Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
RecherchearXiv cs.RO 

FORTE : prévision de l'occupation pour une planification spatio-temporelle sensible au risque en environnements dynamiques

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

FORTE est un cadre de navigation pour robots mobiles en environnement dynamique, décrit dans un preprint arXiv (2609.39305v1). Il repose sur la prédiction de grilles d'occupation (OGM), qui estiment où des obstacles se trouveront dans les secondes à venir. Au lieu de détecter et de suivre chaque objet, FORTE exploite directement l'évolution spatio-temporelle de l'occupation prédite, selon deux critères : le recouvrement spatio-temporel de l'occupation avec la trajectoire envisagée, et sa directivité, c'est-à-dire le sens dans lequel l'occupation se déplace. Le système compare plusieurs chemins de topologies différentes et retient le plus adapté. Le prédicteur est un modèle de diffusion latente qui génère tout l'horizon de prévision d'un seul passage (non autorégressif), avec des modules de décalage temporel (temporal shift) pour garder la cohérence entre les images. Les auteurs annoncent jusqu'à 215,3 % d'IoU en plus, une inférence 5,24 fois plus rapide, et un taux de réussite en navigation jusqu'à 3,5 fois supérieur à l'état de l'art.

L'intérêt tient à deux verrous classiques. Les pipelines « détection, suivi, prédiction » cumulent les erreurs (identités perdues, objets manqués), et les prédicteurs génératifs sont souvent trop lents pour le replanning en ligne. Produire l'horizon complet en un coup répond au second problème et limite la dérive propre aux modèles autorégressifs. Une approche indépendante du suivi d'objets serait utile aux AMR d'entrepôt et aux robots mobiles ou humanoïdes évoluant parmi des piétons. Les chiffres demandent toutefois de la prudence : ce sont des maxima (« jusqu'à »), les baselines ne sont pas nommées dans le résumé, et celui-ci ne précise ni la part de simulation et de matériel réel, ni la latence absolue, ni la plateforme de calcul.

Le travail s'inscrit dans la lignée des méthodes de navigation fondées sur les OGM, qui traitent souvent les cartes prédites comme des instantanés et n'exploitent donc pas leur dimension temporelle au moment de planifier. Il s'agit d'une publication académique, sans produit, sans pilote ni partenaire industriel annoncés, et aucun acteur français ou européen n'y apparaît dans le résumé. La suite logique serait une validation sur robot réel, l'évaluation de la consommation sur calcul embarqué et la comparaison avec les approches VLA de bout en bout, qui visent le même problème par une autre voie.

Dans nos dossiers

arXiv cs.RO

À lire aussi

DynoFluxBench : évaluer les planificateurs cinéto-dynamiques spatio-temporels en environnements dynamiques
1arXiv cs.RO 

DynoFluxBench : évaluer les planificateurs cinéto-dynamiques spatio-temporels en environnements dynamiques

DynoFluxBench est un nouveau framework destiné à comparer des planificateurs de trajectoires cinodynamiques, c'est-à-dire respectant les limites physiques du robot comme la vitesse et l'accélération, dans des environnements dynamiques où les obstacles mobiles arrivent à un instant non borné dans le temps. Trois planificateurs de référence l'illustrent : ST-Db-RRT étend un arbre de recherche avec des primitives de mouvement à discontinuité bornée puis affine la trajectoire par optimisation, tandis que KIST et ST-GBRRT construisent un arbre entièrement faisable guidé par des heuristiques distinctes. Les trois méthodes bénéficient de garanties de complétude probabiliste démontrées en environnement dynamique. Sur ce banc d'essai, ST-Db-RRT trouve une première solution jusqu'à 32 fois plus vite que les deux autres, qui restent préférables quand l'optimisation de trajectoire devient fragile ou instable. Vidéos et analyses sont publiées sur dynofluxbench.github.io. La plupart des robots mobiles industriels, des AMR d'entrepôt aux humanoïdes appelés à sortir des zones balisées, doivent éviter des obstacles mobiles tout en respectant leurs propres limites de vitesse et d'accélération, mais la recherche traitait jusqu'ici séparément la faisabilité cinodynamique et la planification face à des obstacles en mouvement, sans cadre commun pour comparer les approches sur ces deux critères à la fois. DynoFluxBench comble ce vide en offrant un étalon reproductible, utile aux équipes de recherche comme aux intégrateurs qui doivent choisir une architecture de navigation plutôt que de s'appuyer sur des démonstrations isolées difficiles à comparer entre laboratoires. L'écart mesuré entre la rapidité de ST-Db-RRT et la robustesse de KIST et ST-GBRRT rappelle aussi que l'optimisation de trajectoire, souvent présentée comme une solution universelle en planification de mouvement, reste fragile dans certains régimes. Ce travail s'inscrit dans la filiation des planificateurs par échantillonnage de type RRT et de leurs variantes cinodynamiques, croisée avec les méthodes de planification espace-temps conçues pour des obstacles dont la trajectoire est connue à l'avance, deux courants jusqu'ici développés séparément. Publié en prépublication sur arXiv sans mention d'entreprise, de produit commercial ni de déploiement industriel, ce travail académique met son code, ses vidéos et ses analyses à disposition publique pour que d'autres équipes comparent leurs planificateurs sur un terrain commun.

RecherchePaper
1 source
Risque et incertitude : une planification cinodynamique pour une navigation sûre en environnement planétaire
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
Planification et contrôle de mouvement sensibles au risque sous dynamique inconnue avec observations hybrides
3arXiv cs.RO 

Planification et contrôle de mouvement sensibles au risque sous dynamique inconnue avec observations hybrides

Des chercheurs ont publié sur arXiv (arXiv:2609.23792v1, septembre 2026) un nouveau cadre de planification de mouvement et de commande robotique pour des systèmes à dynamique inconnue et observations d'état hybrides, c'est-à-dire des cas où le robot ne dispose de mesures d'état complètes que dans certaines zones de l'espace d'état, laissant des "régions aveugles" ailleurs. Le travail s'appuie sur un cadre hiérarchique existant qui combine identification de système, calcul d'atteignabilité prédite, recherche de graphe et synthèse de contrôleur, en modélisant la dynamique par des approximations affines locales sur un découpage polytopique de l'espace d'état. Pour traiter les zones aveugles, où l'identification et la rétroaction deviennent impossibles faute de mesures, les auteurs proposent de sélectionner une dynamique nominale et de précalculer une séquence de commande en boucle ouverte avant la perte d'observation. Comme la dynamique réelle peut s'écarter de ce modèle nominal, le robot risque de quitter un polytope aveugle par une facette non prévue ; ce risque de transition est quantifié puis intégré dans un système de transition stochastique, et le problème de planification de haut niveau est reformulé comme un plus court chemin stochastique dont la politique guide la synthèse finale du contrôleur. Une étude de cas illustre la méthode en montrant un robot rejoindre un état cible en arbitrant entre efficacité de trajet et risque de traversée des zones aveugles. L'apport concret vise les robots opérant dans des environnements où la perception est intermittente ou partielle, occlusions, angles morts de capteurs, zones hors portée de caméras ou de lidars, un scénario fréquent en robotique industrielle et de champ mais souvent ignoré par les méthodes de planification qui supposent une observabilité complète de l'état. En quantifiant explicitement le risque associé à la navigation sans retour capteur plutôt qu'en l'ignorant ou en l'interdisant, l'approche s'adresse aux intégrateurs devant certifier ou arbitrer des trajectoires en environnements partiellement instrumentés, un enjeu distinct de la course actuelle aux modèles vision-langage-action (VLA) appris de bout en bout, qui promettent la généralisation mais restent peu auditables sur le plan du risque. Ce travail prolonge une lignée de recherche en planification formelle sous incertitude qui allie identification de système et synthèse de contrôleurs garantis, plutôt que les approches par apprentissage bout en bout actuellement médiatisées en robotique humanoïde. Il reste à ce stade une contribution algorithmique validée par simulation via une étude de cas, sans précision sur une plateforme matérielle réelle ni déploiement en conditions industrielles ; les auteurs ne mentionnent pas d'étape suivante de validation sur robot physique, ce qui invite à considérer ces résultats comme une preuve de concept méthodologique plutôt qu'une solution prête à l'industrialisation.

RecherchePaper
1 source
HitMem : mémoire 3D temporelle hiérarchique et récupération multimodale contextuelle pour environnements dynamiques
4arXiv cs.RO 

HitMem : mémoire 3D temporelle hiérarchique et récupération multimodale contextuelle pour environnements dynamiques

Des chercheurs présentent HitMem, un framework de mémoire 3D hiérarchique et temporelle destiné aux agents robotiques évoluant dans des environnements dynamiques, décrit dans un article publié le 2 septembre 2026 sur arXiv (référence 2609.00950v1). Le système répond à une limite connue des mémoires de scène 3D existantes, conçues pour des mondes statiques : quand un objet est déplacé par une activité humaine ou un événement non observé, l'agent se retrouve en conflit entre sa mémoire et son observation, ce qui l'oblige soit à recalculer coûteusement la géométrie de la scène, soit à relancer une exploration globale inefficace. HitMem construit à la place un graphe topologique léger qui unifie information sémantique et spatiale et capture les relations de support entre objets, avec un mécanisme de décroissance temporelle qui régule dynamiquement l'activité de chaque souvenir pour limiter le poids des représentations obsolètes. Sa récupération d'information combine par défaut des filtres sémantiques, spatiaux et temporels, et bascule vers un processus de récupération en deux étapes dès qu'un déplacement d'objet est détecté, en croisant les trajectoires externes de l'agent avec des affinités de classe sémantiques pour cibler les zones candidates les plus probables. Les auteurs évaluent leur méthode sur un benchmark maison, Dyna-THOR, spécifiquement conçu pour ces scénarios dynamiques. Pour l'industrie robotique, ce travail cible un angle mort documenté des systèmes de navigation et de manipulation basés sur la perception continue : la plupart des architectures actuelles supposent un monde figé entre deux passages de l'agent, une hypothèse intenable en environnement humain réel (entrepôt partagé, domicile, atelier). Un mécanisme capable de localiser un objet déplacé sans recartographier toute la scène représente un gain direct de temps de cycle et de coût de calcul pour tout intégrateur travaillant sur des AMR ou des agents domestiques à mémoire persistante. Les résultats annoncés, une amélioration de la précision de relocalisation d'objets et une réduction du coût d'exploration, restent toutefois mesurés sur un benchmark propriétaire construit par les auteurs eux-mêmes, ce qui appelle une lecture prudente avant toute généralisation à des conditions de déploiement réel. HitMem s'inscrit dans la lignée des recherches sur la mémoire spatiale persistante pour agents incarnés, un axe distinct mais complémentaire des architectures VLA (vision-langage-action) comme Pi-0 ou GR00T N2, qui se concentrent sur la génération d'actions plutôt que sur la représentation du monde à long terme. Le nom Dyna-THOR suggère une extension du simulateur AI2-THOR, largement utilisé dans la recherche en navigation embarquée, adapté ici pour introduire des perturbations dynamiques dans l'environnement. À ce stade, il s'agit d'une publication de recherche et non d'un produit ou d'un déploiement commercial ; aucune date d'intégration dans un système robotique commercial ni de partenariat industriel n'est mentionné dans l'article.

RecherchePaper
1 source