RecherchearXiv cs.RO 9 octobre 2026

2DGS-Planner : planification de trajectoire par rasterisation dans une carte en éclaboussures gaussiennes 2D

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs proposent 2DGS-Planner, un planificateur de trajectoire pour robots terrestres qui travaille directement sur une carte en 2D Gaussian Splatting (2DGS), une représentation de scène composée de disques gaussiens que l'on peut rendre très rapidement par rastérisation. Le papier, publié sur arXiv (2610.11752), part d'un constat : les primitives gaussiennes sont optimisées conjointement par rendu en composition alpha, à partir d'un nombre fini de vues de reconstruction. Une primitive isolée ne correspond donc pas forcément à un obstacle réel. Plutôt que de traiter chaque gaussienne comme un obstacle, le système interroge la carte par rastérisation. Hors ligne, une attribution multi-vues convertit la dispersion des normales rendues en scores structurels pour les disques « non-sol » étayés par les vues de reconstruction. Ces scores guident un échantillonnage adaptatif des nœuds sur le sol. Des requêtes orthographiques alignées sur le chemin valident les arêtes candidates, et des requêtes cylindriques estiment des champs de dégagement local, mis en cache sur chaque arête. En ligne, une recherche dans le graphe initialise l'itinéraire, puis un raffinement réutilise ces champs en tenant compte des dimensions du robot et des contraintes du sol. Les auteurs annoncent une meilleure connectivité de la feuille de route, une estimation plus précise du dégagement et un taux de réussite de planification plus élevé que les références testées. Le code et les données sont publiés sur le site du projet.

L'intérêt tient au fait qu'il s'agit d'un travail de recherche et non d'un produit : aucun déploiement, aucun chiffre de payload ou de temps de cycle n'est annoncé, et les gains ne sont quantifiés que par rapport à des baselines choisies par les auteurs, dont l'abstract ne donne pas le détail. Il traite pourtant un vrai point de friction. Les cartes gaussiennes produisent des rendus photoréalistes, mais les exploiter pour la navigation est délicat, car la géométrie est un sous-produit de l'optimisation visuelle. Des primitives « flottantes » ou mal placées peuvent créer de faux obstacles ou en masquer de vrais. En faisant de la rastérisation l'interface de requête géométrique, l'approche évite de convertir la carte en grille d'occupation ou en nuage de points, et réutilise le moteur de rendu déjà nécessaire à la reconstruction. Pour un intégrateur, cela suggère qu'une même carte pourrait servir à la fois à la visualisation, à la localisation et à la planification. Reste à vérifier la robustesse en environnement dynamique, car la méthode repose sur une carte reconstruite hors ligne.

Le travail s'inscrit dans la vague des méthodes de navigation fondées sur le Gaussian Splatting, issues du 3DGS puis du 2DGS, ce dernier offrant des surfaces mieux définies grâce à ses disques orientés. Les planificateurs concurrents s'appuient plutôt sur des champs de distance signés, des grilles d'occupation (type OctoMap) ou des NeRF, souvent plus lourds à interroger. La restriction aux robots terrestres, avec une hypothèse de sol explicite, limite pour l'instant la portée : drones et humanoïdes en sont exclus. Les prochaines étapes probables sont des tests en conditions réelles, l'intégration d'une mise à jour incrémentale de la carte, et une comparaison sur des benchmarks partagés avec les autres planificateurs basés sur le splatting.

Impact France/UE

Pas d\'impact direct sur la France/UE

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

LiftNav : planification de trajectoire par élévation sémantique dans un Gaussian Splatting guidé par TSDF

Une équipe de chercheurs a publié LiftNav sur arXiv (référence 2605.31376), un système de planification de trajectoires pour robots autonomes en environnements intérieurs inconnus. Le système repose sur une carte duale combinant TSDF (Truncated Signed Distance Function, représentation géométrique précise pour l'évitement d'obstacles) et Gaussian Splatting (GS, méthode de rendu à base de primitives gaussiennes 3D), en s'appuyant sur l'architecture GSFusion comme fondation. À cette base hybride s'ajoutent, en temps réel, une détection d'objets par YOLO, un mécanisme de "lifting" 3D ancré dans le TSDF pour projeter les détections sémantiques dans l'espace volumique, et une optimisation de trajectoire par splines B. Pour améliorer fluidité et sécurité, les auteurs introduisent une pénalité de collision basée sur la hinge loss. Évalué en simulation sur le dataset Replica (environnements intérieurs synthétiques de haute fidélité de Meta), LiftNav atteint un taux de faisabilité de 100% et génère des trajectoires plus courtes qu'un système de référence basé sur les champs de radiance neuraux. Ce résultat s'attaque à un compromis fondamental de la navigation robotique : les représentations classiques comme le TSDF garantissent la sécurité géométrique mais sont aveugles sémantiquement, tandis que les méthodes photorréalistes de type Gaussian Splatting offrent une compréhension visuelle riche mais présentent des géométries floues peu fiables pour l'évitement de collision. LiftNav propose de réconcilier les deux sans recourir à des embeddings 3D denses, souvent coûteux en mémoire et en calcul, ce qui constitue l'argument différenciant central. Pour les intégrateurs robotique, c'est une architecture susceptible de réduire la complexité de déploiement de robots de service dans des espaces non structurés. Il convient toutefois de souligner que ces performances sont mesurées exclusivement en simulation, sans aucune validation sur robot physique rapportée dans cette publication. LiftNav s'inscrit dans une dynamique de recherche active autour de la navigation sémantique : des travaux comme ConceptFusion ou LERF intègrent des embeddings de type CLIP dans des NeRF ou des GS, mais au prix d'une empreinte computationnelle élevée. L'approche par lifting TSDF retenue ici est plus légère, au potentiel détriment d'une richesse sémantique fine. Les concurrents directs incluent les pipelines combinant SLAM 3D avec des couches de détection dense comme Mask3D, ainsi que les systèmes NeRF-Nav. La prochaine étape naturelle serait une validation sur plateforme physique pour quantifier le gap sim-to-real, point clé que les auteurs ne mentionnent pas dans cet abstract.

RecherchePaper

1 source

2arXiv cs.RO

Planification de trajectoire sans données de trajectoire : une approche guidée par les variétés

Une équipe de chercheurs propose Ariadne, une méthode de planification de trajectoire qui se passe entièrement de données de trajectoires d'experts. L'approche habituelle consiste à entraîner un modèle génératif sur de grandes collections de trajectoires, puis à lui demander, à l'inférence, de produire un chemin exécutable à partir des contraintes de la tâche (point de départ, objectif). Ariadne apprend à la place la variété (manifold) sous-jacente de l'espace d'états, puis construit les trajectoires en exploitant la géométrie de cette variété. L'entraînement ne requiert que des observations d'états, sans séquences d'actions ni chemins complets. Les expériences portent sur Maze2D et sur des benchmarks de planification de mouvement robotique. Selon les auteurs, Ariadne produit des chemins faisables à partir d'une supervision limitée aux états et généralise à des paires départ-objectif jamais vues. Sur une tâche de planification à deux bras en haute dimension, la méthode reste "compétitive" face à des approches supervisées par trajectoires et à des planificateurs classiques, sans aucune donnée de trajectoire. Le résumé ne donne aucun chiffre précis (taux de réussite, temps de calcul, nombre de DOF). L'enjeu est d'abord économique. Les méthodes génératives par trajectoires dépendent d'une supervision coûteuse : il faut collecter ou synthétiser des démonstrations expertes, ce qui pèse sur le passage à l'échelle. Les auteurs soulignent aussi deux faiblesses connues de ces méthodes : elles se dégradent avec la longueur des séquences et généralisent mal aux contraintes nouvelles, comme un couple départ-objectif absent des données d'entraînement. Si le résultat tient, il réduirait la dépendance à des jeux de démonstrations propriétaires, un goulot d'étranglement pour les intégrateurs qui veulent adapter un planificateur à une nouvelle cellule robotisée. À nuancer : "compétitif" n'est pas "supérieur", et la plupart des évaluations se font en simulation. Maze2D est un banc d'essai de faible dimension, et la tâche à deux bras n'est décrite que de façon qualitative. Les performances en temps de calcul, face à des planificateurs par échantillonnage éprouvés, restent à établir. La robustesse face à des obstacles dynamiques ou à du bruit de perception n'est pas non plus documentée. Ce travail s'inscrit dans un débat plus large sur le coût des données en robotique. D'un côté, les approches par diffusion et les politiques apprises à partir de démonstrations (imitation learning) ont fait progresser la planification et la manipulation. De l'autre, les planificateurs classiques à base d'échantillonnage, de type RRT ou PRM, n'ont besoin d'aucune donnée mais peinent en haute dimension et dans les espaces contraints. Ariadne se place entre les deux : un apprentissage non supervisé de la géométrie de l'espace d'états, suivi d'une planification qui exploite cette structure. Le papier, publié sur arXiv (2610.08863, version 1), n'annonce ni code ni déploiement industriel. Les prochaines étapes à surveiller sont la validation sur robot réel, des comparaisons chiffrées sur des bras à 7 DOF ou plus, et le test sur des scènes encombrées avec des contraintes de collision changeantes.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

3arXiv cs.RO

Téléopération en temps réel sans collision grâce à une planification de trajectoire différentiable par contraintes

Des chercheurs ont publié en juin 2026 sur arXiv (arXiv:2606.08725) une méthode de planification de trajectoire en temps réel pour la téleopération sans collision de bras manipulateurs. Le problème central : en téleopération, l'opérateur ne contrôle que la pose de l'effecteur terminal (position et orientation de l'outil), sans piloter individuellement les articulations. Cela provoque régulièrement des auto-collisions du bras sur lui-même ou des collisions avec les obstacles de l'environnement de travail. L'approche proposée reformule les contraintes d'évitement de collision en les rendant différentiables via la dualité en optimisation convexe, une formulation récente adaptée ici au contexte de la téleopération. Le robot est représenté géométriquement par des capsules (cylindres à extrémités hémisphériques), l'environnement par des polytopes. La méthode a été validée en simulation sur des scénarios à nombre variable d'obstacles, puis testée physiquement sur un bras UR5e de Universal Robots dans une session de téleopération réelle. Les résultats indiquent des temps de calcul inférieurs aux méthodes de référence, tout en autorisant une modélisation géométrique plus fidèle, produisant des trajectoires plus lisses et garantissant l'absence de collision. L'enjeu industriel est direct : les approches existantes contraignent les développeurs à choisir entre précision géométrique et performance de calcul. Approximer robot et obstacles par des sphères simplifie la différentiabilité mais introduit des marges de sécurité artificiellement larges, restreignant l'espace de travail utile. À l'inverse, approximer les dérivées dégrade la convergence du solveur et augmente la latence, incompatible avec les exigences temps réel de la téleopération. En utilisant la dualité convexe, ce travail contourne les deux compromis simultanément. Pour un intégrateur déployant des cellules robotisées téléopérées, cela représente potentiellement moins de zones interdites inutiles et une meilleure réactivité du système. La téleopération connaît un regain d'intérêt important depuis 2023, portée par les besoins en collecte de données pour l'apprentissage par imitation dans les robots humanoïdes et par les applications en environnements dangereux ou médicaux. Les méthodes concurrentes incluent les contrôleurs réactifs basés sur des champs de potentiel, les planificateurs par échantillonnage (RRT, CHOMP) et les approches de contrôle optimal à horizon glissant avec modèles en sphères. L'approche ici, fondée sur la programmation différentiable et les contraintes duales convexes, s'inscrit dans une tendance plus large d'intégration des outils d'optimisation différentiable dans la robotique de manipulation. Le travail est un preprint non encore évalué par les pairs ; les prochaines étapes probables concernent l'extension à des configurations à plus grand nombre de degrés de liberté et à des environnements dynamiques.

UEApplicable aux intégrateurs européens déployant des cellules téléopérées (chirurgie, environnements dangereux), mais aucun acteur FR/EU n'est directement impliqué dans ce preprint.

RecherchePaper

1 source

4arXiv cs.RO

Planification de trajectoire résiliente pour robots spatiaux en vol libre en cas de panne d'actionneur

Un article publié sur arXiv (référence 2609.20407v1, mis en ligne le 18 septembre 2026) présente un cadre de planification de trajectoire destiné aux robots volants libres ("free-flying robots") utilisés dans l'espace, conçu pour rester fonctionnel en cas de panne de propulseur. Ces robots se déplacent grâce à plusieurs thrusters; si un ou plusieurs tombent en panne, l'engin perd son autorité de contrôle, mais sa nature de corps libre en microgravité fait qu'il continue, même sans poussée active, sur une trajectoire localement rectiligne plutôt que de s'arrêter. La méthode proposée modélise les modes de défaillance des actionneurs sous forme de chaîne de Markov et propage, tout au long de l'horizon de planification, la probabilité d'atteindre effectivement l'objectif fixé. Des ensembles atteignables précalculés évaluent la capacité du robot à rallier chaque point de passage sous différents scénarios de panne, et un planificateur basé sur l'algorithme RRT (une variante optimisée du Rapidly-exploring Random Tree) relie ensuite ces points entre eux pour maximiser la probabilité globale de succès. Les auteurs ont validé l'approche expérimentalement sur une plateforme physique de robot volant libre, avec des pannes d'actionneurs injectées artificiellement. Cette approche répond à un problème critique pour l'astronautique robotique: en orbite, aucune réparation immédiate n'est possible, et la perte de contrôle d'un engin peut compromettre une mission de service satellite, de retrait de débris ou d'assemblage en orbite valant plusieurs millions de dollars. L'intérêt de ce travail tient au fait que la résilience est traitée de façon proactive, dès la phase de planification, plutôt que par une simple reconfiguration réactive après la panne, et surtout que la méthode a été testée sur du matériel physique et non seulement en simulation, un point souvent négligé dans ce type de publication académique et qui réduit l'écart entre démonstration en laboratoire et robustesse réelle. Les robots volants libres sont étudiés depuis plusieurs années dans le contexte des stations spatiales, notamment pour des tâches d'inspection ou d'assistance autonome en apesanteur, et l'intérêt croissant pour les missions de maintenance en orbite et de désorbitation de débris accroît la demande pour des systèmes de navigation tolérants aux pannes. Le recours à RRT, un algorithme de planification par échantillonnage largement utilisé en robotique terrestre et aérienne, illustre un transfert de méthodes éprouvées vers le domaine spatial. Il s'agit à ce stade d'une publication de recherche fraîchement annoncée sur arXiv, sans partenaire industriel ni calendrier de déploiement mentionné, et non d'un produit ou d'un pilote commercial.

RecherchePaper

1 source