Aller au contenu principal
Distillation de fonctions de barrière de contrôle privilégiées en filtres de sécurité RGB seul pour la navigation visuelle dynamiqueIllustration générée par IA
RecherchearXiv cs.RO 

Distillation de fonctions de barrière de contrôle privilégiées en filtres de sécurité RGB seul pour la navigation visuelle dynamique

1 source couvre ce sujet·Source originale ↗·

Compilé et résumé par IA · sources vérifiables en un clic · publié sans lecture humaine préalable · méthodologie

Résumé IASource unique

Des chercheurs proposent une méthode pour doter les politiques de navigation visuelle « RGB seul » d'une couche de sécurité embarquée, sans reconstruction 3D ni rendu en ligne. Le travail, publié sur arXiv (2609.36520) avec une page projet, repose sur une distillation enseignant-élève. L'enseignant est une Control Barrier Function (CBF), un filtre mathématique qui corrige une commande jugée dangereuse pour maintenir le robot dans un ensemble sûr. Il exploite des états « privilégiés » (position du robot et des obstacles réels) dans un environnement dynamique real-to-sim en Gaussian Splatting. L'élève, un filtre de sécurité, reçoit un court historique d'images RGB, la vitesse du robot et l'action nominale de la politique de navigation, et renvoie directement une action sûre. Au déploiement, seuls l'image et la vitesse sont nécessaires. Aucun chiffre de latence, de taux de collision ou de plateforme matérielle n'apparaît dans le résumé.

Pour réduire l'écart d'information entre enseignant et élève, l'enseignant ne construit ses contraintes qu'à partir des obstacles visibles dans l'historique d'images de l'élève. Il intègre aussi une incertitude sur la vitesse des obstacles, pour tolérer des mouvements variés. Enfin, une augmentation d'actions expose l'élève à des commandes nominales sûres et dangereuses, afin qu'il apprenne mieux la frontière de sécurité. Les auteurs affirment surpasser les CBF visuelles de référence et améliorer la sécurité de politiques de navigation RGB sous obstacles mobiles, mais les gains chiffrés et les baselines exactes ne sont pas précisés dans le texte disponible.

L'enjeu est pratique pour les intégrateurs : les politiques de navigation de bout en bout entraînées en imitation ou par apprentissage par renforcement restent fragiles face à des piétons ou à d'autres véhicules, et les approches CBF visuelles existantes exigent du rendu en temps réel ou une reconstruction de scène, coûteux pour un calcul embarqué. Déplacer ce coût vers l'entraînement rend un filtre de sécurité plausible sur des robots mobiles à capteurs limités. Il faut toutefois rester prudent : le résultat est académique, les évaluations décrites relèvent probablement en partie de la simulation, et une distillation ne fournit pas les garanties formelles d'une CBF exacte. La question de la certification reste donc ouverte pour un usage industriel.

Ce travail s'inscrit dans deux tendances : la montée des modèles de navigation RGB de bout en bout, plus légers en capteurs que le LiDAR, et l'usage du Gaussian Splatting comme pont entre données réelles et simulation pour l'entraînement de politiques robotiques. Les filtres de sécurité par CBF, souvent comparés aux approches de type shielding, servent déjà de couche de protection au-dessus de contrôleurs appris. La suite logique serait une validation sur robot réel, des mesures de latence embarquée et des tests dans des scènes plus denses. Aucun partenaire industriel, pilote ou calendrier n'est annoncé.

Dans nos dossiers

À lire aussi

CN-CBF : fonction de barrière de contrôle neuronale composite pour la navigation robotique en environnements dynamiques
Illustration générée par IA
1arXiv cs.RO 

CN-CBF : fonction de barrière de contrôle neuronale composite pour la navigation robotique en environnements dynamiques

Des chercheurs proposent une nouvelle méthode de conception de fonctions de barrière de contrôle neuronales, baptisée CN-CBF (Composite Neural Control Barrier Function), pour sécuriser la navigation de robots autonomes dans des environnements dynamiques et incertains. L'approche combine plusieurs CBF neuronales individuelles en une seule fonction composite : chacune est entraînée hors ligne à partir de données générées par le cadre de calculabilité Hamilton-Jacobi, afin d'approximer l'ensemble de sécurité optimal face à un obstacle mobile unique. Une architecture neuronale résiduelle garantit que l'ensemble de sécurité estimé ne recoupe jamais l'ensemble d'échec correspondant. La méthode a été testée en simulation sur un robot terrestre et un quadricoptère, puis validée par des expériences matérielles sur les deux plateformes. Comparée aux meilleures méthodes de référence existantes, elle améliore le taux de réussite de la navigation jusqu'à 18%, tout en conservant des longueurs de trajectoire et des temps de déplacement comparables, voire inférieurs. Ce résultat s'attaque à un problème central pour l'industrie robotique : les filtres de sécurité basés sur les CBF sont simples à déployer mais notoirement difficiles à concevoir manuellement, en particulier quand l'environnement change en temps réel. En automatisant et en fiabilisant cette conception via l'apprentissage, CN-CBF pourrait faciliter le déploiement de robots autonomes, mobiles ou volants, dans des environnements partagés avec des obstacles mobiles, humains compris, sans sacrifier l'efficacité des trajectoires. Le passage du simulateur au matériel réel, sur deux morphologies distinctes, robot au sol et drone, est un signal encourageant pour les intégrateurs et les équipes de R&D qui cherchent des garanties de sécurité formelles plutôt que des heuristiques ad hoc, un enjeu clé pour la certification et l'adoption en environnements industriels ou logistiques. Les fonctions de barrière de contrôle sont un outil classique de la théorie du contrôle pour garantir la sécurité formelle des systèmes dynamiques, mais leur conception manuelle devient vite intraitable dès que la dimension ou la complexité de l'environnement augmente. Les approches existantes, qu'elles soient purement basées sur des modèles ou purement apprises, souffrent chacune de limites que les auteurs cherchent explicitement à corriger en combinant apprentissage neuronal et cadre théorique Hamilton-Jacobi. Publié sur arXiv en version révisée, ce travail s'inscrit dans une littérature croissante sur les CBF neuronales pour la robotique mobile et aérienne. Les auteurs mentionnent des évaluations étendues en simulation face à plusieurs méthodes concurrentes ; une extension naturelle consisterait à traiter des scénarios multi-obstacles ou multi-robots, au-delà du cas de l'obstacle mobile unique étudié ici.

RecherchePaper
1 source
Fonctions de barrière de contrôle sémantiquement adaptatives avec modèles vision-langage pour la navigation robotique en temps réel
Illustration générée par IA
2arXiv cs.RO 

Fonctions de barrière de contrôle sémantiquement adaptatives avec modèles vision-langage pour la navigation robotique en temps réel

AlphaAdj, un cadre de navigation « vision vers commande » décrit dans un article arXiv (2603.21142v2), couple un modèle vision-langage (VLM) à des fonctions barrières de contrôle (CBF) pour adapter la prudence d'un robot au contexte visuel. Le VLM analyse les images RGB égocentriques et produit un signal scalaire de « prudence contextuelle ». Ce signal module le paramètre alpha de la CBF, qui règle la rapidité avec laquelle le robot est autorisé à s'approcher d'une contrainte de sécurité. Un plafond dépendant de la géométrie et de la vitesse borne l'agressivité admissible. Le signal n'est pas obtenu par génération de texte autoregressive. Il est extrait directement des probabilités au niveau des tokens, et l'inférence tourne de façon asynchrone par rapport à la boucle de contrôle. Le système tient une période de contrôle de 0,0167 s (environ 60 Hz) avec une latence moyenne aller-retour du VLM de 0,158 s. Les tests couvrent des scénarios à géométrie appariée, à humains dynamiques et à environnement encombré, plus un essai physique sur un robot Clearpath Jackal. À géométrie d'obstacle identique, AlphaAdj laisse 0,405 m de dégagement supplémentaire face à un humain par rapport à un objet inoffensif. Les baselines purement géométriques et les baselines adaptatives non visuelles ne font aucune différence entre les deux cas. Dans les scènes encombrées, toutes les baselines géométriques évaluées entrent en collision, alors qu'AlphaAdj reste sans collision. L'intérêt tient à ce que ce travail s'attaque à un compromis classique de la robotique mobile : rester sûr sans devenir trop conservateur. Une CBF ordinaire ne voit que l'état géométrique. Un carton et un piéton de même forme reçoivent donc la même marge. Ici, la sémantique ajuste la marge sans entrer dans le chemin critique : le VLM est consultatif et la garantie de sécurité reste portée par la CBF et son plafond. Pour un intégrateur, c'est un schéma plus facile à justifier en certification qu'une politique de bout en bout opaque. Il montre aussi qu'un VLM de 0,158 s de latence reste exploitable sur une boucle à 60 Hz s'il est découplé. Les réserves sont classiques : les résultats viennent surtout de simulation et d'un seul robot terrestre de petite taille, et la comparaison porte sur des baselines choisies par les auteurs. Les 0,405 m supplémentaires sont un résultat de scénarios contrôlés, non une mesure en exploitation. Ces travaux s'inscrivent dans la lignée des CBF, devenues un outil standard de filtrage de sécurité pour la navigation et la manipulation, et de l'usage croissant des VLM comme couche de raisonnement sémantique en robotique. Ils se rapprochent des approches qui injectent un contexte appris dans des contrôleurs à garanties formelles, plutôt que de laisser un VLA piloter directement les actionneurs. Les suites naturelles seraient des tests sur des plateformes plus rapides ou plus lourdes, comme des AMR d'entrepôt ou des humanoïdes, en environnements réellement peuplés, avec une analyse de la robustesse du signal VLM face aux erreurs de perception. Aucun calendrier de déploiement n'est annoncé : il s'agit d'une publication de recherche, non d'un produit.

RecherchePaper
1 source
Hyperplans séparateurs adaptés à la commande pour les fonctions barrières de contrôle en navigation planaire
Illustration générée par IA
3arXiv cs.RO 

Hyperplans séparateurs adaptés à la commande pour les fonctions barrières de contrôle en navigation planaire

Une équipe de chercheurs publie sur arXiv (référence 2611.23867) une méthode de sélection d'hyperplans séparateurs pour les fonctions de barrière de contrôle (Control Barrier Functions, CBF) appliquées à la navigation plane. Elle concerne un robot polygonal évoluant parmi des obstacles polygonaux. Les hyperplans séparateurs servent à linéariser les contraintes d'évitement de collision, mais leur orientation détermine l'ampleur de l'intervention du contrôleur de sécurité, c'est-à-dire l'écart entre la commande effectivement appliquée et la commande nominale du robot. La méthode calcule, à chaque pas de temps, l'optimum global du problème conjoint (orientation des hyperplans et commande) dès lors qu'il est faisable, sans solveur non linéaire. Elle exploite la géométrie des polygones issus de la différence de Minkowski pour ramener l'optimisation continue non convexe à l'évaluation d'un ensemble de taille polynomiale de commandes candidates, via des vérifications algébriques en forme close. Le candidat faisable de norme minimale est retenu. Sur 250 scénarios simulés, le coût d'intervention cumulé baisse de 3,6 % à la médiane et de 27,3 % au 90e centile par rapport à un solveur non linéaire local, et le temps de complétion de 0,6 % et 5,6 %. Avec 16 obstacles simultanés, le calcul par pas est 6,1 fois plus rapide. L'intérêt est surtout pratique pour les intégrateurs et les équipes de contrôle. Les approches existantes choisissent l'orientation des hyperplans selon la seule géométrie, ou résolvent le problème conjoint avec des solveurs locaux, sensibles à l'initialisation, sujets aux minima locaux et à une latence imprévisible, ce qui pose problème pour des boucles de sécurité temps réel. Des grilles d'orientations discrétisées, elles, croissent de façon exponentielle avec le nombre d'obstacles. Une méthode déterministe, sans solveur et à complexité polynomiale rend le temps de calcul plus prévisible, un atout pour la certification et pour les AMR en environnement dense (entrepôts, ateliers). Les gains sont toutefois à relativiser : à la médiane, ils restent modestes (3,6 % sur l'intervention, 0,6 % sur le temps de mission), et les bénéfices marqués se concentrent dans la queue de distribution, soit les situations les plus contraintes. Tout est validé en simulation, en 2D, avec des formes polygonales, sans résultat sur robot réel, ni dynamique complexe, ni bruit de perception. Ce travail s'inscrit dans l'essor des CBF comme filtre de sécurité placé entre un planificateur ou une politique nominale et les actionneurs, un schéma de plus en plus discuté pour encadrer des politiques apprises, y compris des modèles vision-langage-action (VLA) dont le comportement est difficile à garantir. Le périmètre actuel, limité au plan et aux polygones, laisse ouvertes l'extension à la 3D, aux robots humanoïdes ou manipulateurs, et aux géométries non polygonales, où la structure de la différence de Minkowski se prête moins bien à un traitement algébrique exact. Les prochaines étapes naturelles sont des essais matériels et une comparaison avec d'autres formulations de contraintes de collision à latence bornée. Aucune implémentation industrielle ni calendrier de pilote n'est annoncé à ce stade.

RecherchePaper
1 source
Fonctions de barrière de contrôle par opérations de Minkowski pour la navigation sécurisée parmi des polytopes
Illustration générée par IA
4arXiv cs.RO 

Fonctions de barrière de contrôle par opérations de Minkowski pour la navigation sécurisée parmi des polytopes

Des chercheurs publient sur arXiv (2608.02886, 5 août 2026) une nouvelle formulation des fonctions de barrière de contrôle (CBF) pour la navigation sécurisée de robots dans des environnements composés de polytopes, c'est-à-dire d'obstacles à géométrie polyédrique exacte plutôt qu'approximée. Les méthodes CBF existantes simplifient généralement les obstacles par des formes lisses et conservatives, sphères ou ellipsoïdes, pour obtenir des fonctions de distance différentiables plus faciles à calculer. L'équipe propose à la place une fonction de distance signée (SDF) exacte, valable à la fois pour un robot et des obstacles de forme polyédrique quelconque. La méthode s'appuie sur des opérations de Minkowski et résout deux programmes convexes complémentaires, un pour le cas sans collision et un pour le cas en collision, ce qui permet de calculer la distance exacte dans les deux régimes. Les auteurs en dérivent également une expression analytique unifiée du gradient de cette SDF, obtenue par analyse de sensibilité en exploitant les propriétés géométriques des opérations de Minkowski en 2D. Le cadre est validé en simulation sur un cas de translation pure et trois scénarios avec des robots de type unicycle : récupération après une initialisation non sécurisée, évitement d'un obstacle unique, puis de plusieurs obstacles, comparés à des méthodes de référence. L'enjeu pour la robotique industrielle est concret : la plupart des robots mobiles autonomes (AMR) et bras manipulateurs ont une géométrie proche du polytope, pas de la sphère, et les approximations conservatives leur font perdre de la marge de manœuvre dans des espaces contraints comme les allées d'entrepôt. Une SDF exacte promet des trajectoires moins prudentes sans sacrifier la garantie de sécurité formelle propre aux CBF. Fait notable, le calcul exact du gradient rotationnel révèle une classe de minima locaux jusque-là masquée par les approximations, provenant du couplage entre la géométrie du robot et sa cinématique non holonome, un mode de défaillance que les méthodes conservatives ne permettaient pas de voir. Les CBF sont une technique établie de contrôle sûr depuis le milieu des années 2010, généralement appliquée à des formes simplifiées. Ce travail les étend à la géométrie exacte, un problème resté ouvert faute d'expression différentiable pratique de la distance entre polytopes. Il s'agit à ce stade d'une publication de recherche validée uniquement en simulation, sans démonstration sur robot physique ni déploiement industriel annoncé.

RecherchePaper
1 source