RecherchearXiv cs.RO 5 mai 2026

AnchorD : ancrage métrique de la profondeur monoculaire par graphes de facteurs

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs de l'université de Fribourg-en-Brisgau ont publié AnchorD, un framework d'estimation de profondeur présenté comme entraînement-libre (training-free), capable d'ancrer les prédictions métriques de modèles monoculaires dans des mesures de capteurs réels via une optimisation par graphes de facteurs (factor graphs). La méthode réalise un alignement affine par patches, ce qui permet de recaler localement les estimations monoculaires sur une profondeur métrique réelle tout en préservant les discontinuités géométriques fines. Pour valider l'approche dans des conditions difficiles, l'équipe introduit également un nouveau jeu de données de référence avec vérité terrain dense sur des scènes complètes contenant des objets non-lambertiens (transparents, spéculaires, métalliques), obtenue en combinant une peinture mate réfléchissante en spray sur les surfaces problématiques et une fusion multi-caméras, contournant ainsi la dépendance aux annotations CAD par objet des benchmarks existants. Le code et les données sont publiés en accès libre.

L'enjeu pratique est réel pour les intégrateurs de manipulation robotique et de préhension : les capteurs de profondeur structurés (Time-of-Flight, stéréo, LiDAR) décrochent systématiquement sur les surfaces transparentes comme le verre ou spéculaires comme l'inox, des matériaux omniprésents en milieu industriel. Les grands modèles de profondeur monoculaire, Depth Anything V2, UniDepth, ZoeDepth, produisent des priors structurels excellents mais souffrent d'ambiguïté d'échelle métrique, ce qui les rend inutilisables directement pour la planification de trajectoire ou le calcul de prise. AnchorD propose de fusionner les deux sources d'information sans réentraînement, ce qui le rend déployable sur du matériel existant avec n'importe quel modèle fondation de profondeur en entrée. Les auteurs rapportent des améliorations constantes sur des capteurs et domaines variés, sans communiquer de métriques numériques précises dans le résumé, les chiffres restent à consulter dans le papier complet.

Ce travail s'inscrit dans un axe actif de recherche qui tente de "métrifier" les modèles de vision de fondation pour les rendre directement exploitables en robotique, sans passer par des pipelines de calibration coûteux. L'université de Fribourg (groupe Robotics and Embedded Systems, liens avec le DFKI) est un acteur reconnu en perception robotique, notamment sur les terrains non structurés. Dans l'espace concurrent, des approches comme Metric3D v2 (Tianjin/Baidu) ou ScaleDepth cherchent le même objectif par voie paramétrique ou de fine-tuning; AnchorD se distingue par son absence totale de phase d'entraînement. L'article est un preprint arXiv (2605.02667, mai 2026), non encore évalué par les pairs: les résultats présentés devront être confirmés lors d'une revue formelle.

Impact France/UE

Contribution d'un laboratoire européen (Fribourg/DFKI) publiée en open-source et sans réentraînement, directement exploitable par les intégrateurs EU pour la manipulation d'objets industriels à surfaces transparentes ou spéculaires.

Dans nos dossiers

Manipulation robotique arXiv cs.RO

À lire aussi

1arXiv cs.RO

DROID-ANCHOR : estimation récurrente de profondeur métrique ancrée sur l'odométrie

Des chercheurs publient sur arXiv (référence 2607.17058v1, juillet 2026) un nouveau système baptisé Metric-DROID, associé au papier intitulé DROID-ANCHOR, qui vise à résoudre un problème classique de la navigation robotique autonome : l'estimation de profondeur métrique à partir d'une seule caméra. Les systèmes SLAM récents basés sur des flux récurrents atteignent un excellent niveau de robustesse mais restent incapables de fournir une échelle physique fiable, ce qu'on appelle l'ambiguïté d'échelle, avec un risque de dérive au fil du déplacement du robot. Metric-DROID propose une architecture bout-en-bout qui ancre le SLAM visuel à la réalité physique en intégrant des données d'odométrie proprioceptive, c'est-à-dire les mesures internes de déplacement du robot (roues, capteurs inertiels). Le système repose sur trois briques : un opérateur de mise à jour LSTM qui transforme les séquences d'odométrie haute fréquence en cartes de caractéristiques spatiales servant de biais métrique persistant ; un module d'ajustement de faisceaux ($BA_{odom}$) qui pondère intelligemment les données visuelles et les mesures métriques grâce à une covariance apprise, limitant l'impact du glissement des roues et du bruit capteur ; et une stratégie de réglage fin sélectif qui préserve les connaissances géométriques pré-entraînées tout en permettant un alignement métrique sans réentraînement complet (zero-shot). L'enjeu est concret pour l'industrie robotique : la plupart des systèmes de navigation autonome low-cost s'appuient sur une caméra monoculaire plutôt que sur des capteurs stéréo ou LiDAR coûteux, mais butent justement sur cette absence d'échelle métrique fiable, ce qui limite leur usage en cartographie, en évitement d'obstacles précis ou en manipulation mobile. Si l'approche tient ses promesses en conditions réelles et pas seulement en benchmark, elle pourrait permettre à des robots mobiles et des AMR équipés de capteurs bon marché d'obtenir une localisation et une perception de profondeur en unités réelles, sans dépendre exclusivement de capteurs additionnels dédiés, ce qui réduirait les coûts matériels tout en fiabilisant la navigation en environnements dynamiques. Ce travail s'inscrit dans la lignée des systèmes SLAM récurrents de type DROID-SLAM, connus pour leur robustesse mais limités par l'ambiguïté d'échelle inhérente aux approches purement visuelles. En fusionnant apprentissage profond et odométrie classique plutôt que de s'appuyer sur des capteurs de profondeur additionnels, les auteurs se positionnent face aux approches concurrentes de SLAM visuo-inertiel ou visuo-LiDAR. L'article, encore au stade de publication de préprint, ne fournit pas à ce jour de détails sur un déploiement matériel réel ni sur des tests en conditions industrielles : il s'agit pour l'instant d'une contribution méthodologique dont la validation à grande échelle sur des plateformes robotiques commerciales reste à démontrer.

RecherchePaper

1 source

2arXiv cs.RO

Revue des modèles du monde robotiques pour environnements dynamiques, fondés sur les graphes de facteurs et de scènes

Les modèles de monde fondés sur des graphes se sont imposés en robotique comme représentations internes de l'environnement, avec deux familles dominantes : les graphes de facteurs et les graphes de scène. Une revue de littérature publiée sur arXiv (2610.08800v1) fait le point sur la manière dont ces modèles prennent en compte la dynamique du monde réel. Les graphes de facteurs fournissent surtout des estimations géométriques sensibles à l'incertitude, par exemple pour la localisation et la cartographie. Les graphes de scène apportent une abstraction sémantique structurée des objets et de leurs relations. Beaucoup de ces modèles ont d'abord supposé un environnement statique, par simplification. Les auteurs organisent leur analyse autour de trois axes : les représentations adaptées, les pipelines de construction et de mise à jour, et l'exploitation de ces représentations pour des tâches aval. Ils couvrent les approches fondées sur l'un ou l'autre type de graphe. Ils insistent sur les modèles hybrides qui combinent les deux, et classent les schémas d'architecture récurrents ainsi que les types de dynamique modélisés. L'enjeu est pratique. Un robot en entrepôt, en usine ou en environnement domestique évolue parmi des personnes, des chariots et des objets déplacés. Une carte figée devient alors vite fausse, et le robot peut planifier à partir d'une scène qui n'existe plus. La revue montre que l'écart entre une représentation statique et la réalité reste un verrou structurel, y compris pour les systèmes qui s'appuient sur des modèles appris de perception. Elle met aussi en évidence un manque de méthode dans le domaine. Il n'existe pas de jeux de données ni de protocoles d'évaluation qui relient la qualité d'un modèle de monde à la performance de la tâche finale en environnement dynamique. Les comparaisons entre approches restent donc difficiles à interpréter pour un intégrateur qui doit choisir une pile logicielle. Il s'agit d'une revue de la littérature, sans produit ni déploiement annoncé, et elle ne fournit pas de chiffres de performance propres. Ce travail s'inscrit dans l'évolution de la robotique mobile. On est passé de la cartographie géométrique (SLAM) à des cartes enrichies de sémantique, puis à des graphes de scène hiérarchiques, avant que la dynamique ne devienne une préoccupation centrale. Les auteurs identifient quatre chantiers ouverts. Le premier est la propagation de l'incertitude de la perception apprise à travers les couches de la représentation. Le deuxième est l'observabilité du mouvement et de l'échelle des entités dynamiques avec un minimum de capteurs. Le troisième est la maintenance du modèle à grande échelle sur de longues durées d'exploitation. Le quatrième est la création de jeux de données et de protocoles d'évaluation adaptés. Ces pistes concurrencent d'autres approches de modèles de monde, notamment les modèles appris de bout en bout et les architectures VLA, qui encodent l'état du monde de façon implicite. La revue défend l'intérêt des représentations explicites et hybrides pour leur interprétabilité et leur gestion de l'incertitude. Aucune échéance n'est avancée, et les suites dépendront de la communauté de recherche.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

3arXiv cs.RO

Exploitation de la parcimonie chordale pour une estimation globalement optimale avec des graphes de facteurs

Une équipe de chercheurs associée au Borg Lab (Georgia Tech) a publié fin mai 2026 un préprint arXiv (2605.30617) présentant une méthode pour rendre l'estimation d'état globalement optimale dans les graphes de facteurs, sans effort de formulation manuelle. Le travail s'intègre directement à GTSAM, la bibliothèque de référence pour le SLAM et la navigation, et repose sur deux contributions : une procédure automatisée de construction de relaxations SDP (semi-definite programming) convexes pour tout graphe de facteurs utilisant les types de variables et de facteurs courants, et l'exploitation de la structure creuse chorale native de l'arbre de Bayes (Bayes tree) de GTSAM pour décomposer le problème SDP. Les deux cas d'usage évalués sont un problème de SLAM 3D par pose-graph en anneau et un problème de localisation 2D en chaîne, sur lesquels le nouvel estimateur démontre une meilleure scalabilité que les solveurs locaux standards. Le code est disponible sur le dépôt borglab/gtsam. L'enjeu est directement lié à la sécurité des systèmes robotiques : les solveurs locaux embarqués dans GTSAM ou g2o peuvent converger vers de mauvais minima locaux, ce qui dans un contexte de navigation autonome ou de perception industrielle représente un risque réel. Les approches par relaxations convexes garantissent l'optimalité globale ou permettent de certifier la solution, mais elles étaient jusqu'ici réservées à des cas formulés manuellement par des spécialistes, et pénalisées par le coût de résolution d'un SDP de grande taille. En automatisant la construction de la relaxation et en exploitant la sparsité du problème, les auteurs réduisent substantiellement ce surcoût computationnel, rendant l'approche crédible pour des applications embarquées ou temps-réel. Les graphes de facteurs sont l'outil dominant en estimation robotique depuis les travaux séminaux de Dellaert et Kaess (iSAM, iSAM2) au début des années 2010, et GTSAM en est l'implémentation la plus utilisée en recherche. Les relaxations SDP pour le SLAM ont été explorées depuis une dizaine d'années, notamment par Rosen et al. avec SE-Sync (2019), qui ciblait spécifiquement la synchronisation de poses. Ce nouveau travail généralise l'approche à des graphes de facteurs arbitraires, ce qui constitue un pas vers une intégration praticable dans des pipelines SLAM existants. Il s'agit d'un préprint non encore soumis à révision par les pairs, et les gains de performance annoncés restent à confirmer sur des benchmarks plus complexes ou des architectures embarquées contraintes.

RecherchePaper

1 source

4arXiv 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