ZeST : navigation zero-shot par modèle vision-langage pour évaluer la traversabilité en environnements inconnus

ZeST est une méthode de navigation robotique qui s'appuie sur un modèle vision-langage (VLM) pour estimer, sans entraînement préalable, la traversabilité d'un terrain inconnu. Elle a été décrite dans un preprint arXiv (version 4). Les auteurs partent d'un constat : les jeux de données servant à entraîner les modèles de prédiction de traversabilité exigent d'envoyer des robots dans des environnements potentiellement dangereux, au risque d'endommager le matériel. Leur approche traite les réponses répétées du VLM comme des mesures stochastiques et les fusionne en une distribution a posteriori qui tient compte de l'incertitude. Les essais ont été menés en intérieur contrôlé et en extérieur non structuré. Selon les auteurs, ZeST atteint un taux de réussite de 90 à 100 % en navigation, alors qu'aucune des méthodes de référence ne dépasse 60 %. Le taux reste de 100 % pour des latences de requête allant jusqu'à 3,6 secondes.

L'intérêt tient à la manière dont la méthode contourne la collecte de données en conditions réelles, étape coûteuse et risquée pour la navigation tout-terrain. Elle utilise un modèle généraliste déjà entraîné, ce qui réduit le coût de développement et facilite le passage à l'échelle. La tolérance à la latence est le point le plus utile pour un intégrateur. Les VLM sont lents et rarement embarquables en temps réel, et une requête de plusieurs secondes sans dégradation suggère que ce type de modèle peut servir de couche de perception sémantique, en complément d'un contrôle bas niveau plus rapide. Cette conclusion reste à confirmer sur des plateformes variées.

Il faut toutefois lire ces chiffres avec prudence. Le résumé ne précise ni la taille des essais, ni le nombre de scénarios, ni la nature des méthodes de référence, ni le robot ou le VLM utilisés. Un écart de 90-100 % contre moins de 60 % dépend beaucoup de la définition de la réussite et du choix des baselines. Le résultat vient d'un travail académique, sans déploiement industriel ni produit annoncé. Il s'inscrit dans un mouvement plus large qui applique les modèles de fondation à la navigation, en remplaçant les pipelines de traversabilité appris sur des données propres à chaque site. Les prochaines étapes à surveiller sont la reproduction des résultats par d'autres laboratoires, des tests sur des terrains plus variés et la possibilité de faire tourner le VLM sur le robot, sans calcul déporté.