CLOSER : vérification visuelle active fondée sur les preuves pour la navigation par objectif d'IA incarnée

CLOSER, un cadre logiciel décrit dans un preprint arXiv (2610.28476), s'attaque à un point faible de la navigation robotique par objet-cible (ObjectNav): décider quand s'arrêter. Dans cette tâche, un agent incarné doit trouver une instance d'une catégorie donnée dans un environnement inconnu et s'arrêter à proximité. Il s'appuie sur un détecteur d'objets, mais doit juger en ligne, à partir d'un flux vidéo égocentrique limité (parfois une seule image), si le candidat détecté est bien la cible. Les détecteurs confondent souvent avec assurance des objets proches, comme un canapé pris pour un lit, et un arrêt sur un faux positif fait échouer l'épisode. CLOSER affine un modèle vision-langage (VLM) open source pour classer chaque vue d'un candidat suivi dans le temps en cible, non-cible ou incertain. Une porte de diversité fondée sur des embeddings sélectionne des vues complémentaires, et un réseau léger fusionne leurs probabilités. Si le verdict reste incertain, une politique de diffusion rapproche l'agent du candidat en n'utilisant que le masque suivi et la profondeur, jusqu'à ce que la décision soit nette. Sur Gibson et Habitat-Matterport 3D, le taux de succès moyen progresse de 3,6 points et le SPL (succès pondéré par la longueur du chemin) de 2,0 points.

L'intérêt tient à la méthode plus qu'à l'ampleur du gain. Les systèmes actuels approchent le candidat de façon gloutonne, souvent sous un angle occulté ou partiel, puis s'arrêtent. CLOSER traite l'arrêt comme une acquisition d'indices en boucle fermée, en couplant vérification par VLM et perception active. Le module s'exécute en local et se greffe sur des systèmes ObjectNav existants sans les réentraîner, ce qui réduit le coût d'intégration pour les équipes qui disposent déjà d'une pile de navigation. Ces résultats suggèrent que, pour la navigation sémantique, une part des échecs vient de la décision d'arrêt plus que de l'exploration. Les réserves sont claires: les chiffres proviennent de benchmarks en simulation, sans validation annoncée sur robot réel, et un gain de 3,6 points reste modeste. Le surcoût en temps de calcul et en trajet induit par la vérification active n'est pas détaillé dans le résumé.

Ce travail s'inscrit dans la lignée de l'ObjectNav sur Gibson et HM3D, où les approches modulaires à détecteur open-vocabulary et cartes sémantiques coexistent avec des méthodes de bout en bout et des VLM de plus en plus utilisés pour la décision. CLOSER se positionne comme une couche de vérification complémentaire, non comme un nouveau navigateur complet. Les suites logiques seraient des tests sur plateforme physique, des environnements plus encombrés et une mesure du compromis entre précision de l'arrêt et longueur du trajet. Le preprint n'annonce ni code, ni pilote industriel, ni calendrier de déploiement.