RecherchearXiv cs.RO 16 octobre 2026

Planification de mission adaptative guidée par la clarté pour un navire de surface autonome à énergie solaire

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs proposent une méthode de planification de mission adaptative pour un navire autonome de surface (ASV) propulsé à l'énergie solaire, validée en simulation puis en conditions réelles sur le lac Jordan, en Caroline du Nord. Le travail, publié sur arXiv (2610.20871), repose sur la maximisation de la « clarté », une grandeur mathématique reliée de façon rigoureuse à l'entropie différentielle, donc à la quantité d'information acquise. Concrètement, le système construit une carte de clarté cible qu'il met à jour en continu à partir de mesures in situ, tandis qu'un planificateur de trajectoire ergodique recalcule en permanence le parcours en tenant compte des limites de vitesse du bateau, imposées par la ressource solaire. Aucun chiffre de performance, de vitesse, d'autonomie ou de surface couverte n'est fourni dans le résumé disponible, et les essais semblent limités à un seul site et à un seul véhicule.

L'intérêt tient à un verrou classique de la robotique de terrain : les zones scientifiquement intéressantes (pic de pollution, prolifération d'algues, anomalie de température) ne sont pas connues à l'avance et se révèlent pendant la mission. Un plan figé est donc inefficace, alors que la recherche ergodique, qui répartit le temps passé dans chaque zone proportionnellement à son intérêt, permet de concentrer l'effort sans abandonner l'exploration. Le fait d'intégrer la contrainte énergétique directement dans la planification, plutôt que de la traiter à part, est la contribution la plus utile pour les opérateurs de flottes d'ASV à énergie renouvelable, qui visent des missions de longue durée sans ravitaillement. Reste à vérifier la robustesse face au vent, aux courants, à la couverture nuageuse et à des environnements plus vastes que ce lac intérieur, ainsi que l'écart avec des méthodes de référence, que le résumé ne chiffre pas.

Ce travail s'inscrit dans la lignée des recherches sur l'échantillonnage adaptatif et la surveillance environnementale par robots autonomes, où l'on a longtemps combiné des trajectoires prédéfinies de type « tondeuse » et des approches bayésiennes ou fondées sur des processus gaussiens. La notion de clarté, qui offre un cadre mathématique pour piloter la collecte d'information, prolonge les méthodes de recherche ergodique développées pour l'exploration robotique. Il s'agit d'une publication académique, sans produit commercial ni calendrier de déploiement annoncé. Les prochaines étapes naturelles seraient des essais de plus longue durée, des environnements plus dynamiques, voire des flottes coordonnées, ce qui rapprocherait la méthode des usages en océanographie, en suivi de la qualité de l'eau et en inspection d'infrastructures.

Impact France/UE

Pas d\'impact direct sur la France/UE

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

Planification de fenêtre d'atterrissage informée par la prédiction pour un drone sur navire autonome en mer forte

Des chercheurs proposent un cadre de contrôle hiérarchique pour l'atterrissage autonome d'un drone (UAV) sur un navire de surface autonome (USV) par forte mer, publié sur arXiv en octobre 2026. Les méthodes hiérarchiques existantes déduisent le mouvement futur du navire de façon seulement implicite, à partir d'un court historique d'observations. Ici, un modèle pré-entraîné prédit explicitement l'attitude du USV (roulis, tangage) au moment des décisions de haut niveau. Cette prédiction sert à repérer des fenêtres d'atterrissage favorables et à choisir l'instant précis du toucher. Un contrôleur de vol conventionnel, au niveau bas, assure la stabilité du drone et suit les commandes de mouvement. La validation repose sur un montage « real-sim ». Des données de mouvement collectées sur un USV en conditions maritimes réelles sont rejouées dans un modèle de USV sous MuJoCo, ce qui soumet le planificateur à des perturbations réalistes. Le résumé ne donne aucun chiffre : ni taux de réussite, ni horizon de prédiction, ni erreur d'attitude, ni comparaison quantifiée avec une méthode de référence. Les auteurs parlent seulement de « faisabilité ». L'intérêt tient à la séparation des tâches. Prévoir quand le pont sera assez stable plutôt que réagir à ce qu'il fait déjà est une idée simple, et elle répond à une limite connue des approches de bout en bout ou à historique court, qui s'adaptent mal quand la mer change vite. Pour les opérateurs de drones embarqués (surveillance maritime, inspection offshore, logistique navire à navire), l'atterrissage reste l'un des moments les plus risqués, et les limites d'état de mer fixent souvent la disponibilité réelle du système. Un planificateur qui choisit son moment peut élargir cette plage d'emploi. Le choix de garder un contrôleur de vol classique en bas évite aussi de réentraîner toute la pile de contrôle, ce qui facilite l'intégration sur des plateformes existantes. Il faut toutefois rester prudent. La validation se fait en simulation alimentée par des données réelles, sans essai en vol sur un navire en mouvement. Or l'écart entre simulation et réalité (effets aérodynamiques du sillage, turbulence au-dessus du pont, retard de capteurs) est justement ce qui fait échouer les atterrissages en mer. Cette étude ne dit pas encore que le problème est résolu. Le travail s'inscrit dans une littérature active sur l'atterrissage de drones sur plateformes mobiles. Elle va des marqueurs visuels et du suivi par commande prédictive (MPC) à l'apprentissage par renforcement, qui a surtout été testé sur des plateformes à mouvement modéré. Les fortes mers restent le cas le plus dur, car le mouvement du pont est rapide, couplé et peu prévisible. La suite logique serait de comparer la méthode à des références chiffrées, de tester la robustesse du modèle de prédiction face à des états de mer inédits, puis de passer à des essais en vol sur un navire réel. L'article n'annonce ni calendrier, ni partenaire industriel, ni pilote.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

2arXiv cs.RO

KGLAMP : un modèle de langage guidé par graphe de connaissances pour la planification multi-robot adaptative

Des chercheurs ont publié KGLAMP (Knowledge Graph-guided Language Model for Adaptive Multi-robot Planning and Replanning), un framework de planification combinant graphes de connaissances et grands modèles de langage pour coordonner des équipes de robots hétérogènes sur des missions longues. La contribution centrale est une architecture en deux couches : un graphe de connaissances structuré encode en temps réel les relations entre objets, la portée spatiale de chaque robot et leurs capacités spécifiques, tandis qu'un LLM s'appuie sur ce graphe pour générer automatiquement des spécifications PDDL (Planning Domain Definition Language) correctes. Quand l'environnement évolue, un obstacle déplacé, un robot en panne, le graphe détecte l'incohérence et déclenche un replanification automatique. Sur le benchmark MAT-THOR (un environnement simulé de type habitat domestique conçu pour tester la coordination multi-agents), KGLAMP surpasse de 25,3 % au minimum les deux approches de référence : planificateurs PDDL classiques seuls et LLM seuls. Ce résultat est significatif parce qu'il attaque un problème structurel bien documenté dans la littérature : les planificateurs symboliques PDDL exigent des modèles du monde construits manuellement, coûteux à maintenir dans des environnements dynamiques, tandis que les LLM utilisés seuls tendent à ignorer l'hétérogénéité des agents et à produire des plans invalides face à l'incertitude. KGLAMP propose une mémoire persistante et mise à jour dynamiquement qui sert d'interface entre perception et raisonnement symbolique. Pour un intégrateur déployant des flottes mixtes (AMR, bras manipulateurs, drones), la promesse d'un replanning automatique sans re-modélisation manuelle représente un gain opérationnel concret, notamment dans les entrepôts à géométrie variable ou la logistique hospitalière. L'article s'inscrit dans la tendance des approches dites "neuro-symboliques" qui tentent de corriger les faiblesses des LLM par des représentations explicites du monde. Les travaux concurrents incluent SayPlan (Rana et al., 2023) et les variantes LLM+PDDL de Meta AI, Google DeepMind ou CMU. Il reste à noter que les expériences sont conduites exclusivement en simulation sur MAT-THOR : aucune validation physique n'est rapportée, ce qui laisse ouverte la question du sim-to-real gap pour des flottes réelles. La prochaine étape naturelle serait un déploiement sur des plateformes matérielles hétérogènes pour mesurer la robustesse du graphe de connaissances face au bruit sensoriel du monde réel.

RecherchePaper

1 source

3arXiv cs.RO

Optimisation générative guidée par un modèle et sensible à la géométrie pour la planification de locomotion sous contraintes

Des chercheurs publient sur arXiv (2610.07772) une méthode baptisée 2GO, pour Model-Based Geometry-Aware Generative Optimization, destinée à la planification de locomotion sous contraintes (Constrained Locomotion Planning, CLP) de quadrupèdes et d'humanoïdes. Le robot doit y respecter en même temps l'évitement de collisions, la cohérence des contacts, la faisabilité cinématique et les contraintes de support. 2GO s'appuie sur les approches Model-Based Diffusion (MBD), qui traitent l'optimisation de trajectoire comme un échantillonnage a posteriori. Ces approches utilisent la dynamique connue et des rollouts Monte Carlo pour estimer analytiquement la fonction de score de débruitage, sans apprentissage à partir de démonstrations. Trois mécanismes transforment la géométrie des contraintes actives en opérateurs de débruitage exécutables : une métrique modelée par les normales aux contraintes, un filtrage stochastique dans l'espace tangent et une rétraction fondée sur CFS. 2GO découple aussi le transport génératif de la stochasticité inverse grâce à un calendrier adaptatif qui mêle diffusion et dynamique de type flow. Les essais portent sur la sélection discrète de points d'appui et sur la planification continue de posture. Les auteurs annoncent de meilleurs taux de succès, moins de violations de contraintes et une meilleure compatibilité à l'exécution. L'intérêt est surtout méthodologique. La planification de locomotion sous contraintes reste un point dur des quadrupèdes et des humanoïdes, car la dynamique est de grande dimension et les environnements sont très non convexes (escaliers, terrains discontinus, appuis rares). 2GO suit une voie différente des politiques apprises par imitation ou par apprentissage par renforcement : elle réutilise le modèle physique et se passe de données de démonstration, ce qui retire un coût de collecte. L'idée centrale est que la géométrie des contraintes actives doit orienter la direction du score et le bruit injecté, au lieu d'être traitée comme une simple pénalité. Pour un intégrateur, la promesse est une planification plus fiable aux contacts, où se concentrent les échecs sur terrain réel. Il faut toutefois rester prudent. Le résumé ne donne aucun chiffre : ni taux de succès, ni temps de calcul, ni comparaison chiffrée, ni plateforme matérielle. Rien n'indique non plus si les essais ont eu lieu uniquement en simulation, et la question du temps réel, décisive pour un déploiement embarqué, n'est pas abordée. Il s'agit d'un preprint non évalué par les pairs, sans produit ni déploiement associé. Le travail prolonge les variantes contraintes de MBD, qui intégraient déjà la faisabilité dans les rollouts de score. Les auteurs leur reprochent l'absence de géométrie de contrainte modulée par la tâche et l'usage d'un transport inverse déterministe de type DDPM, sans ordonnancement adaptatif. Il se place face aux approches de diffusion apprise et aux politiques VLA, qui visent plutôt la manipulation et le comportement de haut niveau. Les prochaines étapes à surveiller sont la publication du code, des benchmarks chiffrés et une validation sur robot physique.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

4arXiv cs.RO

Mouvement basé sur la diffusion, guidé par un modèle : optimisation sous contraintes et planification adaptative

Le laboratoire de recherche à l'origine du papier arXiv:2607.14455 (publié le 17 juillet 2026, catégorie "new") présente MD-COAS, une méthode de planification de trajectoire pour robot unique dans des environnements fortement non convexes et contraints. Le système s'appuie sur le Model-Based Diffusion (MBD), une approche récente qui traite la planification comme un tirage d'échantillons dans une distribution a posteriori sur des trajectoires, en utilisant la dynamique connue du robot pour estimer analytiquement la fonction de score à partir de rollouts, sans apprentissage par démonstration. MD-COAS combine deux mécanismes jusqu'ici traités séparément dans la littérature : une méthode de Lagrangien augmenté inexact (iALM), qui agit comme un prior de diffusion "souple" pour la sécurité, et un opérateur de projection "dur" basé sur un ensemble convexe faisable (CFS). L'algorithme ordonnance et co-optimise ces deux mécanismes de façon adaptative, en les couplant à la planification du bruit de diffusion lui-même. Les auteurs le valident sur des benchmarks 2D générés aléatoirement à forte non-convexité et sur une tâche d'évitement d'obstacles pour un bras robotique à 7 degrés de liberté. Pour l'industrie robotique, ce travail s'attaque à un problème concret : garantir des trajectoires sans collision, dynamiquement faisables et respectant des contraintes de tâche, tout en restant calculable en temps raisonnable. Les approches purement "souples" (contraintes ajoutées au coût) échouent parfois à garantir la sécurité, tandis que les projections "dures" peuvent bloquer la convergence ou dégrader la qualité de trajectoire. Unifier les deux, avec un ordonnancement qui s'adapte au fil du débruitage, vise justement ce compromis, pertinent pour les intégrateurs de bras industriels ou de robots mobiles évoluant en environnement encombré. Les auteurs rapportent des taux de sécurité et de succès supérieurs, une convergence plus rapide et des coûts finaux plus bas que les planificateurs de référence, mais ces gains restent mesurés sur des benchmarks contrôlés, pas en conditions industrielles réelles. Le papier s'inscrit dans la lignée des travaux sur le Model-Based Diffusion appliqué à la planification de mouvement sous contraintes, un axe de recherche encore jeune qui rivalise avec les méthodes classiques d'optimisation de trajectoire (MPC, RRT*, CHOMP) et les planificateurs par diffusion appris par démonstration. Les auteurs positionnent MD-COAS comme une réponse aux limites des variantes MBD contraintes précédentes, sans toutefois annoncer de déploiement matériel ni de calendrier de transfert vers un robot physique au-delà du bras 7-DDL testé en simulation ou banc d'essai.

RecherchePaper

1 source