RecherchearXiv cs.RO 5 novembre 2026

Quand demander de l'aide : affinement aérien déclenché par l'incertitude pour la navigation tout-terrain

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Une équipe de recherche publie sur arXiv (2611.06702) une méthode de coopération air-sol qui décide quand un véhicule terrestre autonome (UGV) doit solliciter un drone (UAV) pour affiner sa carte en tout-terrain. L'approche évalue d'abord l'effet de l'incertitude cartographique sur les trajectoires candidates du planificateur MPPI (Model Predictive Path Integral) de l'UGV. Si la navigation reste dégradée, le système rejoue ces mêmes trajectoires sous plusieurs hypothèses de carte résolues, choisit la couche cartographique dont la résolution apporte le gain utile le plus élevé, demande la mesure aérienne correspondante, fusionne les données reçues, puis replanifie. Sur 180 essais en simulation répartis sur trois itinéraires tout-terrain, la méthode atteint 98,9 % de réussite d'arrivée au but et réduit de 87,7 % le temps de vol moyen du drone par rapport à une cartographie aérienne continue « gloutonne ». En agrégé, chaque seconde de vol estimée du drone fait gagner 2,94 s de navigation au véhicule terrestre. Des essais terrain, couvrant environ 2 km de déplacement de l'UGV, ont montré une résolution effective de l'incertitude et un retour à une navigation normale.

L'intérêt tient à ce que le critère de sollicitation ne repose pas sur l'incertitude seule, ni sur des rôles fixes ou sur la structure de la tâche : le drone n'est appelé que lorsque lever le doute améliore réellement la navigation prédite au sol. Pour les intégrateurs de flottes hétérogènes (agriculture, inspection, logistique extérieure, défense), c'est un argument concret, car le temps de vol limite par l'autonomie des batteries est la ressource rare. Diviser par huit l'usage du drone sans sacrifier le taux de réussite suggère qu'une coordination à la demande peut remplacer la surveillance permanente, avec des gains d'endurance de flotte et de charge de calcul. Il faut toutefois relativiser : les résultats chiffrés viennent essentiellement de la simulation, trois itinéraires restent un échantillon limité, et les 2 km de tests terrain sont décrits qualitativement, sans statistiques comparables. Le ratio de 2,94 s économisées par seconde de vol est une estimation, non une mesure en conditions opérationnelles.

Ce travail s'inscrit dans la lignée des équipes air-sol où le drone joue un rôle prédéfini d'éclaireur ou de cartographe, ou intervient selon une simple métrique d'incertitude, des approches qui gaspillent soit de l'énergie, soit des observations peu utiles. La nouveauté revendiquée est de conditionner la demande à l'effet sur le planificateur, ce qui rapproche la perception active de la décision. L'article reste une prépublication, sans partenaire industriel ni calendrier de transfert annoncés. Les suites naturelles seraient des validations sur de plus longs parcours, avec davantage de véhicules, des conditions météo et de végétation variées, et des contraintes de communication réalistes entre le drone et le véhicule.

Impact France/UE

Pas d\'impact direct sur la France/UE

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

Sentir le terrain avant de le franchir : des modèles du monde pour la navigation tout-terrain

Une équipe de chercheurs présente, dans un article déposé sur arXiv (référence 2609.19863v1, catégorie "new"), Feel-WM, un modèle de monde ("world model") de navigation conçu pour les terrains accidentés hors piste. Contrairement aux modèles de navigation urbaine, qui se contentent de prédire la scène visuelle à venir, Feel-WM prédit en plus l'état proprioceptif futur du robot, c'est-à-dire son glissement, son inclinaison et ses vibrations le long d'une trajectoire envisagée, ainsi qu'un risque d'échec associé, le tout appris directement à partir de l'expérience du robot sans étiquetage humain. Le planificateur simule ce futur physique en parallèle de la scène visuelle et pondère le risque d'échec prédit face à la proximité avec l'objectif dans un score de décision séparé. Les auteurs ont testé le système sur des données réelles de terrain accidenté et en simulation, sur des plateformes à la fois à roues et à pattes, puis l'ont déployé en embarqué sur un robot à roues Husky lancé sur des sentiers de montagne, où il a anticipé les zones de sol difficile, les a contournées, et a terminé des parcours qu'une politique de bout en bout classique échouait à compléter. L'apport revendiqué est de démontrer que la seule prédiction visuelle ne suffit pas dès que l'interaction robot-terrain devient le facteur dominant, ce qui est le cas hors des environnements urbains structurés où circulent la plupart des robots mobiles commerciaux actuels. En ajoutant la proprioception comme donnée d'entrée, Feel-WM améliore la prédiction du futur physique et surpasse les modèles de navigation purement visuels, aussi bien en planification en boucle ouverte qu'en navigation en boucle fermée sur terrain difficile. Pour les intégrateurs de robots mobiles destinés à l'agriculture, la défense, la sylviculture ou le secours en zone non structurée, ce travail suggère une piste concrète pour réduire les échecs de navigation sans dépendre uniquement de caméras ou de lidars, un enjeu de fiabilité central pour les flottes autonomes en extérieur. Il nuance aussi l'idée reçue selon laquelle les modèles de monde visuels suffiraient à généraliser la planification robotique à tous les environnements. Ce travail s'inscrit dans la tendance de recherche consistant à planifier par anticipation, en simulant les conséquences de chaque action candidate plutôt qu'en associant directement observation et commande, une approche qui concurrence les politiques de bout en bout entraînées par imitation ou apprentissage par renforcement. La quasi-totalité des modèles de monde publiés jusqu'ici ciblait des environnements urbains ou structurés, où l'image seule constitue un proxy suffisant du futur pertinent pour la navigation. Feel-WM comble ce manque pour la robotique tout-terrain en exploitant des signaux proprioceptifs, issus par exemple de centrales inertielles ou d'encodeurs de roues et de jambes, appris de façon autonome. L'article ne mentionne à ce stade ni affiliation industrielle ni partenaire de déploiement commercial : il s'agit d'une validation expérimentale sur robot Husky et en simulation, sans calendrier de mise en production ni pilote industriel annoncé.

RecherchePaper

1 source

2arXiv cs.RO

ProTrav : traversabilité probabiliste avec propagation de l'incertitude d'élévation pour une navigation tout-terrain sensible au risque

ProTrav est une nouvelle représentation probabiliste du terrain, proposée dans un preprint arXiv (2610.30839) pour la navigation tout-terrain de robots mobiles. Elle s'attaque à une limite des méthodes actuelles d'estimation de traversabilité, qui calculent le coût de passage à partir d'une élévation déterministe du terrain. Ces méthodes ignorent donc deux choses: les corrélations spatiales entre cellules voisines, et la manière dont l'incertitude d'élévation se propage à travers des fonctions de coût non linéaires. Les auteurs reconstruisent d'abord un champ d'élévation probabiliste avec un processus gaussien variationnel parcimonieux (SVGP) alimenté par les observations. Ils échantillonnent ensuite l'a posteriori dans l'espace des fonctions pour générer des réalisations de terrain spatialement corrélées, dont ils extraient des caractéristiques géométriques puis un coût de traversabilité. En tout point, on obtient une distribution de coût, dont la moyenne donne le coût attendu et l'écart-type l'incertitude associée. Un terme de risque, fondé sur une borne de confiance supérieure (UCB) calculée à partir de ces moments, est intégré à un contrôleur MPPI (Model Predictive Path Integral). En simulation, le taux de réussite de navigation dépasse 90 % sur différents terrains, contre moins de 40 % pour la méthode de référence, avec des variations d'attitude réduites. Une validation est également menée sur un robot réel en terrain naturel. L'intérêt tient à la prise en compte explicite du risque dans la chaîne perception-planification. En terrain non structuré, la plupart des échecs viennent d'une carte d'élévation bruitée ou lacunaire que le planificateur traite comme exacte. Propager l'incertitude jusqu'au coût, plutôt que la lisser après coup, permet au contrôleur de contourner les zones où l'estimation est peu fiable, ce qui compte pour les applications d'agriculture, de mines, de chantier, d'inspection ou de logistique extérieure. Il faut toutefois relativiser l'écart annoncé (plus de 90 % contre moins de 40 %): il provient de simulations, la référence n'est pas précisée dans le résumé, et la validation sur robot réel n'est pas chiffrée. On ne sait pas non plus si le temps de calcul de l'échantillonnage dans l'espace des fonctions est compatible avec un contrôle temps réel embarqué. Il s'agit d'un résultat de recherche, sans produit ni déploiement. Ce travail s'inscrit dans la lignée des cartes d'élévation 2,5D et des estimateurs de traversabilité géométriques ou appris, qui sont généralement déterministes, et des approches de planification sensibles au risque par CVaR ou UCB. Il recourt à un SVGP, qui rend les processus gaussiens exploitables sur de grands jeux de données, et à MPPI, devenu courant en navigation tout-terrain pour sa capacité à optimiser des coûts non différentiables. Le résumé ne nomme ni les auteurs, ni la plateforme, ni les terrains testés, ni les méthodes concurrentes. La suite logique serait des essais plus larges sur robots réels, une mesure de la charge de calcul et une comparaison avec les méthodes de traversabilité apprises de bout en bout.

RecherchePaper

1 source

3arXiv cs.RO

CUSP : alarmes de risque de survie pilotées par CUSUM dès l'apparition de la perception, pour la navigation tout-terrain

Des chercheurs publient sur arXiv (2610.07882) CUSP, une alarme de danger en temps réel pour la navigation tout-terrain, conçue pour fonctionner avec n'importe quel modèle de navigation. Le système apprend à partir de journaux de terrain où un humain a interrompu le robot avant l'échec, de sorte que la défaillance elle-même n'est jamais observée. Les auteurs ajoutent une annotation séparée de ce qu'ils appellent le « perception onset » : l'instant où l'opérateur juge la conduite dangereuse, généralement bien avant d'intervenir. Une tête visuelle est entraînée sur cet instant avec un objectif de survie en temps discret, qui exploite aussi bien les trajets avec que sans onset. Un CUSUM, outil statistique de détection de rupture, cumule le risque prédit et déclenche l'alarme. Les tests couvrent cinq sites inédits (deux autonomes, trois téléopérés) et 142 événements, chaque méthode étant réglée sur dix fausses alarmes par heure. CUSP détecte 85 événements, contre 26 pour la meilleure de neuf approches de référence adaptées. L'enjeu est la sécurité de l'autonomie hors route, un point faible des déploiements en mines, agriculture, chantiers ou inspection. Les modèles de navigation apprenants choisissent un chemin à partir d'une supervision de sécurité, mais ne disent pas si le robot qui le suit se dirige vers un danger. Un taux de détection de 85 sur 142, soit environ 60 %, contre 18 % pour la meilleure référence, à taux de fausses alarmes égal, est un écart notable. Selon les auteurs, il vient de dangers auxquels aucun signal interne du modèle de navigation n'est sensible : les incertitudes ou coûts du planificateur ne suffisent donc pas comme alarme. Autre intérêt pratique : les journaux d'intervention humaine existent déjà en grande quantité, et l'approche les valorise sans exiger de collecter des échecs réels, coûteux et risqués. Deux réserves : ces résultats viennent d'un seul article, sans validation externe, et les référence sont des adaptations réalisées par les auteurs eux-mêmes. Le taux de fausses alarmes de dix par heure reste aussi élevé pour une exploitation sans surveillance. Ce travail s'inscrit dans la lignée des méthodes de navigation tout-terrain apprise, qui utilisent l'intervention humaine comme signal de supervision implicite, mais qui ciblaient jusqu'ici le choix du chemin plutôt que l'alarme en cours d'exécution. Les auteurs affirment qu'aucune méthode supervisée par intervention n'avait visé cet instant de bascule perçu par l'humain. L'article ne précise ni le matériel, ni les noms de plateformes, ni les latences ou délais d'anticipation, des éléments décisifs pour juger de l'utilité opérationnelle. Il s'agit d'un résultat de recherche, non d'un produit ni d'un déploiement commercial. La suite logique serait une validation sur davantage de plateformes et de terrains, ainsi qu'une intégration à des piles de navigation industrielles.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

4arXiv cs.RO

Replanification adaptative à déclenchement par événements, certifiée par le risque, pour la navigation dynamique

Des chercheurs proposent CERT-Replan (Conformal Event-Triggered Risk-Certified Replanning), un cadre de navigation sûre pour robots mobiles évoluant parmi des obstacles dynamiques, décrit dans une prépublication arXiv. Le système calibre en ligne les résidus de prédiction des trajectoires d'obstacles, indexés par horizon temporel, par méthode conforme. Il en déduit des rayons d'incertitude qui servent à évaluer les marges de sécurité. Un filtre de sécurité à un pas, fondé sur les fonctions de barrière de contrôle (CBF), protège la prochaine commande appliquée. Un moniteur de risque évalue en parallèle la CVaR de queue haute des pertes de violation de barrière prévues le long de la trajectoire MPC en cours. Dans un benchmark non stationnaire, les auteurs annoncent 83,3 % de collisions en moins que la base de référence limitée au filtre de sécurité, et 77,8 % de moins que des déclencheurs de replanification simples. L'intervention moyenne du filtre baisse de 32,4 %. Avec le prédicteur Trajectron++, le taux de fonctionnement sans collision atteint 96 %. Des essais matériels et un profilage du temps de calcul embarqué sont mentionnés pour établir la faisabilité. L'apport tient à un changement de question. Les filtres CBF classiques rejettent une commande immédiatement dangereuse, mais ne disent rien sur la dégradation progressive du mode de planification lui-même quand l'incertitude de prédiction évolue. Ici, le risque barrière calibré sert de signal d'alerte précoce. Lorsqu'il dépasse un budget alloué, le système ne corrige pas indéfiniment le même plan nominal : il abandonne ce mode et en choisit un moins risqué, par exemple un autre profil de vitesse, un autre corridor ou une autre classe d'homotopie. Pour les intégrateurs de robots mobiles (AMR, robots de service) évoluant parmi des piétons ou des chariots, cela vise les rares défaillances critiques qui apparaissent quand les prédictions se dégradent hors distribution. La baisse de sollicitation du filtre suggère aussi des mouvements plus fluides. Ces chiffres restent toutefois ceux d'un benchmark choisi par les auteurs. Le résumé ne précise ni le nombre d'essais, ni la nature des obstacles, ni la configuration matérielle. Le taux de 96 % laisse en outre 4 % d'épisodes avec collision, ce qui reste loin d'un niveau de sécurité certifiable en environnement industriel. Ce travail s'inscrit dans la lignée des méthodes de prédiction conforme appliquées à la planification sous incertitude et des MPC à contraintes de risque. Il prolonge aussi les filtres CBF devenus courants pour garantir la sécurité autour d'une politique nominale. Trajectron++ reste un prédicteur de référence en prévision de trajectoires multi-agents, ce qui facilite la comparaison avec d'autres approches. Le résumé ne cite ni concurrents directs, ni partenaire industriel, ni calendrier de déploiement. On ignore donc encore si la méthode sera testée sur des flottes réelles. Les prochaines étapes à surveiller sont la publication des détails expérimentaux, la robustesse face à des changements de distribution plus brutaux, et l'évaluation en environnement dense.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source