Aller au contenu principal
Vers une perception spatiale pour la collaboration de robots hétérogènes en milieu minier souterrainIllustration générée par IA
RecherchearXiv cs.RO 

Vers une perception spatiale pour la collaboration de robots hétérogènes en milieu minier souterrain

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 présentent sur arXiv le pipeline de perception embarqué du projet PERSEPHONE, une mission d'extraction minière autonome dans d'anciennes mines souterraines abandonnées. Le système associe deux robots hétérogènes. Un robot « Explorer », léger, cartographie une mine inconnue et produit un graphe de scène 3D des cibles à inspecter. Pour cela, il exécute une pile de segmentation sémantique vision-langage en zero-shot, qui détecte les gisements minéraux à partir de simples requêtes en langage naturel. La carte et le graphe sont ensuite transmis à un second robot, l'« Inspector », équipé d'une charge utile de capteurs avancés, qui s'en sert pour planifier des points de vue d'inspection rapprochée. L'étape clé décrite est l'abstraction géométrique qui transforme les détections brutes en cibles exploitables : génération de boîtes englobantes par vue, fusion des boîtes entre vues, ajustement de plans et extraction de polygones. La validation a eu lieu dans une installation d'essai souterraine et dans une mine de magnésite en activité, sur des minéralisations de veines de fer et de magnésite, en conditions de perception dégradée. Le résumé ne donne ni taux de détection, ni temps de mission, ni dimensions des robots.

L'intérêt tient au constat de départ : aucune plateforme unique ne combine la mobilité nécessaire pour parcourir des kilomètres de galeries dégradées et la charge utile de capteurs requise pour caractériser un corps minéralisé. La réponse est donc une division du travail entre un éclaireur agile et un inspecteur lourd. Pour les intégrateurs et les exploitants, l'enjeu concret est la passation d'un robot à l'autre, à travers une représentation partagée, et non plus la performance d'un seul engin. Le recours à des modèles vision-langage sans entraînement spécifique suggère aussi qu'on peut désigner une cible minérale par une phrase plutôt que par un jeu de données annoté. Reste à savoir ce que vaut cette approche hors des deux sites testés, car le texte ne chiffre pas la précision de détection, la robustesse face à la poussière, à l'obscurité ou aux variations de minéralogie, ni l'autonomie de l'ensemble.

Ce travail s'inscrit dans la robotique souterraine, dont les références restent les équipes de la compétition DARPA SubT, qui avaient éprouvé cartographie et exploration en environnements dégradés, mais surtout pour la recherche et le sauvetage. Ici, la finalité est la réouverture de gisements profonds dans des mines abandonnées, un cas d'usage où le graphe de scène sert d'interface entre perception et planification. Le document est un preprint, non évalué par les pairs, et décrit un pipeline de perception, non un système commercial ni un déploiement industriel. Les suites logiques sont l'intégration avec les phases d'extraction de PERSEPHONE et des essais dans d'autres mines, sans calendrier annoncé dans le résumé.

Dans nos dossiers

À lire aussi

InstAgent : un système d'exploitation à base d'agents, à auto-amélioration récursive, pour la collaboration de robots hétérogènes
Illustration générée par IA
1arXiv cs.RO 

InstAgent : un système d'exploitation à base d'agents, à auto-amélioration récursive, pour la collaboration de robots hétérogènes

InstAgent est un système d'exploitation d'agents, présenté sur arXiv (2610.23098), qui vise à faire collaborer des équipes de robots hétérogènes, c'est-à-dire des machines aux capacités complémentaires en perception, mobilité et manipulation. Le système organise le comportement de l'équipe sous forme d'arbres de comportement (behavior trees, BT) dits agentiques. Ces arbres décrivent explicitement l'attribution des capacités, les dépendances entre robots et les contrôles de passation de tâche (handoff). Un mécanisme d'auto-amélioration récursive (RSI) met à jour ces programmes de collaboration à partir des retours d'exécution et conserve les révisions réussies pour les tâches suivantes. Une mémoire spatio-temporelle multimodale partagée fournit le contexte nécessaire à la planification et à la validation des passations. Les auteurs ont testé l'ensemble sur 20 tâches multi-robots réelles, avec trois modèles de haut niveau, et rapportent des gains constants en taux de réussite, en achèvement dès la première tentative et en efficacité d'exécution. Le résumé ne donne ni chiffres précis, ni liste des robots utilisés, ni identité des trois modèles. L'intérêt tient à trois verrous que les auteurs jugent mal traités par les systèmes existants : conserver les corrections faites pendant l'exécution comme expérience réutilisable, maintenir une mémoire de contexte fiable dans l'espace et le temps, et modéliser explicitement les dépendances entre robots. Pour un intégrateur, ce dernier point compte beaucoup. Dans un site mêlant AMR, bras fixes et robots mobiles manipulateurs, les échecs surviennent souvent aux interfaces, au moment où un robot remet un objet ou un état du monde à un autre. Traiter ces handoffs comme des conditions vérifiables dans un arbre de comportement, plutôt que comme des enchaînements implicites générés par un LLM, va dans le sens de la fiabilité exigée en production. Il faut toutefois rester prudent : 20 tâches de laboratoire restent un échantillon étroit, et sans taux absolus, sans détail sur les baselines ni sur la variété des plateformes, la portée industrielle reste à démontrer. Le choix de tester avec trois modèles suggère néanmoins que l'approche ne dépend pas d'un seul fournisseur. Ce travail s'inscrit dans la montée des architectures où des modèles de fondation servent de planificateur de haut niveau au-dessus de compétences de bas niveau, par opposition aux politiques VLA de bout en bout. Les arbres de comportement, standards de la robotique mobile et du jeu vidéo, offrent ici un cadre lisible et auditable, ce qui les distingue de la planification purement textuelle. L'idée d'amélioration récursive, où le système réécrit ses propres programmes à partir de l'expérience, rejoint les agents à bibliothèques de compétences apparus en environnement virtuel. À ce stade, il s'agit d'une préprint de recherche, sans produit, sans déploiement client ni calendrier annoncé. La suite logique sera la publication du code, de métriques détaillées et d'essais sur des flottes plus grandes et plus longues.

RecherchePaper
1 source
Co-GLANCE : perception active sous incertitude pour équipes de robots hétérogènes
Illustration générée par IA
2arXiv cs.RO 

Co-GLANCE : perception active sous incertitude pour équipes de robots hétérogènes

Des chercheurs ont publié Co-GLANCE (arXiv:2606.09919), un système embarqué de perception active et de prise de décision pour équipes robotiques hétérogènes opérant en extérieur non structuré. Le problème central adressé est l'incertitude perceptuelle liée aux occlusions : selon la position d'un robot, certaines zones de la scène restent invisibles ou ambiguës, et aucun agent isolé ne dispose d'un point de vue suffisant pour une compréhension fiable. Co-GLANCE distille les capacités de raisonnement sémantique d'un vision-language model (VLM) dans un modèle embarqué end-to-end qui réalise simultanément la segmentation des occlusions et l'allocation des robots les plus adaptés pour résoudre ces zones d'incertitude. Pour quantifier cette incertitude de façon statistiquement garantie, le système combine la prédiction conforme (conformal prediction) et l'abstention sélective sur les sorties de segmentation, d'allocation et de détection. Comparé aux baselines VLM cloud, Co-GLANCE améliore la précision de segmentation des occlusions de 25% et l'allocation robotique de 36%, tout en réduisant la latence d'inférence par image d'un facteur 350. Un dataset air-sol est également publié en open source. Ce résultat est significatif pour les intégrateurs et les décideurs industriels déployant des flottes multi-robots sur des chantiers, des sites miniers ou des opérations de surveillance. L'élimination de la dépendance au cloud pour l'inférence VLM lève un verrou majeur : latence, connectivité intermittente et coûts d'API. Le gain de 350x en latence n'est pas un chiffre de laboratoire anecdotique, il rend la perception active temps-réel praticable sur du matériel embarqué contraint. La combinaison conformal prediction + abstention sélective apporte des garanties de couverture statistique, ce qui est rare dans les systèmes robotiques terrain : les incertitudes sont exploitables (elles déclenchent des actions), pas seulement affichées. Les travaux sur la coordination multi-robots hétérogènes air-sol s'inscrivent dans un champ actif depuis plusieurs années, avec des groupes comme MIT CSAIL, Stanford, ETH Zurich et CMU comme références principales. La tendance forte est le passage des VLM cloud-only vers des modèles distillés edge-capable, que l'on retrouve aussi dans des travaux comme OpenVLA ou octo. Co-GLANCE se positionne spécifiquement sur l'allocation robotique sous incertitude, un angle moins couvert que la simple navigation ou manipulation. Les prochaines étapes probables incluent des validations sur des flottes plus larges et des environnements dégradés (nuit, pluie), ainsi que l'intégration dans des stacks ROS2 existants. Le code et le dataset sont disponibles sur co-glance.github.io.

RecherchePaper
1 source
Collaboration drone-robot terrestre pour la navigation autonome en terrain enneigé
Illustration générée par IA
3arXiv cs.RO 

Collaboration drone-robot terrestre pour la navigation autonome en terrain enneigé

Un preprint arXiv (2608.07797, mis en ligne début aout 2026) décrit un système de navigation collaborative associant un drone et un robot terrestre pour circuler en terrain enneige d'altitude, la ou faible visibilité et sol instable mettent en échec les méthodes classiques. Le dispositif s'appuie sur une architecture U-Net allégée, taillée pour le temps réel sous contrainte de calcul embarque et entraînée via une augmentation de données synthétiques simulant la neige, atteignant 96,5% de précision en segmentation de route. Le drone se localise grâce a un filtre de Kalman étendu fusionnant GPS et IMU, avec une erreur maximale de ±0,5 mètre, tandis que le robot terrestre, sans localisation propre, est suivi par un pipeline YOLOv5 combine aux données de profondeur de sa camera RGB-D embarquée. Un planificateur de trajectoire dynamique contourne ensuite les congères détectées, avec une déviation minimale observée lors des tests. L'approche illustre une tendance de la robotique de terrain: confier a un drone la perception que le robot au sol ne peut assurer seul, utile quand la neige efface les repères visuels et fausse l'odométrie des roues ou chenilles. Pour les intégrateurs déployant des UGV en montagne, en logistique hivernale ou en recherche et sauvetage, cette coordination air-sol permet d'éviter d'équiper chaque robot terrestre d'une suite de capteurs couteuse. Elle confirme aussi que la segmentation sémantique par vision reste exploitable sous contrainte de calcul embarque stricte, un enjeu clé pour déployer des flottes multi-robots a cout maitrise plutôt que des plateformes suréquipées. Le travail s'inscrit dans un courant de recherche plus large sur la coopération UAV-UGV, déjà explore pour des usages militaires ou de secours en montagne, mais rarement valide spécifiquement en conditions neigeuses. Il s'agit d'un preprint non encore revu par les pairs: les 96,5% de précision et la déviation minimale annoncée reposent sur un seul environnement de test contrôle, sans précision sur sa durée, son échelle ou les conditions météorologiques réellement rencontrées. Les auteurs ne mentionnent ni partenaire industriel ni calendrier de déploiement; la suite logique serait une validation en conditions réelles, sur plusieurs sites et avec des chutes de neige actives plutôt qu'un sol déjà enneige mais statique.

RecherchePaper
1 source
Vers une collaboration humain-agent-robot fondée sur les preuves pour le tri des anomalies sans dépendance à la Terre
Illustration générée par IA
4arXiv cs.RO 

Vers une collaboration humain-agent-robot fondée sur les preuves pour le tri des anomalies sans dépendance à la Terre

Des chercheurs proposent, dans un preprint arXiv (2610.08933), une architecture de triage d'anomalies pour équipages en espace lointain, fondée sur une équipe humain, agent IA et robot. Le système repose sur un gestionnaire d'état de triage qui conserve les hypothèses en cours, la provenance des preuves, l'incertitude, le contexte opérationnel et l'état des outils. Un agent incarné, tourné vers l'équipage, recueille les observations des astronautes et explique pourquoi l'évaluation change. Un robot mobile va chercher des preuves ciblées et localisées. Des interfaces typées séparent le dialogue et l'orchestration du monitoring, des commandes robot, de la récupération de contexte et du contrôle critique pour la sécurité. L'IA agentique y joue le rôle de coordinateur à état au-dessus de services bornés et inspectables, et non celui de pilote autonome d'un véhicule. Le prototype d'intégration en boucle matérielle (hardware-in-the-loop) combine un Reachy Mini comme agent incarné et un robot mobile Innate MARS. Deux scénarios l'illustrent. Le premier s'inspire d'une vraie fausse alerte à l'ammoniac sur l'ISS, où une contamination suspectée restreint l'accès de l'équipage. Le second concerne une anomalie d'interface d'alimentation dans une base lunaire habitée, où l'inspection robotisée distingue un défaut local de connecteur d'autres causes que la télémétrie à distance ne permet pas de départager. L'intérêt du travail tient au problème qu'il cible. Lors des missions lointaines, le délai de communication interdit de compter sur un support sol en temps réel. Les alertes initiales sous-déterminent souvent la cause, et les indices décisifs se trouvent soit dans les observations de l'équipage, soit dans des zones dangereuses, coûteuses ou inaccessibles pour un humain. La contribution revendiquée est une boucle de preuves fermée, à autorité bornée : l'IA propose et explique, mais ne détient pas la commande des fonctions critiques. Cette posture contraste avec le discours dominant sur les agents entièrement autonomes, et elle intéresse tout décideur confronté à des environnements où la traçabilité et la responsabilité priment sur la performance brute. Il faut toutefois rester prudent. Il s'agit d'une architecture démontrée sur deux scénarios illustratifs, sans évaluation quantitative annoncée dans le résumé : ni taux de réussite, ni temps de triage, ni comparaison avec une procédure de référence. Le prototype relève de la preuve de concept en laboratoire, loin d'un système qualifié pour le vol. Le travail s'inscrit dans la montée de l'autonomie à bord requise par les programmes d'exploration habitée, notamment les projets de présence lunaire durable, où les opérations dépendront moins du centre de contrôle terrestre. Le choix du matériel est révélateur : Reachy Mini est un petit robot de bureau open source de l'écosystème Hugging Face, et Innate MARS une plateforme mobile accessible. Cela montre que l'on peut prototyper ce type de coordination avec des composants du commerce, loin des robots spatiaux dédiés. Le résumé ne cite ni agence spatiale partenaire, ni calendrier de test en conditions représentatives, ni acteur européen. Les suites naturelles seraient des essais en analogue de mission, des mesures de charge cognitive de l'équipage et une validation des garde-fous face à des pannes de communication ou de capteurs.

RecherchePaper
1 source