Aller au contenu principal
EasyNav : une architecture modulaire pour la navigation en temps réel dans des environnements robotiques hétérogènesIllustration générée par IA
RecherchearXiv cs.RO 

EasyNav : une architecture modulaire pour la navigation en temps réel dans des environnements robotiques hétérogènes

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

EasyNav, un framework de navigation open source pour ROS 2, vient d'être présenté dans un preprint arXiv (2611.19894). Son principe : structurer la pile de navigation autour d'un « état de navigation » explicite et partagé, qui sert d'unique interface entre les modules de cartographie, de localisation, de planification et de contrôle. Les auteurs l'ont validé sur robots réels dans deux scénarios : une navigation en intérieur avec capteur laser, et une navigation à grande échelle entre intérieur et extérieur, avec GPS et LiDAR 3D, sur des itinéraires multi-niveaux. Face à Nav2 dans des conditions comparables, la latence de réaction passe de 377 à 33 ms en intérieur et de 71 à 8 ms en extérieur, soit un gain d'environ 11 fois et 9 fois, avec en prime une consommation moindre de CPU et de mémoire. Il s'agit d'une publication de recherche accompagnée d'un code libre, sans déploiement commercial ni volume de flotte annoncés.

L'enjeu dépasse la performance brute. La plupart des piles de navigation lient, souvent implicitement, cartographie, localisation, planification et contrôle à des représentations et des flux de données précis. Résultat : elles sont difficiles à étendre, à comparer expérimentalement et à analyser en termes de timing de bout en bout. Pour un intégrateur qui exploite des flottes hétérogènes, où coexistent plusieurs représentations spatiales, plusieurs capteurs et plusieurs repères de coordonnées évoluant à des cadences différentes, cette rigidité coûte cher : changer de capteur ou de type de carte oblige souvent à retoucher la chaîne entière. EasyNav propose des pipelines interchangeables, indépendants de la représentation, régis par des contrats explicites de compatibilité et de temporalité. Si cela se confirme, les décideurs gagneraient en prévisibilité temporelle, un critère clé pour la certification et la sûreté en environnement partagé avec des humains. Un point de prudence s'impose toutefois : les chiffres de latence concernent une métrique précise, la réaction, et dépendent de la configuration de Nav2 retenue pour la comparaison. Ils ne disent rien, à ce stade, de la robustesse sur des flottes en exploitation longue durée, ni de l'adoption par la communauté.

Nav2 reste la référence de facto de la navigation ROS 2, largement adoptée, mais sa conception modulaire par plugins laisse subsister des couplages entre composants, que ce travail cherche précisément à lever. EasyNav s'inscrit donc dans un mouvement de fond, qui vise à rendre la navigation plus reproductible, plus comparable et plus analysable avant même d'y injecter des modèles appris. La suite dépendra de la publication des benchmarks complets, de l'écosystème de modules compatibles et de la capacité du projet à fédérer au-delà de son équipe d'origine, ainsi que d'éventuels tests sur des plateformes industrielles, humanoïdes ou mobiles, plus variées.

Dans nos dossiers

À lire aussi

Apprentissage de représentations de sûreté par atteignabilité pour la navigation robotique en temps réel en environnements inconnus et dynamiques
Illustration générée par IA
1arXiv 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
Un cadre hiérarchique de vision-langage-navigation embarqué pour les robots aériens en environnements complexes
Illustration générée par IA
2arXiv cs.RO 

Un cadre hiérarchique de vision-langage-navigation embarqué pour les robots aériens en environnements complexes

Des chercheurs publient sur arXiv (v1, novembre 2026) VLN-AR, un cadre hiérarchique de navigation vision-langage (VLN) conçu pour des robots aériens évoluant dans des environnements complexes, avec exécution embarquée. L'architecture sépare le raisonnement multimodal du contrôle bas niveau : le modèle prédit de manière structurée des commandes de pose 3D et des intentions de navigation, ensuite converties en actions dynamiquement réalisables par le drone. Pour pallier le manque de données 3D, l'équipe propose une chaîne entièrement automatisée fondée sur le 3D Gaussian Splatting (3DGS), qui génère à grande échelle des données de navigation photoréalistes. L'entraînement se fait en trois étapes progressives (ancrage visuel, raisonnement de scène, navigation complexe), et un agent cognitif léger gère la mémoire et la décomposition des tâches pour les trajets longs. Côté embarqué, la sparsification des tokens et l'allègement du modèle apportent une accélération de 7,1x à 9,4x sur des plateformes à ressources limitées, sans perte notable de performance selon les auteurs. Les résultats sont annoncés meilleurs que les méthodes existantes, en simulation comme en vol réel. L'intérêt tient à ce que le travail s'attaque à quatre verrous qui freinent le passage des modèles de fondation aux drones : rareté des données 3D, faisabilité des trajectoires, raisonnement à long horizon et coût de calcul. Séparer le « cerveau » sémantique du contrôle de bas niveau est un schéma déjà courant pour les VLA en robotique mobile et manipulation ; son transfert à l'aérien, où la masse, l'énergie et la latence sont plus contraignantes, est un test utile de la maturité de ces approches. Le facteur d'accélération de 7,1x à 9,4x est le chiffre le plus parlant pour un intégrateur : il indique qu'un raisonnement vision-langage peut tourner sur du calcul embarqué sans liaison permanente vers le cloud, condition clé pour l'inspection, la logistique ou la sécurité en environnement dégradé. Le recours au 3DGS pour fabriquer des données synthétiques réduit aussi l'écart simulation-réel, sans le faire disparaître : la robustesse hors des scènes reconstruites reste à démontrer. Il convient toutefois de lire ces résultats avec prudence. Il s'agit d'une prépublication non évaluée par les pairs, sans produit ni déploiement commercial annoncé. Le résumé ne précise ni le matériel embarqué, ni la taille du modèle, ni le nombre ou la nature des essais en conditions réelles, et le « maintien de la performance » dépend des benchmarks choisis par les auteurs. Le travail s'inscrit dans la lignée des recherches sur la navigation aérienne guidée par le langage, qui exploitent les grands modèles vision-langage et se heurtent depuis plusieurs années aux mêmes limites de données et de calcul. Les suites probables sont la publication du code et des jeux de données via le site du projet, des comparaisons sur des benchmarks partagés et des essais en environnements non vus, étape nécessaire avant tout pilote industriel.

RecherchePaper
1 source
Robots évitant les collisions en temps réel dans des environnements dynamiques
Illustration générée par IA
3arXiv cs.RO 

Robots évitant les collisions en temps réel dans des environnements dynamiques

Des chercheurs publient une méthode qui convertit n'importe quel chemin géométrique, c'est-à-dire une simple séquence d'états produite par un planificateur de mouvement quelconque (échantillonné comme RRT ou PRM, ou basé sur la recherche comme ARA*), en une trajectoire réellement exécutable par un robot : cinématiquement faisable et à jerk limité. L'algorithme génère une suite de splines quintiques ou quartiques, discrétisées à une fréquence de contrôle choisie par l'utilisateur, puis diffusées directement vers le contrôleur bas niveau. Il peut être réinvoqué à tout instant pour recalculer une nouvelle trajectoire depuis l'état courant du robot vers une cible ou une séquence de cibles, avec adaptation en temps réel aux changements de l'environnement. Sous l'hypothèse que la vitesse des obstacles reste bornée, la méthode offre des garanties conditionnelles d'arrêt sécurisé sur un intervalle de temps fini, tout en tolérant une déviation géométrique limitée par rapport au chemin d'origine. Les contraintes cinématiques, jerk compris, sont traitées explicitement. En simulation comparative face à une méthode concurrente, les auteurs rapportent un meilleur lissage, un temps de calcul plus faible et de meilleures performances temps réel, en particulier lors de changements fréquents de cible, jusqu'à 1 kHz. Des expériences sur robot réel valident l'approche, y compris dans des scénarios où un humain fait office d'obstacle. Pour les intégrateurs, ce travail cible un problème très concret : la plupart des planificateurs de mouvement produisent des chemins géométriques, pas des trajectoires exécutables respectant les limites physiques du robot en vitesse, accélération et jerk. Combler ce fossé en temps réel, avec des garanties de sécurité formelles même quand des obstacles se déplacent, fait défaut à de nombreuses piles de navigation actuelles destinées aux environnements partagés avec des humains, entrepôts, usines ou bras collaboratifs. La capacité à replanifier jusqu'à 1 kHz sans dégrader la fluidité du mouvement représente un vrai gain pour les systèmes confrontés à des changements rapides de l'environnement, sans imposer le compromis habituel entre réactivité et stabilité. Le domaine de la planification de mouvement reste tiraillé entre planificateurs globaux, qui trouvent un chemin, et méthodes locales, chargées de le rendre exécutable en douceur : les chemins issus d'échantillonnage sont typiquement irréguliers et nécessitent un post-traitement. Les approches existantes de lissage gèrent souvent mal les obstacles dynamiques ou la replanification à haute fréquence, ce qui constitue la référence à laquelle ce travail se compare. La méthode s'appuie sur la génération de trajectoires par splines, technique classique en robotique pour le mouvement à jerk limité, en y ajoutant une gestion explicite des obstacles dynamiques et des garanties formelles d'arrêt sécurisé. Publiée en version révisée sur arXiv, elle ouvre la voie à des validations plus larges sur d'autres plateformes robotiques.

RecherchePaper
1 source
RoboNav-Arm : navigation à base d'agents et évitement d'obstacles pour bras robotique en environnement encombré
Illustration générée par IA
4arXiv cs.RO 

RoboNav-Arm : navigation à base d'agents et évitement d'obstacles pour bras robotique en environnement encombré

Une équipe de chercheurs propose RoboNav-Arm, un framework d'intelligence artificielle agentique destiné à la navigation et à l'évitement d'obstacles pour bras manipulateurs robotiques évoluant en environnement encombré, selon un article publié sur arXiv (arXiv:2607.09716v1). Le système repose sur un module de perception qui détecte les obstacles en temps réel, les localise en 3D et estime la géométrie de la surface au sol, avant de produire un rapport sémantique structuré précisant la position et la forme des objets ainsi que leur situation par rapport aux zones d'interaction critiques du bras. Un module de coordination central orchestre l'ensemble : il invoque des outils comme la mise à jour de la mémoire et de la scène de collision MoveIt, fait communiquer les différents modules entre eux et surveille en continu la progression de la tâche jusqu'à son achèvement. Un troisième module de planification choisit dynamiquement l'algorithme de mouvement le plus adapté, RRTConnect, RRT* ou BiTRRT, selon la configuration de l'environnement et l'objectif visé, avant qu'une étape de raffinement ne sécurise la trajectoire finale. Le tout a été testé dans le simulateur Gazebo Classic, avec des résultats jugés robustes face à des scénarios dynamiques. L'enjeu dépasse la simple démonstration académique : la manipulation robotique en environnement non structuré reste l'un des points durs de l'industrie, les pipelines de perception classiques étant figés et peu capables de s'adapter à des obstacles imprévus. En confiant la décision de planification à une architecture agentique capable de choisir l'algorithme et d'ajuster la trajectoire en fonction du contexte plutôt que de dépendre d'une connaissance préalable de la scène, cette approche s'inscrit dans une tendance plus large qui traverse la robotique industrielle et logistique, celle de systèmes de contrôle pilotés par des modèles capables de raisonner sur l'environnement plutôt que d'exécuter des règles fixes. Reste que la validation se limite à Gazebo Classic, un environnement simulé, sans transfert vers un bras réel ni comparaison chiffrée avec les méthodes de planification classiques. Le travail s'inscrit dans la lignée des recherches sur les architectures agentiques appliquées à la robotique, un domaine dynamisé ces derniers mois par des modèles vision-langage-action comme GR00T N2 ou Pi-0, qui cherchent eux aussi à combiner perception, raisonnement et contrôle moteur. Contrairement à ces VLA entraînés de bout en bout, RoboNav-Arm mise sur une architecture modulaire orchestrée par un agent central s'appuyant sur des outils de planification de mouvement existants comme MoveIt. Les auteurs ne précisent pas de calendrier pour un passage à un bras robotique physique, étape généralement nécessaire pour confirmer la robustesse observée en simulation.

RecherchePaper
1 source