RecherchearXiv cs.RO 9 novembre 2026

EGT : traversabilité ancrée dans l'exécution grâce à des distributions de trajectoires en boucle fermée apprises

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs proposent l'Execution-Grounded Traversability (EGT), une nouvelle définition de la traversabilité de terrain pour véhicules à roues: la probabilité qu'un couple véhicule-contrôleur exécute un chemin candidat tout en respectant des exigences de suivi de trajectoire et de progression. L'EGT est estimée par un modèle de flow matching dans un espace latent, qui prédit la distribution des trajectoires en boucle fermée. Le modèle est conditionné par des caractéristiques de terrain multi-résolution, par l'attitude 3D du véhicule et par des points a priori de contact roue-sol. Les tests portent sur 650 essais en simulation, sur des terrains jamais vus à l'entraînement. Le taux de rejet de chemins sûrs tombe à 2,2 %, contre 11,4 % à 39,5 % pour les références fondées sur des marges de pose ou d'angle de force. Les acceptations de chemins dangereux restent à 7,7 %. Intégrée à un planificateur à horizon glissant par échantillonnage, l'EGT réduit les échecs de navigation de 24 à 42 points de pourcentage face à une première méthode de référence, et de 30 à 44 points face à une seconde. Le temps d'atteinte du but baisse jusqu'à 20,5 % et 45 % selon la référence. Les auteurs annoncent aussi un transfert zéro-shot du modèle entraîné en simulation vers des essais extérieurs réels.

Ces travaux s'attaquent à une faiblesse connue de la navigation tout-terrain. Les métriques classiques évaluent le roulis, le tangage ou les marges d'angle de force point par point le long d'un tracé, et ignorent la façon dont le contrôleur bas niveau corrige les perturbations du terrain. Elles sont donc souvent trop prudentes: un chemin parfaitement franchissable est refusé, ce qui allonge les trajets ou bloque la mission. Pour un intégrateur de robots mobiles d'extérieur (inspection, agriculture, défense, logistique de chantier), le passage d'une géométrie statique à une prédiction de ce que le robot fera réellement est un levier de productivité direct. Le résultat est toutefois à relativiser: les chiffres principaux viennent de la simulation, les essais réels ne sont décrits que qualitativement dans le résumé, et le taux de 7,7 % d'acceptation de chemins risqués reste notable pour un usage critique. Les gains dépendent aussi du choix des deux méthodes de référence, que le résumé ne nomme pas.

L'approche s'inscrit dans le courant de l'apprentissage de la traversabilité par l'expérience, qui remplace les heuristiques géométriques par des modèles entraînés sur les données de conduite. Elle s'appuie sur le flow matching, une technique générative devenue courante en robotique pour modéliser des distributions d'actions ou de trajectoires. La dépendance au couple véhicule-contrôleur implique qu'un changement de plateforme ou de réglage demandera probablement un nouvel entraînement, point que l'article devra clarifier. Les prochaines étapes naturelles sont une validation sur davantage de terrains réels et de plateformes, ainsi qu'une mesure du coût de calcul embarqué en temps réel. Aucun déploiement commercial ni calendrier n'est annoncé à ce stade: il s'agit d'une prépublication arXiv, sans revue par les pairs.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

Apprendre sur le tas : exécution de tâches sans démonstration sous incertitude paramétrique par commande duale paramétrée par trajectoire

Des chercheurs proposent une méthode de commande duale qui permet à un robot d'exécuter une tâche du premier coup tout en identifiant en ligne les paramètres physiques qu'il ne connaissait pas. Publié sur arXiv (2510.20483, version 2), le travail part d'un constat : la commande basée sur modèle donne de bons résultats tant que le modèle est exact, mais un robot rencontre souvent des charges utiles, des objets ou des dynamiques d'interaction inédits. L'approche classique consiste à lancer d'abord une phase d'excitation dédiée, indépendante de la tâche et du contrôleur, pour estimer les paramètres. Les auteurs suppriment cette étape : l'apprentissage du modèle et la commande se déroulent simultanément pendant la tâche. Ils fixent à l'avance une politique de retour d'état avec une loi d'adaptation explicite des paramètres, puis optimisent la trajectoire de référence à travers la dynamique adaptative en boucle fermée. Deux formulations sont proposées : minimiser le coût attendu de la tâche sous incertitude paramétrique, ou minimiser la perte d'optimalité, c'est-à-dire la dégradation de performance causée par une planification fondée sur une estimation erronée. L'exploration est guidée par une mesure d'information de Fisher. L'enjeu est très concret pour les intégrateurs et les responsables de production. Aujourd'hui, un bras manipulant une charge inconnue perd du temps en calibration, ou exécute des mouvements d'identification qui n'ont aucun lien avec la tâche et produisent des données peu utiles. Selon les auteurs, leur méthode s'approche d'une borne inférieure de l'incertitude sur les paramètres pertinents pour la tâche, tout en réussissant celle-ci en une seule tentative. Cela réduit les temps morts et évite d'identifier des paramètres sans effet sur le résultat. Les résultats couvrent plusieurs tâches, contrôleurs et lois d'adaptation, ce qui suggère une méthode générique et non un réglage sur un seul cas. Il faut toutefois rester prudent : le résumé ne donne ni chiffres de performance, ni précision de l'identification, ni temps de calcul, ni preuve sur matériel réel. On ne sait donc pas si la méthode tient face aux bruits de capteurs, aux frottements non modélisés ou aux contraintes temps réel d'une cellule industrielle. Ce travail s'inscrit dans le débat entre approches basées sur modèle et approches apprises, comme les modèles vision-langage-action (VLA), qui généralisent par les données mais offrent moins de garanties. Ici, la commande adaptative et la théorie du contrôle dual, formulée depuis les années 1960, sont réactivées avec une optimisation de trajectoire moderne. Il s'agit d'une préimpression, sans validation par les pairs à ce stade, et la mention « remplacement » indique une révision d'une version antérieure. Les suites logiques seraient des essais sur manipulateurs réels avec charges variables, puis une comparaison directe avec l'identification préalable et les méthodes de méta-apprentissage.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

2arXiv cs.RO

Des a priori linguistiques à l'adaptation sur le terrain : l'apprentissage par préférences pour l'estimation de la traversabilité

Des chercheurs proposent une méthode d'estimation de la traversabilité par images qui réduit fortement le nombre d'annotations nécessaires pour adapter un modèle à un nouveau robot ou à un nouveau terrain. Publié sur arXiv (2610.02974), le travail représente la traversabilité par des prototypes de mélange de von Mises-Fisher, des distributions directionnelles, dans l'espace de caractéristiques figé d'un modèle vision-langage. Des règles relatives en langage naturel (par exemple, un type de surface est préférable à un autre) fournissent un a priori de bon sens. Quelques annotations d'images, elles aussi relatives, ajustent ensuite les directions des prototypes et leurs utilités au domaine cible, par un fine-tuning léger en calcul comme en données. Les tests sont menés sur WayFAST. Les auteurs annoncent une précision comparable à celle d'estimateurs entraînés de bout en bout, sans fournir de chiffres dans le résumé. Ils montrent aussi, de façon qualitative, que l'a priori linguistique fonctionne en zero-shot et que le modèle affiné améliore la prédiction dense sur des cartes sémantiques. Le code et les estimateurs entraînés sont publiés sur resireg.github.io. L'enjeu est très concret pour les intégrateurs et les exploitants de robots mobiles hors site structuré. La traversabilité dépend de la plateforme (roues, chenilles, quadrupède), du terrain et des préférences de mission : un même sol boueux n'a pas la même valeur pour un robot agricole que pour une unité d'inspection. Les modèles entraînés pour un seul cas se transfèrent donc mal, et chaque nouveau déploiement exige un coût d'annotation élevé. S'appuyer sur des comparaisons relatives plutôt que sur des labels absolus abaisse cette barrière, et l'encodage de préférences en langage naturel permet à un opérateur non spécialiste de régler le comportement sans réentraîner un réseau complet. L'interprétabilité apporte un second atout : l'analyse des prototypes appris, rapprochés de prompts sémantiquement proches, rend visible ce que le modèle considère comme franchissable, un point utile pour la validation de sûreté. Il faut toutefois rester prudent : il s'agit d'un résultat de recherche évalué sur un seul jeu de données connu dans le résumé, sans déploiement terrain annoncé. Ce travail s'inscrit dans la tendance qui consiste à réutiliser des modèles de fondation vision-langage figés pour la navigation, afin d'éviter des chaînes d'annotation coûteuses et propres à chaque robot. Il se place face aux estimateurs de traversabilité supervisés de bout en bout, qui restent la référence en précision mais exigent beaucoup de données, et face aux approches auto-supervisées fondées sur l'expérience du robot. Les suites probables sont des validations sur d'autres plateformes et d'autres environnements, ainsi qu'une intégration dans des piles de planification de trajectoire. Aucun calendrier de pilote n'est annoncé.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

3arXiv cs.RO

TRACE : navigation réactive tenant compte de la traversabilité grâce à une estimation adaptative des contraintes pilotée par un VLM

Des chercheurs proposent TRACE, un cadre de navigation réactive destiné aux robots terrestres évoluant en forêt, un environnement non structuré où les méthodes classiques de cartographie géométrique peinent. Le système interroge un modèle vision-langage (VLM) avec deux jeux de requêtes en langage naturel, l'un décrivant ce qui est praticable, l'autre ce qui ne l'est pas, et obtient ainsi des cartes de confiance. Celles-ci sont combinées par fusion évidentielle en une carte dense de traversabilité, qui favorise les zones présentant des signes de passage antérieur, comme un sentier déjà foulé. Les points annotés comme traversables servent ensuite à estimer les bords gauche et droit du chemin, par découpage en percentiles puis ajustement par spline ou polynôme régularisé. Ces bords entrent comme contraintes de barrière souples dans une commande prédictive non linéaire (NMPC) qui assure le suivi de trajectoire. Les essais ont été menés en forêt réelle, dans des zones encombrées, déformables et visuellement ambiguës. Le résumé ne donne ni vitesse, ni taux de réussite, ni distance parcourue, ni plateforme, ni modèle de VLM utilisé, ni latence. L'intérêt tient à la manière dont le travail relie un modèle de fondation à une commande à garanties explicites. Plutôt que de laisser un réseau produire directement des actions, TRACE n'utilise le VLM que comme source de perception sémantique, puis le convertit en contraintes géométriques que la NMPC sait traiter. Cette séparation rend le comportement plus interprétable et plus simple à auditer, un point utile pour les intégrateurs dans l'agriculture, la sylviculture, l'inspection ou la logistique en extérieur. Elle suggère aussi que les VLM peuvent servir de couche de perception zéro-shot sur des terrains où il n'existe pas de données annotées, sans réentraînement. Il faut toutefois rester prudent. Le résumé ne fournit aucune comparaison chiffrée avec des méthodes de référence, et l'expression « essais rigoureux » ne dit rien du nombre d'essais ni de la diversité des sites. Le coût de calcul d'un VLM embarqué, déterminant pour la réactivité à vitesse réelle, n'est pas précisé non plus. Ce travail s'inscrit dans une série de recherches sur la traversabilité apprise, après les approches auto-supervisées issues du terrain, les cartes de coût apprises à partir de démonstrations et les modèles de segmentation généralistes. Ces méthodes butent régulièrement sur l'ambiguïté visuelle de la végétation, qu'une herbe haute ou un feuillage dense rendent difficile à classer comme obstacle ou comme passage. Les requêtes positives et négatives, combinées par fusion évidentielle, visent justement à quantifier cette incertitude. Il s'agit ici d'une publication académique sur arXiv, sans produit ni calendrier de déploiement annoncé. Les prochaines étapes à surveiller sont la publication de code et de benchmarks, ainsi que des tests sur des plateformes plus rapides ou sur d'autres terrains que la forêt.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

4arXiv cs.RO

AGM : une mémoire ancrée dans la réussite pour agents en boucle fermée à politique VLA figée

Un preprint arXiv (2608.29537v1) présente AGM, pour Achievement-Grounded Memory, un framework léger pour politiques vision-langage-action (VLA) figées qui exécutent des blocs d'action en boucle ouverte sans suivre la progression de la tache. AGM découpe chaque tache en sous-objectifs relies a un pointeur de progression, qui n'avance que lorsque le sous-objectif courant est vérifie par une preuve physique. Cette vérification, pilotée par une seule tête de 2,43 millions de paramètres issue de modèles de fondation figes, combine indices proprioceptifs, suivi de points et comparaison cross-vue conditionnée par le langage. Sur le benchmark RoboMME Counting (taches PickXTimes et BinFill), AGM dépasse la meilleure base mémoire concurrente sans que le résume public ne chiffre précisément l'écart, et des essais complémentaires sur un robot physique confirment des gains similaires. Le problème cible est connu du secteur : une politique VLA figée ne peut ni confirmer qu'une sous-tache a réussi ni décider s'il faut réessayer ou continuer, et une mémoire externe mal conçue risque de confondre tentative et réussite, transformant une erreur locale en erreur d'état persistante. En n'autorisant la mise a jour de la mémoire qu'après vérification physique, AGM s'attaque directement a l'écart, souvent souligne dans l'industrie, entre démonstrations contrôlées et fiabilité réelle des VLA sur des taches longues. Pour les intégrateurs, l'intérêt pratique tient au fait que la politique reste figée, sans reentrainement ni inférence d'un grand modèle au moment du test, ce qui limite cout de calcul et latence en usage industriel. Ces travaux s'inscrivent dans la montée des politiques VLA figées comme couche de base pour la manipulation et l'humanoïde, a l'image de Pi-0, GR00T N2 ou Helix, saluées pour leurs compétences mais critiquées pour leur difficulté a suivre une tache longue. Le résume public de l'article ne nomme aucun laboratoire ni entreprise porteurs et reste au stade de preprint arXiv publie fin aout 2026, sans partenaire industriel ni calendrier de déploiement annonces. Les preuves apportées se limitent a un benchmark de comptage de taches et a des essais sur un robot physique dont la plateforme n'est pas précisée, ce qui invite a la prudence avant toute généralisation.

RechercheActu

1 source