne et spatiale pour raffiner des trajectoires initiales. L'usage de la CVaR pour quantifier le risque d'enlisement ou de collision rappelle des précédents marquants, comme celui du rover Spirit de la NASA, ensablé en 2009, ce qui avait mis fin à sa phase de mobilité. Publiée sous forme de lettre de recherche, cette étude reste à ce stade une contribution académique, validée en simulation et sur banc d'essai matériel mais sans déploiement opérationnel annoncé ; les prochaines étapes attendues portent sur des modèles de terrain plus complexes et une intégration potentielle aux futures piles logicielles d'autonomie de rovers lunaires ou martiens.

RecherchePaper

1 source

3arXiv cs.RO

G-DRAGON : raisonnement géospatial et planification dynamique pour la navigation extérieure augmentée par récupération

G-DRAGON (Geospatial Reasoning and Dynamic Planning for Retrieval-Augmented Outdoor Navigation) est un framework de navigation présenté dans un preprint arXiv (mai 2026) pour robots terrestres autonomes en extérieur à grande échelle. Le système associe un LLM léger exécuté localement à OpenStreetMap pour convertir des instructions en langage naturel en coordonnées géospatiales précises, servant à la planification de routes topologiques. Un module de haut niveau relie ces itinéraires au SLAM embarqué du robot, tandis qu'en fin de parcours G-DRAGON bascule vers une exploration à base de frontières couplée à une cartographie sémantique voxel en vocabulaire ouvert, pour localiser des cibles décrites librement. En simulation, le système surpasse les baselines de l'état de l'art. Sur un UGV réel en milieu urbain non préparé, il a complété des missions de recherche de personnes avec des trajectoires atteignant 500 mètres. Ce travail comble un angle mort structurel des approches VLN (Visual-Language Navigation) actuelles, efficaces à courte portée mais dépourvues d'ancrage géospatial pour des missions longue distance. Les méthodes OSM couplées à des LLMs cloud pallient partiellement ce déficit, mais souffrent d'hallucinations factuelles et d'une incapacité à gérer le "dernier kilomètre" en vocabulaire ouvert. En substituant un modèle local et léger, G-DRAGON réduit la dépendance aux API distantes et améliore la fiabilité terrain, une propriété critique pour l'inspection industrielle, la livraison autonome ou les missions de sécurité. La validation en environnement urbain réel, même limitée à 500m et à un seul type de mission, distingue ce travail de la majorité des publications cantonnées à la simulation. G-DRAGON s'inscrit dans une trajectoire de recherche ouverte par NavGPT, LM-Nav et ViNT, qui ont progressivement intégré les LLMs dans la planification de trajectoires robots. La substitution d'un modèle edge à un LLM cloud s'aligne sur une tendance plus large d'inférence locale dans la robotique de service et industrielle. Les concurrents directs sont les frameworks académiques de navigation guidée par le langage ainsi que les pipelines LLM multimodaux couplés à des robots commerciaux. Aucun acteur européen n'est cité dans le papier, bien que des laboratoires comme le LAAS-CNRS travaillent sur des problématiques adjacentes de navigation autonome en environnements complexes. Le papier n'étant pas encore soumis à une relecture par les pairs, les métriques de performance en simulation restent à confirmer sur des environnements plus diversifiés et des missions multi-étapes.

UELe LAAS-CNRS travaille sur des problématiques adjacentes de navigation autonome en environnements complexes, et la tendance à l'inférence locale illustrée par G-DRAGON est directement pertinente pour les équipes R&D robotique françaises et européennes cherchant à réduire leur dépendance aux API cloud.

RecherchePaper

1 source

4arXiv cs.RO

Fonction de barrière de contrôle guidée par imagination comportementale avec incertitude partagée pour la navigation de robots mobiles

Des chercheurs présentent BIG-CBF (Behavior-Imagination-Guided Control Barrier Function), une architecture de navigation pour robots mobiles autonomes décrite dans un article publié sur arXiv (2609.14343) en septembre 2026. Le système sépare la sélection de manœuvre, exécutée à basse fréquence, du filtrage de sécurité proprement dit, exécuté à haute fréquence via une fonction de barrière de contrôle (CBF) classique. Sur un horizon court, six comportements en boucle fermée sont imaginés et évalués selon leur compatibilité CBF et un objectif combinant progression de la tâche, risque de blocage, fluidité et fréquence de changement de manœuvre. Les couches d'imagination et d'exécution partagent les mêmes sources d'incertitude (délai de mouvement relatif, prédiction des obstacles, maintien d'ordre zéro, résidus d'exécution des commandes), tandis qu'une CBF stricte reste l'autorité finale de sécurité. Sur un benchmark comparatif de 3 600 épisodes répartis sur neuf scénarios, BIG-CBF atteint un taux de réussite global de 99,78 %, le meilleur des méthodes testées, tout en réduisant nettement le nombre d'interventions de la CBF en aval. Sur un robot omnidirectionnel physique embarquant un calculateur Jetson Orin Nano, le système complète ses 15 essais d'évaluation sans aucun contact enregistré. Ce travail s'attaque à une limite connue des filtres de sécurité CBF à intervention minimale : sans conscience du niveau tâche, ils peuvent choisir une direction d'évitement non productive quand plusieurs manœuvres sont localement valides, ce qui produit un comportement sûr mais bloqué dans des environnements géométriquement ambigus, un robot qui s'arrête au lieu de contourner un obstacle. Pour les intégrateurs d'AMR en environnement industriel ou logistique, ce type de blocage reste l'un des principaux freins à l'autonomie complète, autant sinon plus que le risque de collision lui-même. En partageant les mêmes modèles d'incertitude entre la couche de planification et la couche d'exécution, BIG-CBF cible directement l'écart classique entre planification et comportement réel du robot. Les résultats, mesurés à la fois en simulation à grande échelle et sur matériel physique, avec des métriques d'énergie et de fréquence d'intervention de la CBF, offrent une validation plus rigoureuse que les démonstrations vidéo isolées courantes dans le secteur, même si 15 essais matériels restent un échantillon modeste pour conclure à une robustesse générale. Les fonctions de barrière de contrôle constituent depuis plusieurs années un cadre mathématique standard pour garantir des contraintes de sécurité locales, en particulier l'évitement de collision, dans la robotique mobile et les véhicules autonomes, généralement sous forme de filtres d'optimisation appliqués à une commande nominale. BIG-CBF se positionne comme une amélioration de cette approche classique face aux méthodes de planification purement réactive ou aux architectures d'apprentissage de bout en bout, en conservant la garantie formelle de sécurité tout en ajoutant une couche de raisonnement sur les manœuvres. L'article ne précise ni industriel partenaire ni calendrier de déploiement commercial : il s'agit d'une contribution de recherche, testée en simulation et sur un seul robot omnidirectionnel de laboratoire équipé d'un module Jetson Orin Nano, sans indication de généralisation à d'autres plateformes ou à des flottes plus larges pour l'instant.

RecherchePaper

1 source