Aller au contenu principal
RecherchearXiv cs.RO 

Navigation et exploration actives et sûres par proprioception pour les environnements planétaires

1 source couvre ce sujet·Source originale ↗·
Résumé IASource uniqueImpact UE

Des chercheurs proposent PSANE (Proprioceptive Safe Active Navigation and Exploration), un cadre de navigation et d'exploration pour robots à pattes évoluant sur des terrains granulaires déformables inconnus, typiques des environnements planétaires. Le système repose uniquement sur la proprioception, c'est-à-dire les mesures d'interaction entre les pattes et le sol pendant la locomotion, sans recours à la vision. Une régression par processus gaussien apprend un modèle de traversabilité qui estime et certifie les zones sûres, et identifie en ligne les frontières d'exploration. Ces estimations alimentent un contrôleur réactif de navigation en temps réel. Le choix des sous-objectifs est formulé comme une optimisation multi-objectif, qui arbitre entre la probabilité d'étendre la zone sûre et le coût vers le but. Il s'opère par scalarisation sur l'ensemble de Pareto des frontières. Selon les auteurs, PSANE explore sans incident un terrain granulaire inconnu, atteint les buts fixés et surpasse les méthodes de référence. Le résumé ne donne aucun chiffre sur le robot utilisé, les distances parcourues ni l'ampleur du gain. Il ne précise pas non plus si les essais ont eu lieu en simulation ou sur matériel réel. Il s'agit d'un travail académique, publié en préprint sur arXiv (version 2), sans déploiement ni produit associé.

L'enjeu touche un angle mort de la robotique mobile d'exploration. Les sols meubles comme le sable fin ou le régolithe sont difficiles à évaluer à distance : deux surfaces visuellement identiques peuvent offrir une portance très différente, et un robot enlisé est souvent une mission perdue. Les méthodes de traversabilité fondées sur la vision et la géométrie y sont donc peu fiables. Exploiter les forces et les glissements ressentis par les pattes revient à mesurer directement ce qui compte, mais l'intégration de ces mesures dans la planification restait peu explorée. L'apport de PSANE est de relier l'estimation de traversabilité à une exploration active avec garantie de sécurité, via une zone sûre « certifiée » plutôt qu'une simple heuristique. Pour les intégrateurs, la portée dépasse l'espace : mines, chantiers, plages ou zones sinistrées posent des problèmes comparables aux quadrupèdes industriels. Reste à vérifier la robustesse hors laboratoire, le coût de calcul des processus gaussiens à grande échelle et la validité des garanties lorsque le sol change de nature.

Ce travail s'inscrit dans la montée en puissance des robots à pattes pour l'exploration planétaire, où des agences et laboratoires étudient la locomotion sur régolithe lunaire et martien comme alternative aux roues, vulnérables à l'enlisement. La navigation sûre sous incertitude, avec des modèles probabilistes et des ensembles sûrs, est un thème actif, plus souvent traité par la perception extéroceptive. PSANE se positionne face à ces approches en privilégiant le toucher plutôt que la vue. Aucune suite n'est annoncée dans le résumé. Les prochaines étapes logiques seraient une validation sur robot réel en terrain granulaire hétérogène, puis une fusion avec la vision pour combiner anticipation à distance et certification par contact.

Impact France/UE

Pas d\'impact direct sur la France/UE

Dans nos dossiers

À lire aussi

Risque et incertitude : une planification cinodynamique pour une navigation sûre en environnement planétaire
1arXiv cs.RO 

Risque et incertitude : une planification cinodynamique pour une navigation sûre en environnement planétaire

Une équipe de robotique publie sur arXiv, en août 2026 (référence 2608.11175, nouvelle soumission), une méthode de planification de trajectoire cinodynamique consciente du risque pour les robots à roues en environnement planétaire. L'approche combine deux étapes : un planificateur par échantillonnage nommé AO-RRT génère d'abord une trajectoire dynamiquement faisable, sensible au risque et asymptotiquement optimale en coût ; le problème est ensuite reformulé en optimisation non linéaire, résolue par programmation convexe séquentielle (SCP) à partir de cette trajectoire initiale. Le risque est quantifié via la valeur à risque conditionnelle (CVaR), une métrique issue de la finance qui capture les scénarios les plus défavorables. Testée en simulation puis validée sur du matériel réel, la méthode réduit le risque de plus de 97% sur l'ensemble des trajectoires évaluées. Pour un rover planétaire, la mécanique terrain-roue reste souvent partiellement inconnue et doit être apprise en ligne, ce qui peut transformer un plan optimal en manœuvre dangereuse, un risque amplifié par les incertitudes des systèmes de perception embarqués. L'enjeu est concret : un rover ensablé ou renversé peut compromettre toute une mission, sans intervention téléopérée rapide possible compte tenu de la latence de communication avec la Terre. En réduisant le risque de près de deux ordres de grandeur sans sacrifier l'optimalité du coût ni la faisabilité dynamique, ces travaux comblent l'écart entre les planificateurs purement optimaux en coût, qui ignorent la queue de distribution des scénarios dangereux, et les approches d'optimisation locale sans garantie de couverture globale. La méthode s'appuie sur la famille des planificateurs par échantillonnage de type RRT asymptotiquement optimaux, couplés à la programmation convexe séquentielle, déjà utilisée en robotique aérienne et spatiale pour raffiner des trajectoires initiales. L'usage de la CVaR pour quantifier le risque d'enlisement ou de collision rappelle des précédents marquants, comme celui du rover Spirit de la NASA, ensablé en 2009, ce qui avait mis fin à sa phase de mobilité. Publiée sous forme de lettre de recherche, cette étude reste à ce stade une contribution académique, validée en simulation et sur banc d'essai matériel mais sans déploiement opérationnel annoncé ; les prochaines étapes attendues portent sur des modèles de terrain plus complexes et une intégration potentielle aux futures piles logicielles d'autonomie de rovers lunaires ou martiens.

RecherchePaper
1 source
Perception active sensible aux objets et aux tâches pour la navigation sûre de manipulateurs mobiles en environnements semi-statiques
2arXiv cs.RO 

Perception active sensible aux objets et aux tâches pour la navigation sûre de manipulateurs mobiles en environnements semi-statiques

Des chercheurs proposent un cadre de perception active qui permet à un manipulateur mobile à nombreux degrés de liberté (DoF) d'inspecter, avec la caméra montée sur sa main, les zones incertaines ou critiques pour la sécurité pendant qu'il navigue. La méthode repose sur une formulation probabiliste de type next-best-view (NBV), c'est-à-dire le choix du prochain point de vue le plus informatif. Cette formulation tient compte des objets et de la tâche : elle privilégie les observations proches du chemin prévu et celles qui entourent des objets incertains ou susceptibles d'avoir bougé. L'objectif de perception est intégré à une commande prédictive hiérarchique par tâches (HTMPC). Celle-ci exploite la redondance cinématique du bras pour ajuster le point de vue, sans jamais dégrader la priorité supérieure, le suivi de la trajectoire de la base. Navigation, maintenance de la carte et perception active forment ainsi une boucle fermée unique. Les essais réels annoncent une meilleure cohérence de la carte, une entropie de carte réduite pour la tâche visée et un risque de navigation moindre que des références passives ou non conscientes de la tâche. Des séquences en simulation et en conditions réelles montrent aussi les réactions du système à des changements de scène contrôlés. Le résumé ne donne aucun chiffre sur le gain, le type de robot, les temps de calcul ni le nombre d'essais. L'enjeu concerne les environnements dits semi-statiques, très courants en logistique, en fabrication et dans les services. Palettes, chariots, bacs et mobilier y changent de place entre deux passages du robot, et la carte mémorisée devient alors fausse sans que rien ne le signale. Pour un manipulateur mobile, le risque dépasse la base : le bras déployé peut heurter un obstacle que la carte ne contenait plus. Utiliser les degrés de liberté excédentaires du bras comme capteur orientable évite d'ajouter des caméras ou de ralentir la mission pour une phase d'inspection dédiée. Le point important pour les intégrateurs est que la perception reste subordonnée à la tâche principale. Ce travail reste toutefois une preuve de concept académique. Les comparaisons se font avec des références choisies par les auteurs, et on ne sait pas encore si le calcul en ligne de la NBV et de la HTMPC tient la charge sur du matériel embarqué, ni si la méthode passe à l'échelle d'un entrepôt ou d'une usine. Ce travail s'inscrit dans une lignée connue : la planification NBV existe depuis des années en reconstruction 3D et en exploration, et la commande hiérarchique par tâches est un outil classique de la robotique redondante. La nouveauté tient à leur combinaison dans une boucle fermée de navigation pour manipulateurs mobiles. Elle intéresse les acteurs qui poussent ces plateformes en conditions réelles : Boston Dynamics avec Spot et son bras, les AMR avec bras de l'intralogistique, ou, côté européen, des équipes comme Exotec en entrepôt. Les modèles de fondation de type VLA traitent plutôt la manipulation que la fiabilité de la carte, et ce type de méthode géométrique et probabiliste les complète donc plus qu'il ne les concurrence. Les suites logiques seraient des tests sur plus longue durée, avec davantage de changements de scène non scriptés et des métriques de sécurité chiffrées, avant tout pilote industriel.

RecherchePaper
1 source
PECMAN : navigation collaborative multi-agents par perception en environnements inconnus
3arXiv cs.RO 

PECMAN : navigation collaborative multi-agents par perception en environnements inconnus

Des chercheurs ont publié sur arXiv (réf. 2605.09344) PECMAN, un système de navigation collaborative multi-agents conçu pour des environnements inconnus et dynamiques. L'algorithme s'appuie sur SMART-3D, un planificateur de trajectoires fondé sur la structure RRT* (Rapidly-exploring Random Tree) capable de reconfigurer en temps réel son arbre de planification dès qu'un obstacle ou une nouvelle structure est détecté : plutôt que de reconstruire l'arbre depuis zéro, SMART-3D élague les noeuds et arêtes invalidés, puis répare les sous-arbres déconnectés à des points critiques appelés "hot-nodes". PECMAN étend ce mécanisme à la coopération multi-agents via deux stratégies combinées : une morphologie d'arbre distribuée, où chaque robot replanifie localement, et une perception partagée, par laquelle chaque agent diffuse les structures nouvellement découvertes à ses coéquipiers, leur permettant de replanifier proactivement même dans des zones encore inexplorées. Évalué sur 28 000 simulations couvrant sept scénarios 2D distincts, le système atteint jusqu'à 52 % de réduction du temps de complétion collective avec un taux de succès proche de 100 %. Les expériences ont également été validées sur deux robots autonomes réels dans un environnement de bâtiment. La contribution architecturale centrale est la perception partagée sans coordinateur central : chaque agent enrichit la carte collective en temps réel, ce qui réduit les replanifications redondantes et la latence de réaction de la flotte entière. Pour les intégrateurs de systèmes AMR (Autonomous Mobile Robots) en logistique ou en inspection industrielle, c'est précisément le verrou qui bloque le passage à l'échelle des flottes dans des environnements semi-structurés. La validation physique, même limitée à deux robots, apporte un début de réponse au problème classique du sim-to-real gap, l'un des obstacles majeurs au déploiement de planificateurs collaboratifs en conditions réelles. La réduction de 52 % du temps de complétion est prometteuse, mais mérite d'être interprétée avec prudence : les simulations 2D ne capturent pas la complexité des environnements 3D, et les scénarios de test ne sont pas détaillés dans l'abstract. Les approches multi-agents existantes comme CBS (Conflict-Based Search) ou ORCA supposent généralement des cartes connues à l'avance, ce qui les rend difficilement applicables à une exploration progressive. SMART-3D avait résolu ce problème pour un agent unique ; PECMAN en est l'extension coopérative naturelle. Aucun partenaire industriel ni déploiement commercial n'est mentionné dans la publication, qui reste une contribution académique. Les prochaines étapes logiques seraient des tests sur des flottes plus larges et en environnements 3D réels, conditions nécessaires pour envisager un transfert vers des entrepôts multi-niveaux ou des bâtiments industriels complexes, où les systèmes AMR actuels peinent encore à coordonner leur navigation de façon autonome.

RecherchePaper
1 source
ProactiveVLA : enrichir la mémoire incarnée par l'exploration proactive de l'environnement
4arXiv cs.RO 

ProactiveVLA : enrichir la mémoire incarnée par l'exploration proactive de l'environnement

ProactiveVLA, un système présenté sur arXiv (2610.06999v1), s'attaque à un problème d'adaptation en déploiement: comment un robot acquiert-il rapidement des connaissances utiles sur les objets, les états et les interactions d'un nouvel environnement à partir d'une expérience limitée. L'architecture associe un agent de raisonnement à un modèle vision-langage-action (VLA) gelé, c'est-à-dire non réentraîné, et s'adapte via le retour d'exécution et une mémoire. Une fois la tâche initiale accomplie, l'agent consacre le budget d'interaction restant à des objectifs qu'il se fixe lui-même: affordances des objets (ce qu'on peut en faire), interactions changeant l'état de l'environnement, et compositions de ces interactions. Il vérifie les résultats de chaque exécution, puis consolide l'expérience dirigée par la tâche comme l'expérience exploratoire dans une mémoire qui guide la planification et le contrôle ultérieurs. À budget de tours égal, le système dépasse les méthodes de référence sur LIBERO-Pro et sur RoboCasa365 Composite-Seen. Sur LIBERO-Pro Goal-T, avec au plus une invocation de primitive VLA autorisée à l'évaluation, il réussit 48 % des instances, contre 19 % pour la meilleure méthode de raffinement de tâche. L'intérêt tient à ce que ces résultats suggèrent sur la manière de dépenser l'expérience. Les approches de référence répètent la tâche cible pour affiner une solution déjà connue, ce qui laisse non testées les interactions pertinentes dès que les conditions changent. Ici, explorer au-delà de la tâche donnée produit des connaissances réutilisables, et l'écart (48 % contre 19 %) indique que la qualité de l'expérience pèse davantage que sa quantité. Pour les intégrateurs, l'enjeu est concret: un VLA généraliste figé, qu'on ne veut ou ne peut pas réentraîner chez le client, pourrait être rendu plus robuste par une couche de mémoire et de planification, sans recalibrage coûteux. Il faut toutefois rester prudent: il s'agit d'un préprint évalué en simulation, sur des benchmarks, sans déploiement physique rapporté dans le résumé. Le chiffre de 48 % vaut pour un réglage restrictif (une seule invocation de primitive) et ne dit rien du temps de cycle ni du coût en interactions de la phase d'exploration, qui reste à documenter. Ce travail s'inscrit dans la tendance des agents de raisonnement qui orchestrent des VLA gelés, par opposition au réglage fin continu de ces modèles. LIBERO-Pro, variante plus exigeante de LIBERO centrée sur des conditions modifiées, et RoboCasa365, benchmark de tâches domestiques composites, servent de terrains d'essai à cette génération de méthodes d'adaptation au déploiement. Le résumé ne nomme ni le VLA sous-jacent ni les auteurs, et ne cite aucun acteur européen. Les prochaines étapes à surveiller sont la publication du code et des détails d'évaluation, une validation sur robot réel, et une mesure du surcoût de l'exploration face au gain de fiabilité, critère décisif pour tout COO envisageant une mise en service sur site.

UEPas d\'impact direct sur la France/UE

RecherchePaper
1 source