RecherchearXiv cs.RO 11 novembre 2026

DeRep : apprentissage de représentations de profondeur pour la navigation de bout en bout en environnements encombrés

1 source couvre ce sujet·Source originale ↗·

Compilé et résumé par IA · sources vérifiables en un clic · publié sans lecture humaine préalable · méthodologie

Résumé IASource unique

Des chercheurs publient sur arXiv (2611.13499) DeRep, une méthode de pré-entraînement de représentations de profondeur destinée à la navigation de bout en bout en environnement encombré. DeRep combine deux signaux de supervision : une carte d'atteignabilité locale en vue de dessus (bird's-eye-view), qui indique quelles zones proches sont franchissables, et la reconstruction de l'image de profondeur. Pour comparer les objectifs de façon contrôlée, les auteurs pré-entraînent des encodeurs d'architecture identique, puis les gèlent pendant l'apprentissage de la politique. Trois protocoles sont employés : une sonde linéaire de politique, de l'apprentissage par imitation avec flow matching, et de l'apprentissage par renforcement avec PPO. DeRep obtient la plus faible erreur de prédiction sur la sonde linéaire et dépasse la reconstruction seule dans les six conditions PPO testées. En imitation, les deux objectifs fondés sur l'atteignabilité font mieux que la reconstruction seule, avec des taux de succès moyens proches entre atteignabilité seule et objectif conjoint. La politique PPO avec encodeur gelé est ensuite déployée sans réglage fin dans Gazebo et sur un quadrirotor réel. Le résumé ne donne aucun taux de succès chiffré ni détail sur les scènes testées.

L'intérêt tient surtout à la méthodologie. Beaucoup de travaux apprennent la représentation visuelle conjointement avec la politique, ou par simple reconstruction d'observation, sans préciser ce que la représentation doit conserver. Évaluer chaque représentation avec un seul apprenant aval masque aussi la dépendance du gain à la méthode d'apprentissage. Ici, le bénéfice de la supervision par atteignabilité se retrouve avec trois paradigmes différents, ce qui renforce l'idée qu'une représentation orientée tâche vaut mieux qu'une représentation purement générative. Pour les intégrateurs et équipes R&D, le message est pratique : un encodeur de profondeur compact, pré-entraîné une fois puis réutilisé et gelé, peut servir plusieurs politiques, ce qui réduit le coût d'itération. Le transfert zéro-shot sim-to-sim et sim-to-real sur un quadrirotor est encourageant, mais une démonstration unique sur un seul drone ne prouve pas la robustesse en conditions industrielles variées. Les écarts rapportés entre objectifs, notamment en imitation, restent à confirmer avec les chiffres complets et la variance.

Ce travail s'inscrit dans la montée de la navigation de bout en bout, qui remplace les chaînes classiques perception-cartographie-planification par des politiques apprises directement depuis des capteurs de profondeur ou des images. Les approches concurrentes entraînent l'encodeur conjointement avec la politique, ou recourent à des autoencodeurs et à des modèles de fondation visuels génériques, moins ciblés sur la géométrie navigable. Le choix du flow matching pour l'imitation reflète l'adoption de ces politiques génératives, déjà répandues en manipulation. Les suites logiques seraient des tests sur des plateformes et des environnements plus variés, notamment des robots au sol ou des scènes dynamiques, et la comparaison avec d'autres objectifs de pré-entraînement. Il s'agit ici d'une publication de recherche, sans produit ni déploiement commercial annoncé.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

Navigation agile pour robots quadrupèdes dans des environnements encombrés par apprentissage

Des chercheurs présentent VOP-Nav, un système de navigation pour robots quadrupèdes conçu pour évoluer dans des environnements denses et dynamiques, où l'occlusion des capteurs et l'imprévisibilité des déplacements humains posent des défis majeurs. Le cœur du système est un réseau baptisé VOP-Net, qui traite des données LiDAR multi-frames captées en local pour encoder implicitement les contraintes dynamiques de l'environnement et prédire une zone de vitesse sûre, dérivée de la théorie des Velocity Obstacles (VO). Fait notable, cette prédiction VO sert un double rôle : elle alimente la politique de navigation en inférence, et sert de signal de récompense pendant l'entraînement pour favoriser des trajectoires sûres. Le système a été évalué dans le simulateur Isaac Gym, puis déployé en conditions réelles sur un robot quadrupède Unitree Go2, en intérieur comme en extérieur, sans pipeline explicite de détection et de suivi d'obstacles. L'enjeu dépassé ici est un compromis classique en robotique mobile : les méthodes à base de modèle comme les Velocity Obstacles garantissent la sécurité en théorie, mais s'effondrent en environnement dense car elles dépendent d'estimations précises du mouvement des obstacles, difficiles à obtenir dans une foule. À l'inverse, les approches d'apprentissage de bout en bout sont plus robustes mais manquent de capacité de prédiction, ce qui produit soit des collisions, soit des comportements trop prudents. En hybridant les deux, VOP-Nav vise directement le goulot d'étranglement qui freine le déploiement de quadrupèdes et, plus largement, de plateformes mobiles autonomes dans des espaces partagés avec des humains, entrepôts, hôpitaux, bureaux, un enjeu suivi de près par les intégrateurs travaillant avec des plateformes comme Go2 ou Spot. Le papier s'inscrit dans la lignée des travaux sur la navigation sociale et l'évitement d'obstacles dynamiques, où les méthodes géométriques classiques (VO, ORCA) et l'apprentissage par renforcement coexistent sans avoir jusqu'ici bien fusionné. Publié comme preprint arXiv (2607.15036), le travail n'a pas encore fait l'objet de revue par les pairs ; les auteurs revendiquent des taux de réussite supérieurs à leurs bases de comparaison en simulation, sans toutefois préciser de chiffres exacts ni le protocole complet d'évaluation, un point à surveiller avant toute extrapolation vers un déploiement industriel à grande échelle.

RecherchePaper

1 source

2arXiv cs.RO

DeFM : apprentissage de représentations fondation à partir de la profondeur pour la robotique

DeFM (Depth Foundation Model) est un modèle de fondation auto-supervisé entraîné exclusivement sur des images de profondeur, présenté sur arXiv (v2 de l'article 2601.18923) avec une page projet et la publication de tous les modèles pré-entraînés. Il s'appuie sur un objectif d'auto-distillation de type DINO, appliqué à un jeu de données curé de 60 millions d'images de profondeur. Les auteurs ajoutent une stratégie de normalisation d'entrée inédite, conçue pour conserver la notion d'échelle métrique à travers différentes distances. Le modèle principal est aussi distillé en versions compactes, destinées aux robots aux ressources de calcul limitées. Il est évalué sur la classification, la segmentation, la navigation, la locomotion et la manipulation, et les auteurs revendiquent des performances à l'état de l'art ainsi qu'une bonne généralisation de la simulation vers le monde réel. Les modèles s'utilisent tels quels, sans réglage fin propre à chaque tâche. L'enjeu est de combler un déséquilibre. Les capteurs de profondeur (caméras stéréo, temps de vol, lidar) équipent une grande partie des robots, et la simulation rapide et fidèle de la profondeur permet déjà d'entraîner des politiques qui passent en conditions réelles avec robustesse. Pourtant, l'apprentissage de représentations pour cette modalité reste très en retard sur le RGB, où les modèles de fondation de type DINO servent de base standard. Si DeFM tient ses promesses, les équipes de locomotion et de navigation pourraient disposer d'un encodeur de profondeur réutilisable, comme elles le font pour le RGB, au lieu de réentraîner un réseau pour chaque tâche et chaque capteur. La déclinaison en petits modèles compte pour l'embarqué. Quelques réserves s'imposent : il s'agit d'un résumé d'article, sans chiffres détaillés dans le texte. Le gain réel face aux encodeurs RGB ou aux modèles de profondeur existants, la robustesse entre capteurs et le coût d'inférence sur matériel embarqué devront être confirmés par les benchmarks complets et par une reproduction indépendante. Ce travail s'inscrit dans la montée en puissance des politiques robotiques entraînées en simulation, notamment pour les robots à pattes et humanoïdes, qui utilisent souvent la profondeur comme entrée principale. Il prolonge la logique des modèles de fondation visuels auto-supervisés, dont DINO est la référence, en l'étendant à une modalité longtemps traitée au cas par cas. La publication des poids ouvre la voie à une adoption rapide par les laboratoires et les intégrateurs, qui pourront tester DeFM comme encodeur de base dans leurs pipelines de navigation ou de préhension. La suite dépendra de la reproduction des résultats par des équipes tierces, de l'intégration dans des politiques de type VLA, et de la capacité du modèle à tenir ses promesses hors des benchmarks, sur des robots déployés.

RecherchePaper

1 source

3arXiv cs.RO

Apprentissage de représentations de sûreté par atteignabilité pour la navigation robotique en temps réel en environnements inconnus et dynamiques

Des chercheurs ont publié sur arXiv (version 2 de l'article 2610.16522) une thèse de doctorat qui apprend hors ligne des représentations de sécurité fondées sur l'analyse d'accessibilité de Hamilton-Jacobi (HJ), afin de les exploiter en temps réel pour la navigation de robots en environnement inconnu et dynamique. La fonction de valeur HJ sépare les états qui admettent une continuation sûre de ceux où la collision est inévitable, en tenant compte de la vitesse, de l'orientation et du mouvement des obstacles. Son calcul en ligne pour chaque nouvel environnement reste trop coûteux, d'où l'entraînement de réseaux de neurones implicites sur des solutions précalculées. Cinq méthodes sont proposées. Les deux premières emploient la fonction apprise comme contrainte terminale dans une commande prédictive (MPC), pour des environnements locaux statiques puis pour des obstacles au mouvement prédit. Les deux suivantes l'utilisent comme candidate de fonction barrière dans des filtres de sécurité à fonctions barrières de contrôle (CBF), pour des environnements statiques, puis pour un nombre variable d'obstacles mobiles grâce à des barrières par paires en coordonnées relatives. La cinquième méthode remplace le solveur hors ligne sur grille et atteint des systèmes jusqu'à 13 états. L'astuce centrale tient à la structure du problème : la fonction de valeur ne dépasse jamais la contrainte géométrique, elle équivaut donc à une contrainte calculée directement, comme une distance signée, moins une correction de dynamique positive. N'apprendre que cette correction garantit que les obstacles représentés restent hors de l'ensemble sûr prédit, malgré les erreurs d'approximation. Pour la cinquième méthode, avec des dynamiques affines en la commande et des entrées polytopiques, l'hamiltonien HJ est maximisé en un sommet. Une recherche arborescente parallélisable sur les entrées aux sommets génère alors les étiquettes d'entraînement, associées à une perte issue de l'inégalité variationnelle HJ. L'enjeu pour les intégrateurs et ingénieurs est concret : la vérification géométrique de collision ne suffit pas pour des robots rapides ou face à des obstacles mobiles, et les méthodes d'accessibilité classiques butaient sur la malédiction de la dimension, limitant les quatre premières approches à des modèles de faible dimension. Passer à 13 états ouvre la voie à des drones et à des robots plus complexes. Les auteurs rapportent, en simulation et sur matériel terrestre et aérien, une meilleure évitement que des références géométriques ou conçues à la main, surtout à horizon court et face à des obstacles mobiles. Il s'agit toutefois de résultats académiques, sans chiffres publics dans le résumé, ni déploiement industriel ni comparaison chiffrée détaillée. Ce travail s'inscrit dans la convergence entre analyse d'accessibilité HJ, longtemps réservée aux petits systèmes, et apprentissage de certificats de sécurité, aux côtés des CBF neuronales et des approches de filtres de sécurité pour la robotique mobile et aérienne. Les prochaines étapes naturelles sont l'extension à des dynamiques plus riches, la validation sur des plateformes réelles plus variées et l'intégration à des piles de navigation embarquées. Aucune échéance de transfert industriel n'est annoncée.

RecherchePaper

1 source

4arXiv cs.RO

EDAR : apprentissage de représentations d'actions dépendantes de l'environnement pour la manipulation robotique

EDAR (Environment-Dependent Action Representation) est une nouvelle méthode d'apprentissage de représentations d'actions pour la manipulation robotique, présentée dans un article publié sur arXiv (référence 2607.11427v1). Le problème que les auteurs cherchent à résoudre est que les trajectoires de contrôle brutes utilisées pour entraîner des politiques robotiques sont bruitées, redondantes et difficiles à modéliser telles quelles. Les approches existantes se contentent généralement d'encoder la structure du flux d'actions lui-même, sans tenir compte explicitement de l'environnement dans lequel ces actions sont exécutées. EDAR propose au contraire de coupler les commandes moteur avec leurs effets visuels attendus, conditionnés par le contexte de la scène, afin que la représentation apprise capture la sémantique de l'interaction plutôt que de simples motifs au niveau des commandes. Les auteurs ont testé leur méthode sur des bancs d'essai de manipulation à la fois simulés et sur robot réel. Cette approche s'attaque à un angle mort connu des architectures VLA (vision-language-action) actuelles: le même segment d'action peut produire des résultats radicalement différents selon la disposition des objets, les propriétés physiques de la scène ou l'état initial de l'environnement. En ancrant les tokens d'action dans les conséquences visuelles attendues plutôt que dans la seule structure de commande, EDAR vise à améliorer la généralisation des politiques apprises, en particulier sur des tâches de manipulation à long horizon, où les erreurs de représentation s'accumulent au fil des étapes. Pour les équipes qui développent des politiques de manipulation généralistes, ce type de travail illustre une tendance de fond: le passage d'une modélisation purement centrée sur le contrôle vers des représentations conjointes action-perception, jugées nécessaires pour que les modèles de fondation robotiques (dans la lignée de GR00T N2, Pi-0 ou Helix) tiennent leurs promesses au-delà des démonstrations en environnement contrôlé. Le papier s'inscrit dans un courant de recherche plus large sur les représentations d'actions pour la robotique, où plusieurs travaux récents ont exploré la tokenisation d'actions, l'apprentissage par imitation conditionné par la vision, ou les modèles du monde pour anticiper les conséquences des actions. EDAR se positionne comme une contribution méthodologique plutôt qu'un produit ou un système déployé: il n'y a pas d'annonce de déploiement industriel ni de partenariat commercial associé à ce travail, qui reste à ce stade une publication de recherche évaluée sur des bancs d'essai académiques. Les prochaines étapes attendues pour ce type de travaux sont généralement l'intégration dans des pipelines VLA plus larges et des tests de transfert sur des plateformes robotiques commerciales, mais aucune feuille de route de ce type n'est mentionnée dans l'abstract.

RecherchePaper

1 source