RecherchearXiv cs.RO 12 octobre 2026

Quand le LiDAR faiblit, le radar prend le relais : localisation adaptative fondée sur la fiabilité du LiDAR en présence d'obscurcisseurs aéroportés

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs proposent un cadre d'apprentissage temporel à classe unique pour détecter la dégradation d'un LiDAR et basculer automatiquement vers un radar lorsque la fumée ou la poussière rendent la localisation par LiDAR peu fiable. Le système repose sur un autoencodeur LSTM entraîné uniquement sur des données de fonctionnement nominal, sans aucune donnée de dégradation étiquetée. Il analyse sur des fenêtres glissantes un large ensemble d'indicateurs: caractéristiques spatiales, intermodales (LiDAR contre radar), géométriques et de mouvement, d'intensité, ainsi que la fraîcheur des mesures. L'écart par rapport au comportement sain produit une estimation de fiabilité du LiDAR. Celle-ci pilote le choix entre l'odométrie LiDAR-inertielle (LIO) et l'odométrie radar-inertielle (RIO): la LIO reste active tant que le capteur est fiable, et l'autorité de localisation passe à la RIO dès qu'une dégradation est détectée. L'évaluation porte sur des données réelles d'un robot terrestre, collectées dans des tunnels souterrains sans GNSS, en conditions nominales puis en fumée dense. Les auteurs annoncent une détection de la dégradation, une commutation adaptative des modalités et une sortie de localisation maintenue sous forte dégradation du LiDAR. Le code doit être publié en open source, mais il ne l'est pas encore. Les résumés disponibles ne donnent aucune erreur de trajectoire chiffrée.

L'enjeu est pratique pour toute robotique opérant en milieu dégradé: mines, tunnels, inspection d'infrastructures, secours après incendie. Le LiDAR est la brique de perception de référence pour la cartographie temps réel, mais la fumée, la poussière et la vapeur le font échouer silencieusement, et la dérive qui en résulte peut compromettre une mission entière. Le radar millimétrique traverse ces obscurants, mais sa résolution est plus faible. D'où l'intérêt d'un arbitrage explicite plutôt que d'une fusion permanente qui traîne les défauts des deux capteurs. L'approche à classe unique répond à une contrainte réelle: les données de dégradation sont rares, coûteuses à étiqueter et difficiles à généraliser d'un site à l'autre. Un résultat notable est que, sur les scénarios de fumée dense évalués, une représentation réduite des caractéristiques améliore la performance par rapport à l'ensemble complet. Les auteurs en tirent un argument de parcimonie pour la détection d'anomalies capteur. Il faut toutefois rester prudent: l'évaluation se limite à un robot et à des tunnels précis, et rien n'indique de test de généralisation à d'autres types d'obscurants ou de plateformes.

Ce travail s'inscrit dans la lignée des programmes de robotique souterraine de type DARPA SubT, qui ont fait de la localisation robuste sous poussière et fumée un problème central, et de l'essor des radars à ondes millimétriques bon marché pour l'odométrie. Les approches concurrentes combinent LiDAR, radar et caméras thermiques par fusion probabiliste, ou détectent la dégradation par des critères géométriques (dégénérescence de scène) plutôt que par un modèle appris du comportement nominal. La suite dépendra de la publication du code et de validations sur d'autres environnements, avec des métriques de dérive comparées aux méthodes de fusion continue, ainsi que d'une mesure de la latence de détection, déterminante pour éviter une dérive avant la bascule.

Impact France/UE

Pas d\'impact direct sur la France/UE

À lire aussi

1arXiv cs.RO

Imitation générative antagoniste à partir d'observations, fondée sur l'expérience et la faisabilité, malgré des morphologies différentes

Des chercheurs proposent EF-GAIfO (Experience-Based Feasibility-Aware Generative Adversarial Imitation from Observation), une méthode d'apprentissage par imitation à partir d'observations, publiée sur arXiv sous la référence 2610.01171. Elle apprend à un robot à partir de trajectoires d'états sans étiquettes d'actions, comme celles que fournissent les interfaces de démonstration sans robot. Son principe est d'estimer la faisabilité de chaque démonstration humaine à partir de l'expérience propre du robot. Elle ne s'appuie ni sur un modèle dynamique explicite, ni sur un grand jeu de données d'exploration préalable. La zone jugée faisable n'est pas figée: elle s'élargit à mesure que la politique progresse et que le robot rencontre des transitions d'état plus variées, ce qui permet d'intégrer peu à peu des démonstrations d'abord écartées. La validation porte sur une tâche de locomotion en simulation et sur un robot quadrupède réel, qui doit atteindre et saisir un objet. Le résumé ne donne ni taux de réussite, ni nombre d'essais, ni modèle de robot, ni comparaison chiffrée avec d'autres méthodes. L'enjeu est un problème que connaissent bien les équipes qui collectent des démonstrations humaines pour entraîner des robots: l'écart d'incarnation. Un humain et un robot n'ont ni la même morphologie ni la même dynamique. Une partie des mouvements démontrés est donc physiquement irréalisable pour la machine, et les imiter à l'aveugle peut dégrader la politique apprise. Les critères de faisabilité employés jusqu'ici sont souvent conçus à la main, ou exigent un modèle de dynamique ou de vastes données d'exploration, ce qui pèse sur le coût de déploiement. Un critère qui évolue avec l'apprentissage pourrait réduire cette ingénierie. Il serait aussi utile pour les approches qui exploitent des vidéos ou des gants de capture, où les actions ne sont pas annotées. Il faut toutefois rester prudent: il s'agit d'un préprint à la première version, non évalué par des pairs. La preuve sur matériel se limite apparemment à une seule tâche sur un quadrupède, loin de la manipulation dextre d'un humanoïde. Rien n'indique que la méthode passe à l'échelle de tâches longues ou de plateformes à nombreux degrés de liberté. Le travail s'inscrit dans la lignée de l'apprentissage antagoniste génératif par imitation (GAIL), décliné en version sans actions (GAIfO), qui entraîne un discriminateur à distinguer les transitions d'états de l'expert de celles de la politique. Sa limite connue est de supposer que toutes les démonstrations sont atteignables. La tendance actuelle, portée par les modèles vision-langage-action (VLA) et par les données de téléopération, laisse ouverte la question de l'exploitation de vidéos humaines pour des robots d'autre forme. Les suites naturelles sont des tests sur davantage de tâches, sur des humanoïdes et face à des méthodes de référence, avec des chiffres publiés. Aucun pilote industriel ni calendrier n'est annoncé à ce stade.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

2arXiv cs.RO

Des a priori linguistiques à l'adaptation sur le terrain : l'apprentissage par préférences pour l'estimation de la traversabilité

Des chercheurs proposent une méthode d'estimation de la traversabilité par images qui réduit fortement le nombre d'annotations nécessaires pour adapter un modèle à un nouveau robot ou à un nouveau terrain. Publié sur arXiv (2610.02974), le travail représente la traversabilité par des prototypes de mélange de von Mises-Fisher, des distributions directionnelles, dans l'espace de caractéristiques figé d'un modèle vision-langage. Des règles relatives en langage naturel (par exemple, un type de surface est préférable à un autre) fournissent un a priori de bon sens. Quelques annotations d'images, elles aussi relatives, ajustent ensuite les directions des prototypes et leurs utilités au domaine cible, par un fine-tuning léger en calcul comme en données. Les tests sont menés sur WayFAST. Les auteurs annoncent une précision comparable à celle d'estimateurs entraînés de bout en bout, sans fournir de chiffres dans le résumé. Ils montrent aussi, de façon qualitative, que l'a priori linguistique fonctionne en zero-shot et que le modèle affiné améliore la prédiction dense sur des cartes sémantiques. Le code et les estimateurs entraînés sont publiés sur resireg.github.io. L'enjeu est très concret pour les intégrateurs et les exploitants de robots mobiles hors site structuré. La traversabilité dépend de la plateforme (roues, chenilles, quadrupède), du terrain et des préférences de mission : un même sol boueux n'a pas la même valeur pour un robot agricole que pour une unité d'inspection. Les modèles entraînés pour un seul cas se transfèrent donc mal, et chaque nouveau déploiement exige un coût d'annotation élevé. S'appuyer sur des comparaisons relatives plutôt que sur des labels absolus abaisse cette barrière, et l'encodage de préférences en langage naturel permet à un opérateur non spécialiste de régler le comportement sans réentraîner un réseau complet. L'interprétabilité apporte un second atout : l'analyse des prototypes appris, rapprochés de prompts sémantiquement proches, rend visible ce que le modèle considère comme franchissable, un point utile pour la validation de sûreté. Il faut toutefois rester prudent : il s'agit d'un résultat de recherche évalué sur un seul jeu de données connu dans le résumé, sans déploiement terrain annoncé. Ce travail s'inscrit dans la tendance qui consiste à réutiliser des modèles de fondation vision-langage figés pour la navigation, afin d'éviter des chaînes d'annotation coûteuses et propres à chaque robot. Il se place face aux estimateurs de traversabilité supervisés de bout en bout, qui restent la référence en précision mais exigent beaucoup de données, et face aux approches auto-supervisées fondées sur l'expérience du robot. Les suites probables sont des validations sur d'autres plateformes et d'autres environnements, ainsi qu'une intégration dans des piles de planification de trajectoire. Aucun calendrier de pilote n'est annoncé.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

3arXiv cs.RO

AdaReP : replanification adaptative face aux erreurs de modèle pour la commande prédictive par modèle du monde neuronal

Des chercheurs présentent AdaReP, une méthode qui modifie la façon dont les systèmes de controle predictif (MPC) bases sur des modèles du monde neuronaux décident de recalculer leur plan d'action. Habituellement, ces systèmes replanifient a chaque pas de temps pour limiter l'accumulation d'erreurs de prédiction, ce qui génère une charge de calcul importante. AdaReP est présente comme un wrapper "sans entrainement" (training-free) qui s'ajoute au-dessus d'un modèle du monde et d'un planificateur déjà appris, sans les modifier. Le système ajuste en continu la tolérance de replanification en fonction de l'écart mesure entre la trajectoire actuelle et le plan mis en cache, et d'une estimation locale de la sensibilité de la dynamique. Les auteurs valident l'approche sur trois types de taches : planification dans l'espace image, contrôle dans l'espace latent, et manipulation robotique réelle. Sur une étude physique de 50 essais avec un bras manipulateur, AdaReP réduit de plus de 80% le nombre de requêtes au planificateur tout en maintenant des performances comparables a une replanification systématique. Le papier, référence arXiv:2606.23079v2, est une version mise a jour d'une publication antérieure. Cette réduction cible un goulot d'étranglement connu des architectures MPC couplées a des modèles du monde neuronaux : chaque appel au planificateur, souvent un réseau lourd, coute cher en temps et en énergie, ce qui limite le déploiement embarque en temps réel sur des robots ou systèmes autonomes. En montrant qu'un plan mis en cache peut être réutilisé la plupart du temps sans dégrader la performance, AdaReP fournit un argument concret contre l'hypothèse selon laquelle replanifier a chaque pas serait nécessaire pour rester robuste aux erreurs de prédiction. Pour les intégrateurs et équipes de recherche, l'intérêt pratique tient au fait que la méthode ne nécessite ni reentrainement du modèle du monde ni modification du planificateur existant, ce qui facilite son adoption sur des piles déjà en production. Le gain mesure sur un robot physique et non uniquement en simulation répond a une critique fréquente du secteur : l'écart entre démonstrations simulées et comportement réel. Le problème s'inscrit dans la lignée des travaux sur le controle predictif base sur l'apprentissage, ou l'essor des modèles du monde neuronaux pour la robotique rend la replanification systématique de plus en plus couteuse a mesure que ces modèles gagnent en taille. Les auteurs formalisent le compromis entre réutilisation de plan et dérivé de prédiction via un cadre de regret dynamique base sur la perturbation, montrant que la pénalité d'un plan périmé dépend de trois facteurs : la tolérance de réutilisation choisie, l'écart de prédiction accumule depuis la dernière replanification, et la sensibilité locale de la dynamique. Le papier ne cite ni implémentation industrielle ni partenaire commercial, et aucun acteur français ou européen n'est mentionne dans cette publication de recherche méthodologique. Les suites évoquées concernent l'extension a d'autres familles de planificateurs et de modèles du monde, la validation restant pour l'instant limitee aux trois bancs d'essai décrits.

RecherchePaper

1 source

4arXiv cs.RO

Apprentissage de représentations de traversabilité conditionnées par le langage pour une navigation visuelle adaptative

Des chercheurs présentent sur arXiv (2610.11622) LaTraNav, un cadre de navigation visuelle qui apprend des représentations de traversabilité conditionnées par le langage. L'architecture est asynchrone: un modèle vision-langage (VLM) lent produit des représentations latentes de la traversabilité et du but de navigation, tandis qu'un planificateur rapide par flow matching, conditionné sur ces représentations, génère les trajectoires directement dans l'espace pixel. L'entraînement repose sur un pipeline de génération de données en simulation, avec trajectoires contrôlables, qui fournit des observations associées à des instructions en langage naturel, des cartes de traversabilité, des positions de but et des trajectoires variées. Une étape de traduction d'image photoréaliste réduit l'écart visuel avec le monde réel. Les évaluations, menées sur des jeux de données de sources multiples, portent sur la segmentation de traversabilité guidée par le langage et la localisation du but (VLM lent), ainsi que sur la planification adaptative de chemin (planificateur rapide). Le résultat chiffré principal est une cadence de mise à jour des trajectoires multipliée par 6,05 à cadence sémantique identique grâce à l'ordonnancement asynchrone. L'intérêt tient à ce que la traversabilité cesse d'être codée en dur. Les chaînes classiques reposent sur des cartes de coûts explicites ou des masques de segmentation avec des critères prédéfinis, qui exigent des règles manuelles et un réglage minutieux pour chaque robot. Ici, la même perception peut s'adapter aux capacités d'une plateforme ou aux préférences d'un opérateur par simple instruction (par exemple éviter l'herbe, accepter un gravier ou franchir un petit obstacle). Pour les intégrateurs, cela réduit le coût de re-paramétrage d'une flotte hétérogène. Le résultat le plus instructif est que le conditionnement latent surpasse l'usage de masques de segmentation explicites, ce qui nuance l'idée que la sortie intermédiaire interprétable est toujours préférable. Les masques dépendent aussi du point de vue et deviennent obsolètes quand la latence de perception augmente, un problème que l'approche asynchrone contourne en laissant le planificateur rapide corriger la trajectoire entre deux mises à jour sémantiques. Ce travail s'inscrit dans la tendance des architectures à deux vitesses, popularisées en manipulation et en humanoïde par des systèmes comme Helix de Figure ou GR00T de NVIDIA, où un module de raisonnement lent guide un contrôleur rapide. Il transpose cette logique à la navigation visuelle, face aux approches VLM directes, trop lentes pour le contrôle réactif, et aux pipelines de cartes de coûts classiques, plus rapides mais rigides. Il faut toutefois rester prudent: l'entraînement est majoritairement simulé, les données d'évaluation sont des jeux de données et non des déploiements sur robot, et le gain de 6,05 fois mesure une fréquence de mise à jour, pas une réussite de mission. Aucun déploiement sur robot réel, plateforme matérielle ni calendrier de transfert industriel n'est annoncé dans le résumé. La validation sur robot physique, en environnement non structuré et sous latence réelle, sera l'étape décisive.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source