Aller au contenu principal
Vision embarquée et navigation MPC pour robots sous-marins : une plateforme BlueROV2 ouverte pour les expériences multi-robots et l'amarrage
RecherchearXiv cs.RO 

Vision embarquée et navigation MPC pour robots sous-marins : une plateforme BlueROV2 ouverte pour les expériences multi-robots et l'amarrage

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

Des chercheurs publient sur arXiv une plateforme open source basée sur le BlueROV2, le petit robot sous-marin télépiloté largement répandu en recherche, qui associe vision embarquée et commande prédictive non linéaire (NMPC) pour la navigation autonome et l'amarrage en milieu confiné. Le véhicule embarque un NVIDIA Jetson Orin NX et une caméra stéréo Intel RealSense D435i, logés dans un boîtier de pression modulaire. La caméra, calibrée pour l'usage sous l'eau, fournit une profondeur stéréo et une détection d'objets en temps réel qui donnent la position relative de BlueROV2 voisins, dans le repère caméra comme dans celui du corps du robot. Un estimateur à base de quaternions fusionne ces poses externes avec les mesures inertielles. Le contrôleur NMPC s'appuie sur un modèle non linéaire à six degrés de liberté pour suivre des trajectoires planifiées de navigation et d'amarrage. Les auteurs fournissent aussi des environnements de simulation PX4 SITL et Gazebo fondés sur la physique, des outils de simulation multi-robots et une station d'amarrage physique à bas coût. Les expériences portent sur la perception sous-marine, les performances de calcul embarquées, l'estimation d'état, le suivi de trajectoire et l'amarrage autonome. Le résumé ne chiffre aucun résultat : précision, taux de réussite d'amarrage et charge du Jetson restent à vérifier dans le texte complet.

L'intérêt tient moins à un algorithme inédit qu'à la mise à disposition d'une chaîne complète et reproductible, du simulateur au bassin. En robotique sous-marine, les résultats d'amarrage ou de coordination multi-véhicules reposent souvent sur du matériel propriétaire ou sur des systèmes de positionnement acoustique coûteux, ce qui rend les comparaisons difficiles. Un socle ouvert, bâti sur une plateforme que de nombreux laboratoires possèdent déjà, abaisse le coût d'entrée pour les équipes et les intégrateurs qui veulent tester des essaims ou de l'inspection autonome en espace restreint (cuves, ports, structures offshore). L'usage d'une vision purement embarquée pour localiser un congénère ou une station est pertinent là où le GPS est absent et où les balises acoustiques perdent en précision à courte distance. Le recours à un module Jetson montre aussi que le calcul embarqué de perception et de MPC devient accessible sur de petits véhicules. Reste que la vision sous-marine dépend fortement de la turbidité et de l'éclairage : la robustesse hors bassin contrôlé est la vraie question.

Ce travail s'inscrit dans l'écosystème du BlueROV2, produit par Blue Robotics, devenu la référence de facto des laboratoires grâce à son autopilote ArduSub/PX4 et à son architecture ouverte. Il prolonge une longue série de travaux sur l'amarrage autonome, souvent fondés sur des balises acoustiques ou lumineuses, et sur la commande prédictive appliquée aux véhicules sous-marins. Les prochaines étapes naturelles sont des essais en eau libre, l'extension à des flottes plus nombreuses et l'intégration de capteurs complémentaires. Il s'agit d'un article de recherche, pas d'un produit commercial : aucun déploiement industriel n'est annoncé.

Impact France/UE

Pas d\'impact direct sur la France/UE

Dans nos dossiers

À lire aussi

VLN en vol : une pile de navigation vision-langage embarquée pour robots aériens
1arXiv cs.RO 

VLN en vol : une pile de navigation vision-langage embarquée pour robots aériens

Une équipe de chercheurs a publié sur arXiv, le 18 septembre 2026 (référence 2609.20191), une étude décrivant "VLN on the Fly", une pile logicielle de navigation par instructions en langage naturel (vision-language navigation, VLN) fonctionnant intégralement à bord d'un robot aérien. Le système enchaîne quatre étages distincts et inspectables plutôt qu'un unique réseau de bout en bout : un modèle vision-langage (VLM) quantifié associe l'instruction textuelle à une cellule grossière de l'image caméra, la carte de profondeur convertit cette cellule en un objectif 3D, un planificateur de trajectoire rapide basé sur des splines B calcule un chemin faisable, puis une politique d'apprentissage par renforcement préentraînée traduit cette trajectoire en commandes moteur pour des quadricoptères. Sur 15 vols embarqués testant trois objets de référence du quotidien dans un volume intérieur contrôlé, le drone atteint sa cible dans 13 cas sur 15, avec une erreur moyenne de 5,72 cm par rapport à l'objectif et une utilisation moyenne du GPU embarqué de 39,3 %. Six essais supplémentaires en environnement encombré montrent des trajectoires sans collision grâce à un filtrage de la perception embarquée. L'intérêt de ces travaux tient à la contrainte de calcul propre aux drones, bien plus sévère que sur des robots au sol ou humanoïdes : grounding, planification et contrôle doivent se partager une puissance embarquée limitée, et une erreur dans un pipeline fusionné en un seul réseau (comme le font la plupart des politiques VLA de bout en bout) est difficile à isoler en vol. En conservant des étages séparés et observables, l'équipe défend une architecture plus sûre et plus facile à diagnostiquer, au prix probable d'une latence ou d'une flexibilité moindre qu'une politique end-to-end. Le chiffre de 39,3 % d'utilisation GPU suggère une marge de calcul disponible, preuve que l'exécution embarquée complète reste viable sans déport vers une station sol ou le cloud, un point clé pour les intégrateurs de drones d'inspection ou de logistique intéressés par un pilotage vocal ou textuel autonome. Il faut toutefois noter la portée limitée de la démonstration : 15 vols, trois objets, un environnement intérieur contrôlé, et un taux d'échec de 2 essais sur 15, loin d'un déploiement industriel validé. Ces travaux s'inscrivent dans le débat plus large opposant les architectures VLA de bout en bout, popularisées par des modèles comme Pi-0 ou GR00T N2 sur des plateformes au sol, à des pipelines modulaires jugés plus sûrs pour des systèmes critiques comme les drones volant à proximité d'humains ou d'obstacles. Aucun acteur français ou européen n'est mentionné dans cette étude, qui reste un prototype de recherche sans annonce de partenariat industriel ni de calendrier de déploiement commercial. Les essais en environnement encombré laissent entrevoir une prochaine étape vers des scénarios plus réalistes, mais aucun pilote opérationnel n'est pour l'instant annoncé.

RecherchePaper
1 source
FinsSim : une plateforme de simulation intégrée alignée sur le réel pour l'apprentissage des robots sous-marins
2arXiv cs.RO 

FinsSim : une plateforme de simulation intégrée alignée sur le réel pour l'apprentissage des robots sous-marins

Une équipe de recherche présente FinsSim, une plateforme de simulation intégrée pour l'apprentissage robotique sous-marin, décrite dans un preprint publié fin septembre 2026 sur arXiv (2609.23943). FinsSim associe une simulation hydrodynamique haute fidélité à moteurs de calcul interchangeables, des lignes de base de contrôle standard et des flux de travail unifiés pour l'apprentissage robotique. Pour le transfert sim-to-real, elle intègre une fusion multi-capteurs pour une localisation précise à faible coût, des modèles calibrés reliant poussée des propulseurs et hydrodynamique, et un algorithme de répartition d'efforts sous contraintes, le tout relié via ROS 2 en un pipeline complet simulation-vers-réel. Les auteurs rapportent avoir validé ce transfert par des expériences appariées simulation/réel, complétées par des études d'ablation testant chaque module séparément. Pour l'industrie de la robotique sous-marine, marché restreint et bien moins médiatisé que celui des humanoïdes terrestres, ce travail cible un verrou concret : l'écart persistant entre simulation et réalité, aggravé sous l'eau par la difficulté à modéliser l'hydrodynamique et à localiser un robot sans GPS. En reliant simulateur calibré, capteurs fusionnés et allocation de commande sous contraintes dans un pipeline reproductible, FinsSim s'adresse aux laboratoires et intégrateurs développant des véhicules sous-marins autonomes pour l'inspection, l'intervention ou la cartographie. Contrairement aux annonces spectaculaires du secteur humanoïde, ce travail reste un outil de recherche : ni produit commercial ni déploiement en conditions réelles, mais une brique méthodologique destinée à être reprise par d'autres équipes. L'article s'inscrit dans une lignée de simulateurs sous-marins de recherche déjà existants, tels que UUV Simulator, Stonefish, HoloOcean ou DAVE, que FinsSim cherche à compléter en combinant fidélité hydrodynamique et pipeline de transfert prêt à l'emploi via ROS 2. Ce créneau reste à l'écart de la vague de financements qui entoure actuellement les robots humanoïdes terrestres et les modèles vision-langage-action, où des acteurs comme Figure AI, NVIDIA ou Physical Intelligence multiplient les annonces. Le preprint, mis en ligne fin septembre 2026, ne précise ni institution porteuse ni calendrier de publication du code source. Les auteurs indiquent vouloir réduire l'écart entre recherche théorique et applications pratiques en robotique sous-marine, sans annoncer de partenariat industriel ni de déploiement programmé à ce stade.

RecherchePaper
1 source
Bi3 : un jeu de données biplateforme, biculturel et bipersonnel pour la navigation des robots sociaux
3arXiv cs.RO 

Bi3 : un jeu de données biplateforme, biculturel et bipersonnel pour la navigation des robots sociaux

Bi3 est un jeu de données pour la navigation sociale de robots en espaces contraints, publié en preprint sur arXiv en mai 2026. L'expérience place systématiquement un robot face à deux humains dans un espace de laboratoire restreint, avec 74 participants recrutés sur deux sites : un aux États-Unis, un en France. Le dataset totalise 10,5 heures de trajectoires avec vérité terrain pour humains et robots, des flux vidéo RGB et des évaluations subjectives des participants sur les performances du robot. Cinq algorithmes de navigation distincts ont été testés sur deux plateformes robotiques différentes, ce qui constitue une couverture algorithmique et matérielle inédite dans ce domaine. La navigation sociale en milieu dense reste l'un des verrous techniques majeurs de la robotique de service et de la logistique en environnement humain. Les benchmarks existants souffrent généralement d'un biais culturel marqué et d'une densité d'interaction artificiellement faible. Bi3 cible ces lacunes directement : la dimension biculturelle France/USA permet de tester si les comportements proximaux humains varient selon les normes sociales locales, une hypothèse rarement éprouvée empiriquement. Les métriques publiées, densité d'interaction et vélocité humaine, montrent une complexité comportementale supérieure aux datasets précédents, ce qui en fait un terrain d'évaluation plus exigeant pour les modèles de prédiction de mouvement et les politiques de contrôle de navigation. Ce dataset s'inscrit dans l'effort collectif de la communauté robotique pour réduire l'écart entre simulations et déploiements réels. La présence d'un site de collecte en France est notable : elle apporte une représentation européenne rare dans ce type de benchmark, où les données américaines ou asiatiques dominent historiquement. Bi3 est conçu comme une ressource ouverte pour entraîner des architectures VLA (Vision-Language-Action) et des politiques de navigation en espaces denses, ainsi que des modèles de prédiction de mouvement humain. À ce stade, il s'agit d'un preprint académique, pas d'un déploiement opérationnel. Les suites naturelles incluent l'intégration dans des benchmarks standardisés et l'utilisation pour affiner des politiques de navigation sur des AMR (Autonomous Mobile Robots) en environnement industriel ou hospitalier.

UELa présence d'un site de collecte en France apporte des données comportementales européennes dans un benchmark de navigation sociale, offrant une référence plus représentative pour calibrer des AMR déployés en milieu hospitalier ou industriel en Europe.

RecherchePaper
1 source
Navigation autonome et couverture évitant les obstacles pour robots d'extérieur
4arXiv cs.RO 

Navigation autonome et couverture évitant les obstacles pour robots d'extérieur

Des chercheurs proposent une architecture logicielle unifiée sous ROS 2 pour permettre à des robots autonomes d'extérieur de couvrir de vastes zones tout en évitant les obstacles, selon un article publié sur arXiv le 1er septembre 2026 (arXiv:2609.01384v1). Le système combine un planificateur de couverture, une localisation robuste et un moteur d'exécution basé sur Nav2, la pile de navigation standard de ROS 2. La position et le cap du robot sont estimés en continu via un filtre de Kalman étendu (EKF) fusionnant les données d'un GNSS RTK à double antenne, ce qui limite la dérive de localisation typique des espaces ouverts sur de longues missions. Trois améliorations tenant compte des contraintes du contrôleur ont été ajoutées à un planificateur de couverture existant, notamment pour gérer les manoeuvres à virages serrés. Un gestionnaire de mission à base d'arbre de comportement (Behavior Tree) orchestre l'exécution multi-objectifs, une récupération en couches en cas d'échec, une gestion des objectifs pondérée par le coût, et un retour automatique à la station de charge. Les auteurs ont validé cette pile logicielle en simulation puis lors d'essais réels sur plusieurs zones extérieures aux géométries et densités d'obstacles variées, atteignant un taux de couverture de 93,1% à 96,1% de la surface planifiée. Pour les intégrateurs de robotique agricole, de tonte autonome, de surveillance de sites ou de logistique extérieure, ce travail cible un problème concret et récurrent: la plupart des démonstrations de couverture autonome tiennent en intérieur ou sur terrain dégagé, alors que l'extérieur cumule dérive GPS, obstacles imprévus et gestion d'énergie sur des missions de longue durée. En intégrant localisation RTK, planification et reprise sur erreur dans une seule architecture testée en conditions réelles, et non seulement en simulation, l'étude apporte une donnée rare: un taux de couverture chiffré et répétable, plutôt qu'une vidéo de démonstration isolée. Cela réduit l'écart entre promesse marketing et robustesse opérationnelle, un point sensible dans un secteur où beaucoup d'annonces de robots extérieurs restent au stade du prototype capable de fonctionner une fois, sur un terrain choisi, sans généralisation prouvée à des géométries variées. Le travail s'inscrit dans la continuité des outils open source de l'écosystème ROS 2, en particulier Nav2, devenu la base de facto pour la navigation robotique autonome, que l'équipe étend plutôt que remplace. Il répond à des limites connues des planificateurs de couverture classiques, qui supposent souvent une localisation parfaite et ignorent la faisabilité réelle des trajectoires en virage pour une plateforme à roues ou chenilles. Aucun acteur industriel européen n'est cité dans cette publication, qui reste à ce stade une contribution de recherche académique plutôt qu'un produit commercialisé ou déployé en flotte. Les auteurs ne communiquent ni calendrier de transfert vers un partenaire industriel ni site de déploiement pilote au-delà des essais décrits, ce qui situe cette annonce du côté de la preuve de concept technique plutôt que du produit prêt à l'emploi.

RecherchePaper
1 source