Aller au contenu principal
La solution d'OpenSpace Lab pour le concours d'exploration en intérieur IROS 2026Illustration générée par IA
RecherchearXiv cs.RO 

La solution d'OpenSpace Lab pour le concours d'exploration en intérieur IROS 2026

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

L'équipe OpenSpace Lab a publié sur arXiv (2610.01505) le rapport technique de sa participation au concours Intelligent Information Gathering for Single and Multi-Robot Systems, organisé dans le cadre de l'IROS 2026 (IEEE/RSJ International Conference on Intelligent Robots and Systems). Elle termine 1re de la piste publique mono-robot et 3e des pistes privées mono-robot et multi-robots. Les taux de couverture atteignent 61,04 % sur la piste publique mono-robot, 39,53 % sur la piste privée mono-robot et 39,91 % sur la piste privée multi-robots. Côté architecture, le système mono-robot s'appuie sur des prédictions de complétion de carte issues d'un modèle pré-entraîné pour guider la planification globale vers les zones non explorées. Une stratégie fondée sur le temps restant intègre une contrainte de retour au point de départ (« homing ») dans la décision, afin de concilier couverture et durée d'opération limitée. En multi-robots, la sélection des cibles est pilotée par une fonction d'utilité qui arbitre entre gain d'observation, coût de déplacement et budget, avec partage de la carte et des intentions entre robots pour éviter les recherches redondantes. Il s'agit d'un rapport succinct : un article complet est en préparation et le code, annoncé sur GitHub (OpenSpace-Lab/Indoor-Exploration-IROS2026), ne sera publié qu'après acceptation de ce manuscrit.

L'intérêt tient surtout à ce que ces chiffres disent de l'état de l'exploration autonome en intérieur. Une couverture de 61 % en piste publique, qui tombe à environ 40 % sur les pistes privées, montre un écart net de généralisation entre scènes connues et scènes inédites. Elle rappelle que les benchmarks ouverts surestiment la performance réelle, un point à garder en tête pour les intégrateurs qui évaluent des solutions d'inspection, de cartographie ou de patrouille en environnement non structuré. Autre signal : le gain du multi-robots reste minime en piste privée (39,91 % contre 39,53 % en mono-robot, avec des rangs identiques), ce qui suggère que la coordination ne se traduit pas encore par un avantage mesurable sur ce jeu de test. Les résultats concernent par ailleurs un concours, avec des contraintes de temps propres, et non un déploiement industriel. Aucun détail n'est fourni sur la taille des scènes, le nombre de robots ni la comparaison avec les autres équipes.

Ces travaux s'inscrivent dans la lignée de l'exploration par frontières, où le robot se dirige vers la limite entre espace connu et inconnu, que les approches récentes enrichissent par de la prédiction de carte apprise pour anticiper la structure des pièces non vues. Les concurrents du concours restent non précisés dans le résumé. Les suites sont connues : un article étendu à soumettre et une publication du code conditionnée à son acceptation, ce qui laisse la reproductibilité en suspens pour l'instant. Pour les acteurs industriels de l'AMR et de l'inspection, la valeur à surveiller sera la robustesse de la complétion de carte hors distribution, et la possibilité de la reproduire.

À lire aussi

MAPLE : un a priori ancré sur Mondrian pour l'exploration d'intérieurs sans apprentissage
Illustration générée par IA
1arXiv cs.RO 

MAPLE : un a priori ancré sur Mondrian pour l'exploration d'intérieurs sans apprentissage

MAPLE (Mondrian-Anchored Prior for Learning-free Indoor Exploration) est une méthode d'exploration robotique d'intérieur publiée sur arXiv en octobre 2026. Elle prédit l'occupation des zones non observées, au-delà de la portée du capteur, sans aucun apprentissage. Elle adapte le processus de Mondrian, un partitionnement aléatoire récursif de l'espace en rectangles, pour en faire un a priori génératif en ligne. Cet a priori est conditionné par les indices géométriques de la carte partielle courante. MAPLE produit plusieurs hypothèses de carte plausibles et évalue la visibilité séparément dans chacune pour estimer le gain de chaque frontière, c'est-à-dire la limite entre espace connu et inconnu. La méthode a été testée sur des plans d'étages KTH et sur des environnements issus de SLAM réel, à plusieurs portées de capteur. Les auteurs annoncent une amélioration constante par rapport à l'exploration non prédictive et des résultats compétitifs face aux approches prédictives apprises. Le résumé ne donne ni gains chiffrés ni temps de calcul précis, et il n'y a pas de déploiement sur robot physique. L'intérêt est d'abord pratique. Les approches prédictives récentes exigent un entraînement hors ligne et des inférences répétées pendant la mission, ce qui suppose un GPU embarqué et des données représentatives du site. Une construction procédurale légère vise au contraire les robots à calcul limité, comme de petits AMR ou des robots d'inspection, et évite le risque de dérive entre les données d'entraînement et le bâtiment réel. Le résultat le plus instructif est conceptuel. Selon les auteurs, une prédiction de carte plus précise ne produit pas forcément une meilleure exploration. La façon de représenter les prédictions et de les exploiter dans la décision compte donc autant que leur fidélité. Garder une distribution d'hypothèses plutôt qu'une carte unique préserve l'incertitude sur la visibilité. Ce travail s'inscrit dans la lignée de l'exploration par frontières, qui reste la base de nombreux systèmes. Il se positionne face aux méthodes de complétion de carte par réseaux de neurones, qui ont gagné du terrain ces dernières années. Il reste à valider en conditions réelles, sur des plateformes embarquées et dans des environnements moins structurés que des plans de bureaux ou d'hôpitaux. Les suites naturelles seraient des comparaisons de consommation de calcul face aux modèles appris et des essais sur robots mobiles.

RecherchePaper
1 source
Exploration multi-drones résistante aux attaques Sybil dans les espaces intérieurs et confinés
Illustration générée par IA
2arXiv cs.RO 

Exploration multi-drones résistante aux attaques Sybil dans les espaces intérieurs et confinés

Une équipe de drones qui explore un bâtiment en coopération repose sur deux échanges : chaque appareil annonce la frontière (zone inconnue) vers laquelle il se dirige et partage la carte qu'il a construite. Une étude publiée sur arXiv montre que ce mécanisme suppose que l'équipe fasse confiance à chaque identité émettrice, ce qui ouvre la porte à une attaque Sybil. Un seul drone compromis fabrique de fausses identités, qui revendiquent des frontières et envoient des scans inventés. Les drones réels laissent alors des zones inexplorées et se retrouvent avec des murs inexistants dans leurs cartes. Les auteurs testent cinq types d'attaquants, dont un qui scelle les ouvertures entre étages, face à cinq niveaux de défense. Ces défenses n'exigent aucune infrastructure de sécurité et n'utilisent que les capteurs et les cartes des drones. Elles comprennent l'audit des données reçues par rapport à ce que le drone voit lui-même, la vérification qu'un corps est présent là où l'identité prétend se trouver, la confiance réservée aux identités dont le corps a été observé, une quarantaine pour les identités qu'aucun drone n'a observées, et une règle liant chaque corps observé à une seule identité. Les essais en simulation portent sur 70 cartes de sept types, des bureaux et tunnels aux bâtiments de trois étages et aux grottes. Sans défense, un seul drone compromis laisse en moyenne jusqu'à 25 % d'une carte inexplorée (45 % dans les bureaux). L'attaquant qui bloque les passages réduit la zone explorée d'un bâtiment de trois étages à 82,3 %, et à 34,6 % sur la pire carte. Ces résultats sont utiles aux intégrateurs et aux décideurs qui envisagent des essaims pour l'inspection de sites industriels, de tunnels ou d'entrepôts. La sécurité des flottes est en général traitée au niveau du réseau, avec chiffrement et certificats, alors que cette étude montre qu'un seul nœud compromis, même authentifié, suffit à dégrader la mission en exploitant la confiance du protocole de coordination. La quarantaine ramène l'exploration au niveau d'une équipe non attaquée dans tous les cas testés, et dans la plupart des cas elle ramène aussi la quantité de fausses données à ce niveau. Le coût en faux positifs est faible : sur 2 350 missions, un drone honnête n'a été révoqué par un coéquipier que deux fois. Il faut toutefois rappeler que tout est validé en simulation, sans vol réel ni bruit de capteurs de terrain, ce qui limite la portée de ces chiffres. Les limites sont précisées. La quarantaine seule échoue face à deux attaquants qui collaborent, à des faux placés près de drones réels, à trois des dix grottes et à une équipe de 16 drones. La règle liant chaque corps observé à une identité corrige ces trois derniers cas. L'étude prolonge les travaux sur l'exploration multi-robots par frontières et sur la robustesse byzantine des essaims, dont les protocoles supposaient souvent des pairs honnêtes. Aucune suite industrielle ni essai sur matériel n'est annoncé, et le travail reste une publication académique en préprint, sans produit ni déploiement associé.

RecherchePaper
1 source
Le talon d'Achille de la vision spatiale de l'IA incarnée enfin résolu : la percée de CMG Lab à IROS 2026
Illustration générée par IA
3Pandaily 

Le talon d'Achille de la vision spatiale de l'IA incarnée enfin résolu : la percée de CMG Lab à IROS 2026

Une équipe de recherche du LionRock AI Lab, rattaché à l'Institut de recherche en technologies avancées de China Merchants Group, publie à IROS 2026 une étude qui documente une fragilité critique des modèles Vision-Language-Action (VLA) : un déplacement de caméra de quelques millimètres seulement peut faire chuter de moitié le taux de réussite d'une tâche. Les chercheurs identifient trois formes d'apprentissage par raccourci. Le "Camera-Base Coupling" survient quand le modèle mémorise la position des objets par rapport à des coordonnées de caméra fixes plutôt que d'apprendre de vraies relations spatiales ; un changement de position de caméra fait chuter le taux de succès de 85% à 43% dans leurs tests. Le "Camera-Object Coupling" désigne une dépendance à des angles de vue spécifiques, le modèle traitant un même objet vu sous un angle différent comme une entité distincte. Le "Object-Position Coupling", le plus insidieux, apparaît même avec des données multi-vues si les relations entre objets restent fixes pendant la collecte : sur une tâche "saisir un stylo et le placer dans son support", le modèle atteint 95% de réussite tant que le support reste à sa position d'entraînement, mais chute à 72% dès que celui-ci est déplacé d'un seul diamètre, preuve que le modèle avait appris une coordonnée précise plutôt que le concept de "placer dans le support". Leur réponse, baptisée Hybrid Dynamic Data Collection (HDDC), introduit une variation contrôlée pendant la collecte de données en déplaçant dynamiquement caméra et objets, pour forcer l'apprentissage de relations spatiales réelles. Cette découverte pointe un obstacle central au déploiement de l'IA incarnée en conditions réelles : les benchmarks VLA actuels affichent des taux de succès supérieurs à 90% en conditions fixes, un chiffre qui ne dit rien de la robustesse face aux variations de position de caméra, d'éclairage ou d'agencement d'objets rencontrées hors laboratoire. En rendant explicite ce fossé entre démonstration et réalité opérationnelle, l'étude invite les intégrateurs et décideurs B2B à relativiser les métriques de succès communiquées par les fournisseurs de robots humanoïdes et de bras manipulateurs, et à exiger des tests en conditions variables avant tout déploiement industriel. L'atout de HDDC est d'être agnostique au modèle : la méthode a été validée sur plusieurs architectures VLA majeures avec une efficacité constante, ce qui en fait un correctif potentiellement générique plutôt qu'un patch propre à un seul système. Le diagnostic du LionRock AI Lab rejoint des constats similaires obtenus par des équipes de recherche conjointes Stanford-Google et Tongji-Fudan, ce qui suggère qu'il s'agit d'un problème systémique affectant l'ensemble du champ des modèles VLA, et non d'une faiblesse isolée à une architecture ou un laboratoire donné. L'article, intitulé "Hybrid Dynamic Data Collection: Breaking VLA Shortcut Learning for Spatial Generalization", ainsi que le code et les ressources associées, sont publiés en accès libre sur arXiv et GitHub, permettant à la communauté robotique de reproduire les tests de fragilité spatiale et d'évaluer HDDC sur leurs propres modèles avant l'intégration en environnement industriel.

RechercheActu
1 source
Inspection spatiale active pour une exploration incarnée efficace
Illustration générée par IA
4arXiv cs.RO 

Inspection spatiale active pour une exploration incarnée efficace

Un article publié sur arXiv sous la référence 2609.22385v1 présente ACE, pour « spatial-inspection-guided ACtive Exploration », un nouveau cadre pour l'exploration robotique incarnée. Les auteurs partent d'un constat : la plupart des systèmes actuels guident le comportement de l'agent via une évaluation spatiale grossière et indirecte des indices repérés dans l'environnement, ce qui les empêche de juger correctement si ces indices suffisent ou s'il faut poursuivre l'inspection. Résultat, l'agent arrête sa mission trop tôt ou continue à explorer inutilement, au détriment du taux de réussite et de l'efficacité. ACE combine deux mécanismes : une perception ancrée dans l'évidence (« évidence-grounded perception »), qui associe une localisation fine à une vérification ciblée pour transformer un indice suggestif en preuve visuelle décisive, et un déplacement informé par l'exposition (« exposure-informed movement »), qui priorise les directions prometteuses tout en écartant celles déjà couvertes. Sur une série d'expériences, ACE affiche un taux de réussite de navigation supérieur de 18,0 points de pourcentage et une efficacité d'exploration supérieure de 10,3 points sur des tâches de réponse à des questions incarnées, par rapport aux meilleures méthodes de référence existantes. Ce travail s'attaque à un compromis classique et jusqu'ici mal résolu de l'exploration robotique autonome : arrêter trop tôt une mission de navigation ou de recherche d'objet fait perdre en fiabilité, tandis que continuer par excès de prudence fait perdre en temps de calcul et en efficacité opérationnelle. En montrant qu'une résolution spatiale plus explicite des indices perçus permet de gagner simultanément sur ces deux axes, succès et efficacité, ACE remet en cause l'idée que ces objectifs seraient nécessairement antagonistes. Pour les concepteurs de systèmes de navigation autonome, d'AMR ou d'architectures vision-langage-action appliquées à l'exploration en environnement 3D, l'approche illustre une piste concrète pour réduire le nombre de pas ou de cycles de calcul nécessaires à l'accomplissement d'une tâche, un enjeu direct de coût et de latence pour tout déploiement à l'échelle. Elle s'inscrit dans la tendance plus large à mieux articuler perception fine et politique de mouvement, plutôt qu'à les traiter comme des modules indépendants. ACE se positionne dans le champ de la recherche académique en exploration incarnée, un sous-domaine de l'IA robotique centré sur des benchmarks de navigation et de réponse à des questions dans des environnements 3D simulés, où l'agent doit explorer une scène pour localiser un objet ou répondre à une requête. L'abstract ne précise ni les auteurs, ni leur affiliation, ni les jeux de données ou baselines nommément comparés, se limitant à mentionner des « baselines de l'état de l'art antérieur ». Publié comme nouvel article sous cet identifiant arXiv, ce travail s'ajoute à une littérature déjà dense sur les méthodes de navigation guidées par le langage et la vision, sans qu'aucune feuille de route de déploiement réel, de partenariat industriel ou de suite annoncée ne soit mentionnée à ce stade.

RecherchePaper
1 source