RecherchearXiv cs.RO 28 octobre 2026

Omni-IGN : navigation embarquée par image-objectif pour drones à vision omnidirectionnelle

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs présentent Omni-IGN, un système de navigation par image-objectif (ImageNav) pour drones, publié sur arXiv (2610.36968). L'agent doit rejoindre un lieu défini par une simple photo cible, dans un environnement inconnu. Le système tourne entièrement à bord. Il combine une perception à quatre caméras fisheye couvrant 360°, une politique d'apprentissage par renforcement (RL) à mécanisme d'attention, et une couche de sécurité anticollision. La politique fusionne de façon adaptative les indices liés à l'objectif entre les différentes vues, pour produire une direction de navigation continue. Les images RGB servent à la fois à la navigation et à l'évitement d'obstacles, sans capteur de profondeur dédié, grâce à une estimation de profondeur apprise. Sur les benchmarks Habitat, Omni-IGN obtient les meilleurs résultats parmi les méthodes à actions continues. Des vols simulés sous IsaacSim valident l'association entre estimation de profondeur et couche de sécurité. Des essais réels montrent un transfert sim-to-real « zero-shot », sans réglage fin ni localisation externe. Le code et les checkpoints seront publiés après acceptation. Il s'agit donc d'un travail académique, pas d'un produit ni d'un déploiement.

L'intérêt tient à la contrainte de calcul embarqué. Les méthodes aériennes d'ImageNav reposent sur une vue unique et obligent le drone à pivoter et explorer pour trouver des indices hors du champ de vision, ce qui coûte du temps et de l'énergie sur une plateforme à autonomie limitée. Une couverture omnidirectionnelle supprime ce goulot. Remplacer le capteur de profondeur par des caméras RGB allège la masse, le coût et la consommation. Le transfert zero-shot sans localisation externe, sans GPS ni capture de mouvement, est le point le plus utile pour les intégrateurs, car il se rapproche d'une exploitation réelle en intérieur ou en environnement dégradé. Cela renforce l'idée que le RL entraîné en simulation peut transférer vers le réel, au moins sur des tâches de navigation. L'abstract ne donne toutefois ni taux de réussite, ni vitesse, ni charge de calcul, ni description des scènes réelles testées. Il ne dit pas non plus si les essais réels couvrent des environnements variés ou encombrés. Ces points sont à vérifier dans l'article complet.

Ce travail s'inscrit dans la montée de la navigation visuelle « embodied », où Habitat sert de banc d'essai standard, surtout pour les robots au sol. Le transfert vers les drones reste moins mûr, à cause des limites de charge utile et de calcul. Les concurrents sont les approches ImageNav à vue unique et les systèmes de navigation autonome fondés sur la profondeur ou la cartographie, plus lourds en capteurs. Aucun acteur français ou européen n'est cité. La suite dépendra de la publication du code et des checkpoints, conditionnée à l'acceptation, qui permettra une reproduction indépendante. Les prochaines étapes probables sont des tests en environnements plus vastes et dynamiques, et une mesure précise de l'empreinte énergétique et du calcul embarqué.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

GS-PRM : une feuille de route visuelle gaussienne pour la navigation guidée par image-objectif

Des chercheurs proposent GS-PRM, une « feuille de route visuelle gaussienne » destinée à la navigation par image-but, c'est-à-dire la tâche où un robot doit rejoindre un point défini uniquement par une image. La méthode s'appuie sur le 3D Gaussian Splatting (3DGS), qui fournit des rendus RGB, d'opacité et de profondeur recalés sur la carte, mais n'encode pas la topologie navigable. GS-PRM construit donc, directement par rendu 3DGS, des jalons, des connexions locales et des images de référence, sans passer par une grille d'occupation ni par un champ de distance signée. La profondeur panoramique donne une marge de dégagement prudente pour valider les jalons et adapter la couverture. Un rendu orthographique aligné sur chaque arête teste le volume balayé par le robot. Les auteurs définissent des configurations et des chemins « RC-free » (sans collision au sens du rendu) et démontrent une correction conditionnelle, ainsi que des conditions suffisantes de complétude déterministe des requêtes et de complétude probabiliste de la construction. Les tests, en simulation et en environnement réel, portent sur de la navigation longue portée pilotée par des politiques conditionnées par le but. Face à un système de navigation 3DGS de référence, GS-PRM atteint jusqu'à deux fois le taux de succès moyen et réduit le temps de trajet jusqu'à 57,2 % lorsque les deux systèmes mènent la tâche à terme. Il s'agit d'une prépublication arXiv (v1), sans relecture par les pairs. L'intérêt tient à la jonction entre cartographie photoréaliste et planification globale. Le 3DGS est surtout utilisé pour la reconstruction et le rendu, rarement comme représentation directement exploitable par un planificateur. Un planificateur qui n'a besoin ni de grille d'occupation ni de SDF évite une étape de conversion, source d'erreurs et de coûts, et les mêmes rendus servent à la fois à valider la géométrie et à fournir des observations que la politique locale peut suivre. Pour les intégrateurs et les équipes qui déploient des robots mobiles, c'est une piste vers des cartes plus simples à produire à partir de captures vidéo, avec des garanties formelles rares dans ce domaine. Le gain de 57,2 % sur le temps de trajet est toutefois conditionnel : il ne vaut que lorsque les deux systèmes réussissent, et le résumé ne précise ni le nom du système comparé, ni la taille des scènes, ni le nombre d'essais réels. La portée des garanties dépend aussi des hypothèses de la théorie, notamment la qualité du rendu 3DGS. Ce travail s'inscrit dans la lignée des PRM (probabilistic roadmaps), classiques de la planification de mouvement, et dans l'essor de la navigation image-but et des politiques conditionnées par le but, qui ont besoin d'un planificateur global fournissant des points de passage visuels. Il concurrence d'autres systèmes de navigation fondés sur le 3DGS et les approches à cartes topologiques ou à grilles d'occupation. Aucune échéance de déploiement ni partenaire industriel n'est mentionné : on reste au stade de la recherche. Les prochaines étapes à surveiller sont la mise à disposition du code, la validation sur de plus grands environnements, notamment dynamiques, et la robustesse des rendus lorsque la scène change.

RecherchePaper

1 source

2arXiv cs.RO

GUIDE : compréhension directionnelle initialisée par l'objectif pour la navigation visuelle de bout en bout

Des chercheurs ont publié sur arXiv (référence 2606.10832, juin 2026) un framework d'apprentissage par renforcement baptisé GUIDE (Goal-Initialized Directional Understanding for End-to-End), conçu pour la navigation visuelle autonome de robots à pattes. Le principe fondamental est simple : contrairement aux systèmes existants qui alimentent le robot en mises à jour continues de sa cible depuis des modules d'estimation d'état hiérarchiques, GUIDE ne fournit la cible qu'une seule fois, au début de l'épisode. Le robot doit ensuite naviguer en s'appuyant exclusivement sur sa mémoire spatiale interne. Deux composants structurent le système : un prédicteur d'ancre spatiale qui exploite l'historique proprioceptif multi-fréquences pour construire des représentations d'egomouvement, et un flux de profondeur brut pour percevoir la géométrie locale. Les expériences ont été conduites sur un robot quadrupède, en simulation et en environnement réel, dans des scènes encombrées et des labyrinthes structurés, sans carte préalable. L'enjeu pour les intégrateurs est direct : supprimer la dépendance aux modules d'estimation d'état externes simplifie le stack de déploiement et réduit les points de défaillance. Les architectures hiérarchiques actuelles (localisation + cartographie + planification) sont coûteuses à calibrer et fragiles dans des environnements non cartographiés. GUIDE démontre qu'un robot peut maintenir une conscience directionnelle persistante grâce à la mémoire proprioceptive, sans SLAM ni GPS, un résultat qui renforce l'hypothèse que la proprioception peut partiellement suppléer la localisation explicite. La politique étant déployée de bout en bout sans modules séparés à l'inférence, la complexité opérationnelle en production s'en trouve réduite -- un argument concret pour les équipes industrielles. La navigation sans carte pour robots à pattes est un sujet actif : les travaux sur ANYmal (ETH Zurich), les politiques locomotrices de Unitree ou les recherches de CMU s'appuient encore majoritairement sur des représentations géométriques explicites. GUIDE s'inscrit dans la tendance "fully end-to-end" qui cherche à éliminer ces modules intermédiaires, tendance visible également dans les VLA (Vision-Language-Action models) appliqués à la manipulation. Il faut néanmoins rappeler qu'il s'agit d'une publication académique, sans pilote industriel ni déploiement commercial annoncé. Les suites naturelles incluent des tests dans des environnements non structurés à grande échelle et l'intégration avec des modèles de fondation visuels pour la spécification dynamique de la cible.

RecherchePaper

1 source

3arXiv cs.RO

NavHarness : des objectifs adaptatifs pour la navigation vision-langage à base d'agents

NavHarness, un framework publié sur arXiv (v1), propose d'aborder la navigation vision-langage (VLN) par une architecture à quatre agents spécialisés plutôt que par un seul agent multimodal généraliste. Un Goal Agent fixe des sous-objectifs adaptatifs à partir de l'instruction, de l'observation courante et de l'historique d'exécution. Un Visuomotor Agent exécute les actions de navigation pour atteindre chaque objectif. Un Verify Agent juge ensuite si l'objectif est atteint, grâce à une question de vérification propre à cet objectif. Un Memory Agent compresse enfin l'historique multimodal correspondant, en conservant l'information utile à la suite du trajet. Les auteurs évaluent le système sur les benchmarks simulés R2R-CE et RxR-CE, comparent des variantes sur trois modèles de base et analysent l'évolution du contexte pendant l'exécution. En conditions réelles, NavHarness atteint 83,3 % de succès et 1,51 m d'erreur de navigation sur huit parcours jugés difficiles, chacun parcouru trois fois, soit 24 essais au total. L'intérêt tient à deux problèmes concrets des agents embarqués pilotés par des modèles multimodaux. Le premier est la dérive sur les tâches longues : choisir une action locale plausible à chaque pas ne garantit pas de rester sur l'itinéraire voulu. La vérification explicite de chaque sous-objectif vise à corriger cette dérive en cours de route. Le second est le coût d'inférence : si l'historique image-texte est réinjecté tel quel à chaque décision, l'entrée grossit sans cesse. Le découpage de l'historique en segments compressés à chaque objectif validé est une réponse d'ingénierie pragmatique, qui concerne directement les intégrateurs soucieux de la latence et du coût de calcul embarqué. Les résultats appellent toutefois de la prudence : l'échantillon réel est restreint (huit parcours, trois passes), la nature des environnements n'est pas détaillée dans le résumé et l'article ne chiffre pas, dans cet extrait, le gain de calcul obtenu. Ce travail s'inscrit dans la tendance qui consiste à réutiliser des modèles multimodaux généralistes comme base de la navigation, plutôt que d'entraîner des politiques dédiées. R2R-CE et RxR-CE, versions en environnement continu des benchmarks Room-to-Room et Room-across-Room, sont des références habituelles de ce champ. Le texte ne fournit ni comparaison chiffrée avec des méthodes concurrentes, ni robot, ni calendrier de déploiement : il s'agit d'une publication de recherche, pas d'un produit. La suite logique serait de mesurer le système sur davantage d'environnements réels et de quantifier précisément l'économie de contexte apportée par la compression.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

4arXiv cs.RO

VLN en vol : une pile de navigation vision-langage embarquée pour robots aériens

Une équipe de chercheurs a publié sur arXiv, le 18 septembre 2026 (référence 2609.20191), une étude décrivant "VLN on the Fly", une pile logicielle de navigation par instructions en langage naturel (vision-language navigation, VLN) fonctionnant intégralement à bord d'un robot aérien. Le système enchaîne quatre étages distincts et inspectables plutôt qu'un unique réseau de bout en bout : un modèle vision-langage (VLM) quantifié associe l'instruction textuelle à une cellule grossière de l'image caméra, la carte de profondeur convertit cette cellule en un objectif 3D, un planificateur de trajectoire rapide basé sur des splines B calcule un chemin faisable, puis une politique d'apprentissage par renforcement préentraînée traduit cette trajectoire en commandes moteur pour des quadricoptères. Sur 15 vols embarqués testant trois objets de référence du quotidien dans un volume intérieur contrôlé, le drone atteint sa cible dans 13 cas sur 15, avec une erreur moyenne de 5,72 cm par rapport à l'objectif et une utilisation moyenne du GPU embarqué de 39,3 %. Six essais supplémentaires en environnement encombré montrent des trajectoires sans collision grâce à un filtrage de la perception embarquée. L'intérêt de ces travaux tient à la contrainte de calcul propre aux drones, bien plus sévère que sur des robots au sol ou humanoïdes : grounding, planification et contrôle doivent se partager une puissance embarquée limitée, et une erreur dans un pipeline fusionné en un seul réseau (comme le font la plupart des politiques VLA de bout en bout) est difficile à isoler en vol. En conservant des étages séparés et observables, l'équipe défend une architecture plus sûre et plus facile à diagnostiquer, au prix probable d'une latence ou d'une flexibilité moindre qu'une politique end-to-end. Le chiffre de 39,3 % d'utilisation GPU suggère une marge de calcul disponible, preuve que l'exécution embarquée complète reste viable sans déport vers une station sol ou le cloud, un point clé pour les intégrateurs de drones d'inspection ou de logistique intéressés par un pilotage vocal ou textuel autonome. Il faut toutefois noter la portée limitée de la démonstration : 15 vols, trois objets, un environnement intérieur contrôlé, et un taux d'échec de 2 essais sur 15, loin d'un déploiement industriel validé. Ces travaux s'inscrivent dans le débat plus large opposant les architectures VLA de bout en bout, popularisées par des modèles comme Pi-0 ou GR00T N2 sur des plateformes au sol, à des pipelines modulaires jugés plus sûrs pour des systèmes critiques comme les drones volant à proximité d'humains ou d'obstacles. Aucun acteur français ou européen n'est mentionné dans cette étude, qui reste un prototype de recherche sans annonce de partenariat industriel ni de calendrier de déploiement commercial. Les essais en environnement encombré laissent entrevoir une prochaine étape vers des scénarios plus réalistes, mais aucun pilote opérationnel n'est pour l'instant annoncé.

RecherchePaper

1 source