Navigation continue d'objets de petite taille dans des agencements changeants : un benchmark et une méthode

Des chercheurs publient sur arXiv (2610.10125) une formalisation et un banc d'essai pour un problème que rencontrent tous les robots domestiques: retrouver à répétition de petits objets, comme des outils ou des jouets, dans un logement où des personnes les déplacent sans que le robot s'en aperçoive. La tâche, baptisée LiSoNav-COL (Lifelong Small-object Navigation in Changing Object Layouts), impose trois contraintes. L'agent doit trouver des points de vue adaptés à une observation fiable, accumuler et réutiliser sa connaissance de la scène pour accélérer les recherches suivantes, et corriger sa mémoire quand un objet a été déplacé. Il démarre avec une mémoire vide, donc sans scan préalable de l'environnement. Le benchmark associé, LiSoNav-Eval, couvre 28 scènes d'intérieur et 45 catégories de petits objets. Ses séquences de navigation « à vie » mélangent cibles inchangées et cibles déplacées, ce qui permet de mesurer séparément la réutilisation de la mémoire et l'adaptation au déplacement. Les auteurs proposent aussi une méthode, IVAM-Nav (Inspection multi-vues avec mémoire ancrée sur les points de vue). Le robot observe activement les surfaces porteuses (tables, étagères, plans de travail) depuis plusieurs angles complémentaires. Il rattache ensuite chaque souvenir au point de vue où l'observation a eu lieu. Le code et le jeu de données sont annoncés comme disponibles.

L'intérêt est d'abord de cibler un angle mort de l'évaluation. La plupart des benchmarks de navigation vers objet (ObjectNav) supposent des cibles volumineuses, une scène figée et des épisodes indépendants. Or un robot de service réel manipule des objets de quelques centimètres, souvent masqués, dans un décor qui change. L'ancrage de la mémoire sur les points de vue a une conséquence pratique: une croyance sur la position d'un objet peut être revérifiée dans des conditions d'observation similaires, au lieu d'être simplement écrasée ou conservée. Les analyses des auteurs confirment ce que les intégrateurs soupçonnent: la difficulté augmente quand les objets rétrécissent, quand l'environnement s'agrandit et quand la distance de relocalisation s'allonge. Il faut toutefois rester prudent. Le résumé évoque une performance « favorable » face à des méthodes représentatives, sans donner de taux de réussite ni d'écart chiffré. Tout cela est évalué en simulation, donc sans mesure de l'écart sim-to-real ni test sur matériel physique. Les scénarios de déplacement d'objets sont par ailleurs générés par le benchmark, pas observés dans de vrais foyers.

Ces travaux s'inscrivent dans la montée des approches « embodied AI » où la navigation s'appuie sur des cartes sémantiques, des modèles vision-langage et une mémoire persistante. Les résultats reposent souvent sur des scènes statiques et des objets de grande taille. Les robots domestiques commerciaux et les plateformes humanoïdes visant le foyer ont besoin de cette capacité, mais aucun acteur industriel n'est cité ici. Il s'agit d'une publication académique en première version (v1), non évaluée par les pairs, et non d'un produit ou d'un déploiement. La suite logique serait la reprise du benchmark par d'autres équipes, qui comparerait des méthodes concurrentes à base de VLA ou de cartes sémantiques sur les mêmes séquences, puis une validation sur robots réels dans des logements occupés. C'est là que l'on verra si l'inspection multi-vues tient ses promesses malgré les contraintes de temps de cycle et de batterie.