RecherchearXiv cs.RO 27 octobre 2026

Recherche de drones en essaim tenant compte de l'incertitude de localisation pour la surveillance maritime sans GNSS

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs proposent un cadre de commande distribuée pour essaims de mini-drones (sUAV) chargés de la recherche maritime sans signal GNSS, publié sur arXiv (2610.34873). Dans ce scénario, les drones n'ont pas de positionnement satellitaire et se localisent de façon coopérative par mesures de distance entre eux. L'incertitude de position se propage donc le long de la chaîne de référence multi-sauts, ce qui dégrade la connectivité, l'évitement de collisions et l'efficacité de la recherche. Les auteurs approximent cette covariance de localisation en cascade à l'aide de matrices d'information de Fisher. Ils y ajoutent des fonctions barrières de contrôle (CBF) dont les marges sont resserrées en fonction de l'incertitude et de son taux de variation, avec des bornes d'invariance conditionnelle et de dégradation progressive. Une stratégie hiérarchique Voronoï-cibles, avec maintien de formation, assure une couverture anticipée de la zone. Le contrôleur est validé avec un filtre de Kalman étendu non biaisé standard intégré à la boucle.

Les résultats portent sur plusieurs formes de polygones et des essaims de 6 à 30 drones. Un essai avec estimateur dans la boucle termine la recherche en 302,5 s. Vingt déploiements Monte Carlo confirment une complétion répétable, avec tous les programmes quadratiques locaux réalisables et un confinement dans au moins 98,97 % des couples drone-image. Six essais sur le scénario MBZIRC fournissent des preuves supplémentaires avec estimateur dans la boucle. Le code source est public. Il s'agit d'un travail de simulation: aucun vol réel ni déploiement en mer n'est annoncé.

L'intérêt tient à un verrou concret de la surveillance maritime: le brouillage ou l'indisponibilité du GNSS est un risque opérationnel connu, et les essaims coopératifs se heurtent à l'accumulation d'erreurs quand chaque drone se repère par rapport à ses voisins. Intégrer cette incertitude directement dans les garanties de sécurité, plutôt que de la traiter après coup, est une approche utile pour les intégrateurs de systèmes de recherche et sauvetage ou de patrouille. Le taux de confinement proche de 99 % reste toutefois inférieur à une garantie stricte, et les 302,5 s correspondent à un seul scénario sans point de comparaison publié dans le résumé. L'écart entre simulation et mer réelle (vent, houle, pertes de liaison, bruit de mesure non gaussien) reste donc à combler.

Ces travaux s'inscrivent dans la lignée de la navigation coopérative sans GNSS et des méthodes de couverture de type Voronoï, que les CBF permettent désormais de sécuriser. La référence au MBZIRC, compétition robotique organisée aux Émirats arabes unis, indique un ancrage dans des scénarios de défi maritime proches du terrain. Les prochaines étapes logiques sont des essais en vol avec de vrais capteurs de distance, une comparaison avec d'autres architectures d'essaim, et une montée en échelle au-delà de 30 appareils. La publication du code facilite la reproduction et la comparaison par d'autres équipes.

Impact France/UE

Pas d\'impact direct sur la France/UE

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

Calibration optimale tenant compte de l'incertitude pour le problème AX=YB

Une équipe de chercheurs a publié le 7 mai 2026 sur arXiv (identifiant 2605.04809) une méthode d'optimisation pour la calibration main-oeil, problème dit AX=YB, qui consiste à déterminer la transformation géométrique rigide entre un capteur (caméra ou lidar) et l'effecteur d'un robot. L'algorithme proposé est itératif, formulé en algèbre de Lie, et respecte strictement les contraintes structurelles du groupe SE(3) tout en synchronisant les mises à jour des paramètres de calibration. Plutôt que de modéliser explicitement l'incertitude des données, approche jugée trop difficile à généraliser, les auteurs introduisent une métrique d'incertitude relative entre sources de mesure, utilisée pour pondérer dynamiquement chaque observation pendant l'optimisation. Sur jeux de données synthétiques à forte incertitude, la méthode améliore la précision d'estimation d'au moins 67 % par rapport aux approches existantes, selon des simulations numériques et des expériences réelles présentées dans l'article. L'enjeu industriel est concret : la calibration main-oeil conditionne toute application robotique guidée par vision, qu'il s'agisse de soudure, d'assemblage, de palettisation ou de contrôle qualité. Dans les scénarios à grande plage de travail ou en surcharge mécanique, typiques des robots 6-DOF à payload supérieur à 50 kg, les données de calibration sont contaminées par des incertitudes difficiles à quantifier : flexions structurelles, jeux mécaniques, dérive thermique. Les méthodes classiques comme Tsai-Lenz ou Shah traitent ces perturbations de façon uniforme, sans pondération adaptative. L'approche proposée ajuste au contraire l'influence de chaque paire de mesures pendant l'optimisation, ce qui peut réduire les temps de recalibration en production et améliorer la répétabilité sur cellules robotisées existantes sans changer de matériel. Le problème AX=YB est étudié en robotique depuis les travaux fondateurs de Shiu et Ahmad (1987) et Tsai et Lenz (1989). Les approches concurrentes exploitent les quaternions duaux (Daniilidis, 1999), les décompositions de Kronecker, ou plus récemment l'apprentissage automatique avec données visuelles denses. L'article positionne son apport principal sur deux points de friction récurrents dans les déploiements réels : la qualité de l'initialisation et la robustesse aux incertitudes non modélisées. Aucun code source ni partenaire industriel ne sont mentionnés dans le préprint disponible. Une intégration dans des frameworks de calibration open-source comme Kalibr ou easy_handeye constituerait la prochaine étape naturelle vers une adoption pratique.

UELes intégrateurs robotiques européens déployant des cellules 6-DOF à forte charge (KUKA, ABB) pourraient bénéficier d'une meilleure répétabilité de calibration sans changement matériel, sous réserve d'une publication du code dans des frameworks open-source comme Kalibr ou easy_handeye.

RecherchePaper

1 source

2arXiv cs.RO

Prédiction conforme par particules pour la calibration d'incertitude tenant compte du contact dans des espaces de configuration stratifiés

Des chercheurs ont publié le 11 août 2026 sur arXiv (référence 2608.09166) un nouvel algorithme baptisé CaPTURe (Calibrated Particle-sets for Trans-dimensional Uncertainty Representation), destiné à quantifier de façon fiable l'incertitude de mouvement d'un robot lors de contacts avec son environnement, par exemple en navigation dans un espace encombré ou en insertion de pièce dans un assemblage. Basée sur la prédiction conforme et des modèles à base de particules, la méthode construit des régions de prédiction garanties statistiquement, à une probabilité fixée par l'utilisateur, quelle que soit la fidélité du modèle de mouvement employé. Testée en simulation sur deux tâches, le pilotage d'une bille dans un labyrinthe et une insertion peg-in-hole à tolérance serrée avec un bras manipulateur, elle respecte la couverture de probabilité demandée aussi bien avec que sans contact, et améliore le taux de réussite de la tâche jusqu'à 30 points de pourcentage par rapport à la meilleure méthode de référence. Le résultat cible un problème concret pour l'industrie robotique : les modèles de mouvement, analytiques ou appris, sont souvent imprécis faute de données suffisantes ou à cause d'hypothèses simplificatrices, et un contact avec un obstacle peut rendre la distribution des configurations futures multimodale, discontinue, ou confinée à une variété de dimension inférieure à l'espace de configuration complet, ce qui invalide les approches classiques de planification sous incertitude. Pour les intégrateurs travaillant sur l'assemblage à tolérance serrée, le picking en environnement encombré ou la navigation en usine, disposer de garanties de couverture calibrées séparément pour les phases avec et sans contact permet de réduire les échecs de tâche et les arrêts de sécurité inutiles, sans sacrifier l'efficacité du mouvement. CaPTURe s'inscrit dans le champ de la prédiction conforme, une famille de méthodes statistiques de plus en plus utilisée en robotique pour garantir une couverture de probabilité sans hypothèse forte sur la distribution sous-jacente. Contrairement aux approches conformes classiques, pensées pour un espace de configuration fixe et continu, elle cible des espaces stratifiés dont la dimensionnalité effective change selon la présence ou non de contact, un cas de figure courant en manipulation robotique et en navigation de robots mobiles. L'article ne mentionne ni déploiement industriel ni partenariat commercial : il s'agit à ce stade d'une contribution de recherche académique, évaluée uniquement en simulation sur deux bancs d'essai contrôlés, sans calendrier annoncé de transfert vers du matériel réel.

RecherchePaper

1 source

3arXiv cs.RO

RACO : optimisation de l'objectif grossier tenant compte de la fiabilité pour la navigation vision-langage des drones d'inspection

Un article publié en août 2026 sur arXiv (référence 2608.22678) présente RACO, un framework de navigation pour drones guidés par instructions en langage naturel (UAV-VLN), pensé pour les missions d'inspection plutôt que pour la simple atteinte d'un objectif, et LG-UVI, un protocole d'évaluation associé dérivé des jeux de données CityNav et CityRefer. Les auteurs pointent une faiblesse des architectures existantes en deux temps ("coarse-to-fine"): l'objectif grossier prédit avant le raffinement local est traité comme fiable alors qu'il peut dériver vers une région plausible mais erronée, ce que l'étape de raffinement fine ne parvient ensuite pas à corriger. LG-UVI ajoute à ces scènes urbaines simulées des objets cibles, des distracteurs visuellement ou sémantiquement proches, des zones d'inspection typées, ainsi que des métriques distinctes pour l'arrivée en zone et pour la confirmation de l'objet. RACO traite l'objectif grossier comme une hypothèse à vérifier en temps réel plutôt qu'un point de passage fixe, en s'appuyant sur des ancres candidates au niveau objet pour corriger la localisation avant la première étape de navigation puis à la frontière entre les deux étapes, avant d'appliquer un raffinement terminal adaptatif pour les cas de quasi-échec en fin de trajectoire. Sous un protocole d'évaluation en ligne unifié, il améliore le taux de succès de 9,53 points de pourcentage sur le jeu de validation "unseen" et de 7,98 points sur le jeu de test "unseen", par rapport à une reproduction de la référence antérieure HETT. Ce résultat touche un point sensible pour l'inspection industrielle par drone: dans un scénario réel de contrôle d'infrastructure, un appareil qui s'arrête devant le mauvais objet mais confirme tout de même une anomalie représente un risque opérationnel plus grave qu'un simple échec de navigation. En montrant qu'une part importante des erreurs vient d'une dérive précoce de l'objectif grossier, non rattrapée par le raffinement local classique, les auteurs remettent en cause l'hypothèse implicite de nombreux pipelines coarse-to-fine selon laquelle l'étape fine peut compenser une estimation grossière imparfaite. Pour les équipes travaillant sur la navigation vision-langage appliquée aux drones d'inspection, l'implication pratique est qu'une vérification explicite et intermédiaire de l'objectif doit être budgétisée, plutôt que de tout reposer sur la puissance du modèle de perception final. Un gain de 8 à 10 points de taux de succès mesuré sur un protocole en ligne unifié, et non sur des scénarios sélectionnés, reste notable dans un domaine où les progrès se comptent généralement en unités de pourcentage. RACO s'inscrit dans la lignée des travaux sur la navigation vision-langage pour drones en environnement urbain simulé, qui s'appuient historiquement sur CityNav et CityRefer pour l'entraînement et l'évaluation. La comparaison se fait face à HETT, une architecture coarse-to-fine antérieure que les auteurs ont reproduite faute de protocole standardisé pour les tâches d'inspection, un manque que LG-UVI vise justement à combler en distinguant l'atteinte d'un objectif générique de la confirmation fiable d'un objet précis en présence de distracteurs. L'article ne mentionne ni déploiement sur drone physique ni partenariat industriel: il s'agit d'une contribution de recherche évaluée en simulation, dont la suite logique serait une validation sur plateforme réelle et une extension à d'autres familles de distracteurs et de zones d'inspection.

RecherchePaper

1 source

4arXiv cs.RO

TravSUITE : traversabilité par IRL auto-supervisé tenant compte de l'incertitude et estimation du terrain

TravSUITE est un système de traversabilité conçu pour la navigation à haute vitesse en tout-terrain, présenté dans un preprint arXiv (2610.32130v1). Il repose sur deux briques. La première est un cartographe voxel qui exploite des modèles de fondation visuels (VFM) pour construire une carte locale géométrique et sémantique à partir des flux de capteurs embarqués. La seconde est un réseau de neurones unique qui prédit conjointement, en vue de dessus (BEV), la géométrie, la sémantique, la vitesse et le coût de traversée. L'entraînement ne demande aucune annotation manuelle. Il est auto-supervisé et combine l'inpainting de cartes (reconstruction des zones non observées) et l'apprentissage par renforcement inverse (IRL) pour apprendre à la fois les représentations de la carte et la traversabilité. Les auteurs ajoutent un mécanisme simple d'adaptation au risque, qui exploite les estimations d'incertitude du modèle au moment du déploiement. Sur matériel réel, la combinaison inpainting et estimation du risque réduit de 80 % les erreurs de navigation et accélère de 5 % la vitesse de traversée autonome. Le texte ne précise ni la plateforme, ni les sites d'essai, ni la définition d'une « erreur de navigation ». Pour les intégrateurs de robots mobiles hors route (agriculture, défense, mines, inspection d'infrastructures), le résultat tient moins à la performance brute qu'à la méthode. Un pipeline sans annotation supprime l'un des principaux coûts d'adaptation à un nouveau terrain, à savoir l'étiquetage de cartes de traversabilité. L'ablation indique aussi que l'apprentissage du coût et l'inpainting auxiliaire contribuent chacun de façon significative à la qualité de planification, et que leur combinaison est nécessaire pour atteindre l'état de l'art. Ce constat va contre l'idée qu'un seul de ces ingrédients suffirait. L'usage de l'incertitude pour ajuster le comportement en temps réel répond à un problème concret : à grande vitesse, dans un environnement complexe, la perception est partielle et le robot doit savoir quand il ne sait pas. Il faut toutefois lire les chiffres avec prudence. Une réduction de 80 % des erreurs est relative à une base de référence non détaillée dans le résumé, et un gain de vitesse de 5 % reste modeste. Il s'agit d'un travail de recherche validé en expériences de laboratoire et de terrain, pas d'un produit ni d'un déploiement commercial. Ce travail s'inscrit dans la lignée des méthodes de traversabilité apprises, qui ont délaissé les règles géométriques écrites à la main au profit de modèles entraînés sur les données de conduite, souvent par IRL ou par supervision auto-générée. L'arrivée des modèles de fondation visuels a ouvert la voie à des cartes sémantiques riches sans étiquetage dédié, et TravSUITE les intègre directement dans la cartographie. Les auteurs affirment surpasser les approches de l'état de l'art en planification hors route, sans nommer ici les méthodes de comparaison. Aucun pilote industriel, calendrier ni code public n'est mentionné. La prochaine étape logique sera de vérifier la robustesse du système sur d'autres plateformes, d'autres terrains et à des vitesses plus élevées.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source