RecherchearXiv cs.RO 19 octobre 2026

FLoTS-SLAM : une incertitude dérivée du flux optique pour le SLAM monoculaire dynamique avec optimisation en deux étapes

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

FLoTS-SLAM, un système de SLAM (cartographie et localisation simultanées) monoculaire RGB conçu pour les scènes dynamiques, est décrit dans un preprint arXiv (2610.23496). Son idée centrale est de calculer une incertitude de mouvement à partir du résidu entre le flux optique mesuré et le flux induit par le seul mouvement de la caméra. Ce résidu reflète directement le déplacement des objets, et l'estimation varie avec la qualité de l'alignement entre images, ce qui limite les fausses détections et produit des masques de régions dynamiques au niveau du pixel. L'optimisation se fait en deux étapes. Les poses de caméra sont d'abord estimées à partir des seuls pixels à haute confiance. Elles servent ensuite à reprojeter les pixels dynamiques pendant le raffinement conjoint des poses et de la profondeur, afin de réduire l'effet du mouvement des objets sur les deux. Les auteurs annoncent +35 % d'IoU moyen des masques dynamiques sur DAVIS face à une méthode de référence de l'état de l'art. Ils annoncent aussi une baisse de l'erreur de trajectoire absolue (ATE) moyenne de 59 % sur Bonn et de 19 % sur TUM, par rapport au SLAM de base sur lequel le système repose. Le code sera publié, mais il ne l'est pas encore.

L'intérêt tient à deux limites des approches récentes. Celles-ci estiment l'incertitude par pixel à partir des résidus de rendu ou de l'incohérence de caractéristiques entre vues. Elles n'ont donc aucune preuve directe du mouvement, et leur précision se dégrade quand la reconstruction est imparfaite ou que les caractéristiques sont ambiguës. De plus, l'incertitude y sert seulement à pondérer à la baisse les pixels dans l'ajustement de faisceaux (BA). Une estimation erronée continue alors de fausser la pose et la reconstruction. Séparer l'estimation de pose, fondée sur des pixels fiables, du traitement des pixels dynamiques répond à ce second défaut. Pour la robotique mobile, le gain potentiel concerne les entrepôts, les chantiers et les espaces partagés avec des humains, où une caméra unique à bas coût doit localiser le robot malgré des opérateurs et des chariots en mouvement. Les auteurs fournissent aussi une évaluation quantitative des masques dynamiques et de leur effet sur le suivi et la reconstruction des objets mobiles, ce qui est rare dans ce domaine.

Il faut toutefois rester prudent. Il s'agit d'un travail académique, sans déploiement ni test sur robot réel. Les gains d'ATE sont mesurés sur des jeux de données publics connus (Bonn, TUM, DAVIS), et le comparatif sur DAVIS porte sur la qualité des masques, pas sur la localisation. La valeur absolue des erreurs et la latence ne sont pas précisées dans le résumé, alors que le temps réel conditionne tout usage industriel. Le SLAM dynamique reste un domaine actif, avec des méthodes fondées sur la segmentation sémantique, les résidus de rendu ou les représentations neuronales et gaussiennes. La validation indépendante dépendra donc de la publication du code annoncé.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

OGPO : optimisation de politique générative en une étape pour le contrôle de robots en temps réel

Des chercheurs publient OGPO (One-Step Generative Policy Optimization), un cadre d'apprentissage pour le contrôle robotique en temps réel, dont la version 2 vient d'être diffusée sur arXiv (2601.20701). Il vise un problème précis : les politiques de contrôle fondées sur la diffusion ou le flow matching génèrent les actions en plusieurs étapes d'échantillonnage, ce qui limite leur usage dès que la latence compte. Réduire ce nombre d'étapes à un seul dégrade d'ordinaire la qualité de représentation et la performance sur la tâche. Les auteurs décrivent un compromis à trois pôles entre vitesse, fidélité et performance. OGPO associe une architecture légère au principe d'« interval velocity » pour une inférence en une étape sans distillation, tandis qu'une technique de « représentation spreading » évite la dégradation des représentations. Une phase d'apprentissage par renforcement (RL) on-policy affine ensuite cette politique rapide et stable. Sur les benchmarks RoboMimic et OpenAI Gym, la méthode égale ou dépasse des références multi-étapes, avec une inférence 5 à 20 fois plus rapide et une fréquence de contrôle supérieure à 120 Hz. Un déploiement physique sur un bras Franka Emika Panda est présenté comme validation. L'intérêt tient à la place des politiques génératives dans la robotique actuelle. Diffusion et flow matching sont devenus des choix courants pour représenter des comportements multimodaux, y compris dans plusieurs architectures VLA (vision-langage-action). Leur coût d'inférence impose pourtant des compromis : fréquences de contrôle basses, découpage des actions en blocs (chunking), ou matériel de calcul embarqué plus lourd. Une politique à plus de 120 Hz sans distillation, si les résultats tiennent, rapprocherait ces méthodes des boucles de contrôle réactives, utiles pour la manipulation fine ou le contact. L'ajout du RL on-policy répond à une limite connue de l'apprentissage par imitation, dont la performance reste bornée par la qualité des démonstrations. Les réserves sont claires : RoboMimic et Gym sont des benchmarks académiques, la validation réelle se limite à un seul bras et le résumé ne détaille ni les tâches physiques, ni le taux de réussite, ni le matériel de calcul. Le gain de 5 à 20 fois dépend des références choisies. Ce travail s'inscrit dans une course à l'accélération des politiques génératives. Diffusion Policy a imposé le paradigme, les approches de flow matching comme Pi-0 l'ont repris à plus grande échelle, et plusieurs équipes explorent la distillation en peu d'étapes ou le fine-tuning par RL de ces politiques. OGPO prend une voie sans distillation, en combinant vitesse et amélioration par renforcement. Il s'agit ici d'une publication de recherche, sans produit ni déploiement industriel annoncé. La suite dépendra des preuves sur des tâches plus variées, sur des robots différents et, surtout, de son intégration dans de grands modèles VLA. Une page de projet accompagne l'article.

RecherchePaper

1 source

2arXiv cs.RO

T2-z : optimisation à l'inférence des latents d'environnement pour les modèles du monde en robotique

T2-Z est une méthode de recherche, décrite dans un article arXiv (2610.22364v1), qui ajoute à un modèle du monde robotique un « latent d'environnement » apprenable. Ce vecteur compact conditionne les prédictions du modèle et capte des facteurs que la caméra ne voit pas et que personne n'a spécifiés : friction, masse, mais aussi règles définies par l'humain. L'entraînement alterne deux étapes. Dans la première, les latents sont fixés et le modèle apprend une dynamique générale conditionnée par l'action, sur plusieurs environnements. Dans la seconde, le modèle est gelé et seuls les latents sont optimisés. La structure du latent émerge ainsi de la seule prédiction du monde, sans supervision sur la nature ou la valeur des facteurs. Au test, le modèle reste gelé. Un latent initialisé à neuf est optimisé à partir d'une ou plusieurs interactions, ce qui adapte le modèle à une configuration inédite. Sur 7 environnements simulés et 4 tâches robotiques réelles, les auteurs annoncent une baisse de l'erreur de prédiction des objets de 15,20 à 7,00 et une hausse du taux de réussite des actions de 33,73 % à 72,96 %. Pour les intégrateurs et les équipes qui déploient des robots de manipulation, l'enjeu est l'écart entre la démonstration et la réalité. Un modèle entraîné dans un cadre donné se dégrade dès qu'un objet est plus lourd, qu'un sol est plus glissant ou qu'une règle de tâche change. Ici, l'adaptation ne demande ni réentraînement, ni étiquetage des propriétés physiques, ni identification manuelle des paramètres. Elle repose sur de l'optimisation à l'inférence, et les ablations indiquent qu'une seule trajectoire d'interaction peut suffire. C'est un argument en faveur de modèles du monde qui s'ajustent en quelques essais sur site. Les réserves habituelles s'appliquent. Les gains sont des moyennes sur un benchmark choisi par les auteurs, et le résumé ne donne ni plateforme robotique, ni nature des tâches réelles, ni coût de calcul de l'optimisation au test. Le taux de 72,96 % reste aussi loin d'un seuil industriel. L'approche s'inscrit dans une lignée connue : randomisation de domaine, identification de système, méta-apprentissage et modèles du monde conditionnés par des variables latentes, comme les travaux de type Dreamer ou les modèles vidéo-action. Elle prolonge les politiques généralistes de type VLA (vision-langage-action), qui ont du mal à tenir compte de propriétés non observables. Les auteurs rapportent que les latents appris organisent des facteurs individuels et combinés à travers des scènes visuelles variées, ce qui laisse entrevoir une certaine interprétabilité. Aucun pilote ni calendrier de transfert vers un produit n'est annoncé, et l'article est une préimpression, sans évaluation par les pairs. Les prochaines étapes à surveiller sont la publication du code, les tests sur des plateformes variées et la combinaison avec des politiques VLA ou de la planification par modèle prédictif.

RecherchePaper

1 source

3arXiv cs.RO

SimTO : un cadre d'optimisation topologique en deux étapes, piloté par simulation, pour pinces robotiques souples sur mesure

Des chercheurs présentent SimTO, un cadre en deux étapes pour concevoir automatiquement des grippers souples sur-mesure, publié sur arXiv (2601.19098v2). Les grippers souples existants peinent à manipuler des objets à haute variabilité topologique: engrenages dentés sur lignes d'assemblage automobile, coraux aux excroissances fragiles, brocolis aux ramifications irrégulières. Face à ces géométries sans surface de contact "optimale" évidente, les designs généralistes risquent d'endommager la pièce ou d'échouer la prise. SimTO répond en deux phases: une simulation dynamique riche en contacts extrait automatiquement les cas de charge réalistes générés lors de la préhension, sans spécification manuelle; ces cas alimentent ensuite un algorithme d'optimisation topologique classique qui génère la morphologie finale du gripper. Les expériences physiques confirment que les grippers SimTO atteignent des forces de préhension supérieures aux designs généralistes conventionnels, avec un taux de succès élevé sur des positions variées et une bonne généralisation à des objets non vus durant l'entraînement. L'enjeu industriel réside dans l'automatisation d'un goulot de conception: adapter un gripper à une pièce complexe requiert aujourd'hui une expertise manuelle pour définir les forces de contact, un travail itératif et coûteux. SimTO supprime cette étape en déléguant la caractérisation des charges à la simulation. Pour un intégrateur en automobile ou en agroalimentaire, c'est une piste vers des outillages personnalisés sans expertise spécialisée à chaque nouveau composant. La généralisation aux objets non vus suggère que les grippers produits capturent des propriétés morphologiques larges plutôt que de sur-apprendre une géométrie précise. Nuance importante: les résultats sont entièrement en laboratoire; aucun déploiement industriel ni partenaire industriel ne sont mentionnés dans l'article. L'optimisation topologique est une méthode mature en ingénierie structurelle, qui génère des géométries minimisant la masse sous contraintes de rigidité. Son adaptation aux grippers souples était freinée par l'indétermination des forces de contact, par nature distribuées et dépendantes de la posture de la pièce. Ce travail s'inscrit dans la tendance sim-to-real qui traverse la robotique de manipulation: caractériser le problème physique en simulation avant de concevoir ou d'entraîner. Dans le paysage concurrentiel, les approches rivales incluent les méthodes d'apprentissage par renforcement pour le contrôle adaptatif, les grippers généralistes à morphologie universelle, et les travaux de co-design simulation-fabrication portés par des groupes comme le MIT CSAIL ou l'EPFL. Les prochaines étapes naturelles, non annoncées dans le preprint, seraient une validation sur lignes pilotes industrielles et une intégration dans un pipeline de fabrication additive.

RecherchePaper

1 source

4arXiv cs.RO

DIDO : distiller la dynamique centrée sur l'interaction en débruitage à une étape pour les modèles d'action du monde

Une équipe de recherche publie DIDO (arXiv 2609.15570, septembre 2026), une méthode de distillation pour les World Action Models (WAM), ces systèmes qui utilisent des modèles de génération vidéo pour prédire la dynamique visuelle future et piloter la manipulation robotique. Le problème de départ est la latence : le débruitage itératif de ces modèles vidéo est incompatible avec un contrôle en boucle fermée. Les auteurs montrent empiriquement que le contenu visuel converge à des vitesses différentes durant le débruitage : le fond statique de la scène se forme dès les premières étapes, tandis que la pince du robot et l'objet manipulé restent flous, leur dynamique d'interaction n'émergeant que lors des étapes suivantes. Tronquer naïvement un modèle multi-étapes à une seule étape préserve donc la structure de la scène mais perd l'information d'interaction, la plus critique pour la manipulation. DIDO combine une distillation par appariement de distribution avec un guidage centré sur l'interaction : des tokens de raisonnement visuel supervisés par boîtes englobantes modélisent la pince, l'objet et leur interaction, et les représentations de l'objet cible sont alignées, sur plusieurs couches, avec les caractéristiques d'un encodeur DINOv3 préentraîné. Résultat : 99,0% de réussite sur LIBERO, 76,6% sur LIBERO-Plus et 92,0% sur RoboTwin, en une seule étape de débruitage. Pour les intégrateurs et chercheurs en robotique, l'enjeu est concret : les modèles vidéo-génératifs produisent des prédictions visuelles de qualité, mais leur coût de calcul itératif les rend souvent inadaptés au temps réel. En ramenant le débruitage à une seule étape sans sacrifier la dynamique gripper-objet, DIDO s'attaque à un des obstacles qui séparent les démonstrations de manipulation en simulation d'un déploiement réactif. Le travail met aussi en garde contre la distillation naïve des WAM : réduire le nombre d'étapes sans traitement spécifique dégrade précisément l'information la plus utile à la tâche. DIDO s'inscrit dans la lignée des World Action Models, qui détournent des générateurs vidéo pour servir de moteur de prédiction à des politiques de manipulation, en s'appuyant sur des encodeurs visuels auto-supervisés comme DINOv3 de Meta, utilisé ici comme signal d'enseignement. Les résultats restent validés sur des benchmarks de simulation standards du secteur (LIBERO, LIBERO-Plus, RoboTwin), complétés par des essais réels sur des tâches longues et des scénarios de généralisation. Aucun partenariat industriel ni date de disponibilité n'est mentionné : il s'agit à ce stade d'une publication de recherche, pas d'un produit livré.

RecherchePaper

1 source