RecherchearXiv cs.RO 8 mai 2026

Traversée prudente de graphes à coûts d'arêtes stochastiques et corrélés pour une mobilité planétaire globale sûre

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs en robotique planétaire ont publié sur arXiv (réf. 2505.13674v2) un nouvel algorithme de planification de trajectoire pour l'exploration de surface martienne longue distance. Le travail formalise ce problème sous la forme d'une variante du Problème du Voyageur Canadien (Canadian Traveller Problem, CTP) intégrant explicitement l'aversion au risque. L'objectif est de produire une politique de traversée minimisant le CVaR (Conditional Value-at-Risk), une mesure de risque héritée de la finance quantitative et reconnue pour son interprétabilité intuitive. L'algorithme proposé trouve des politiques CVaR-optimales exactes en s'appuyant sur des techniques de recherche AND-OR établies, initialement conçues pour la minimisation d'espérance, étendues ici au domaine de l'aversion au risque. La validation s'effectue sur des simulations de traversées longue distance construites à partir de vraies cartes orbitales de la surface martienne, avec des probabilités de franchissement issues de cartes de terrain réelles.

Ce travail répond à un goulet d'étranglement opérationnel concret dans les missions planétaires actuelles : les opérateurs humains doivent identifier manuellement les segments à traversabilité incertaine et adapter les plans en temps réel selon les difficultés rencontrées. En formalisant ce processus décisionnel adaptatif, les auteurs ouvrent la voie à une planification stratégique plus autonome, réduisant la charge sur les équipes sol tout en maintenant un contrôle explicite du niveau de risque. L'aspect le plus notable est la prise en compte des corrélations de traversabilité entre zones de terrain similaire : lorsqu'une région ressemble à une autre déjà évaluée, l'incertitude n'est pas traitée comme indépendante. Les résultats montrent empiriquement que des détours exploratoires ("information-seeking detours") permettent de réduire significativement le risque dans ces configurations corrélées, ce qui n'est pas possible avec les approches classiques insensibles au risque.

Le contexte immédiat est celui des rovers martiens comme Curiosity (actif depuis 2012) et Perseverance (2021), dont la planification de trajectoire reste aujourd'hui très humano-dépendante et limitée en portée quotidienne. Le CTP est un problème classique de la littérature en planification sous incertitude, mais son adaptation risk-averse pour la mobilité planétaire globale n'avait pas encore été traitée de façon formelle. Ce travail reste pour l'instant une contribution académique sans implémentation annoncée sur matériel réel ni collaboration institutionnelle (NASA, ESA) mentionnée explicitement. Les prochaines étapes naturelles seraient une intégration dans les outils de planification de mission existants et une validation sur des données de terrain analogues terrestres, étape habituelle avant tout déploiement sur véhicule spatial.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

STAG : une représentation en graphe épars tenant compte de la traversabilité, issue de cartes de coûts en grille pour la navigation robotique

Des chercheurs proposent STAG (Sparse Traversability-Aware Graph), une méthode qui convertit les cartes de coûts en grille (costmaps) utilisées par les rovers autonomes en graphes compacts, afin d'accélérer la planification globale de trajectoire. Le graphe repose sur trois types d'éléments : un squelette topologique construit par axe médian, des nœuds représentatifs pour les zones de traversabilité homogène, et des nœuds de transition placés près des forts gradients de traversabilité. Les arêtes encodent à la fois la géométrie et la difficulté du terrain, de sorte que le calcul tient compte de la longueur du chemin et de la nature du sol. Les auteurs comparent l'algorithme A exécuté sur STAG avec A sur grille dense, sur des cartes de grottes synthétiques, des cartes de mines et le jeu de données DARPA CERBERUS. Sur cinq catégories de benchmarks, soit 203 cartes et 101 200 requêtes, STAG réduit le temps de planification médian d'un facteur 3,4 à 9,9 et la mémoire de pointe par requête d'un facteur 2,1 à 15,4. L'écart médian de longueur de trajectoire par rapport à la grille dense va de -2,9 % à +7,6 %. Le problème visé est concret pour la robotique mobile en environnement non structuré : la recherche sur grille dense voit son coût de calcul et de mémoire croître avec la surface cartographiée, ce qui devient pénalisant pour des rovers qui explorent de grandes zones, par exemple en mines, grottes ou tunnels, avec un calculateur embarqué limité. Un gain de 3 à 10 fois en temps et jusqu'à 15 fois en mémoire peut permettre une replanification plus fréquente ou l'usage de processeurs plus modestes. Il faut toutefois lire les résultats avec prudence. Les auteurs reconnaissent eux-mêmes un compromis : STAG sacrifie l'optimalité vis-à-vis de la traversabilité de la grille dense au profit de la vitesse. Un écart médian peut masquer des cas défavorables, et le benchmark est en partie synthétique. Aucun essai sur robot réel n'est mentionné dans le résumé. Il s'agit donc d'un résultat de recherche en simulation et sur données enregistrées, pas d'un système déployé. Le travail s'inscrit dans la lignée des méthodes de réduction de l'espace de recherche (graphes de visibilité, feuilles de route probabilistes, cartes topologiques, squelettes par axe médian) et dans l'effort autour de l'autonomie en milieux souterrains, dont le défi DARPA Subterranean a servi de référence, avec l'équipe CERBERUS comme source de données. L'apport de STAG est de combiner structure topologique et information de traversabilité dans un même graphe, là où beaucoup d'approches compactes traitent surtout la connectivité. Ce type de représentation concerne les acteurs de l'exploration planétaire, de l'inspection minière et de la robotique de terrain. Les suites logiques seraient une validation sur matériel, la gestion de cartes mises à jour en continu et une évaluation face à d'autres planificateurs hiérarchiques. Aucun calendrier n'est annoncé.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

2arXiv cs.RO

Robotique forestière : optimisation stochastique de trajectoire sous contraintes pour une grue forestière optimale en temps

Des chercheurs présentent TSC-VP-STO, une extension de l'algorithme VP-STO (Via-Point-based Stochastic Trajectory Optimization) destinée à la planification de trajectoires pour les grues forestières autonomes. Le problème initial de VP-STO est qu'il impose une configuration articulaire terminale fixe, définie avant même l'optimisation, ce qui limite l'exploitation de la redondance cinématique propre à ces bras manipulateurs à plusieurs degrés de liberté (DOF). TSC-VP-STO remplace cette contrainte rigide par une contrainte dans l'espace de la tâche, permettant d'optimiser conjointement la trajectoire et les degrés de liberté redondants de la posture finale. Les auteurs formalisent l'approche via une décomposition de l'espace de configuration et une contrainte d'atteignabilité spécifique à la cinématique des grues forestières. Les essais, menés sur plusieurs cibles de planification et configurations de points de passage, montrent une réduction de 12 à 15% de la durée des trajectoires en moyenne par rapport à VP-STO, avec une meilleure répartition de l'utilisation du débit hydraulique. La méthode a été validée en conditions réelles sur une grue forestière, incluant un cycle complet de chargement de grumes. L'enjeu dépasse le seul cas des grues forestières: il touche à l'automatisation de tout manipulateur hydraulique cinématiquement redondant soumis à des contraintes de débit de pompe non linéaires et globalement couplées, un problème classique en robotique industrielle lourde (foresterie, BTP, manutention). Optimiser la posture terminale plutôt que de la figer permet de mieux équilibrer la demande hydraulique entre articulations, un gain concret pour les intégrateurs cherchant à réduire les temps de cycle sans changer le matériel. La validation sur machine réelle, et pas seulement en simulation, renforce la crédibilité des gains annoncés, un point que les décideurs industriels scrutent généralement avec prudence face aux démonstrations purement simulées. Ce travail s'inscrit dans la continuité de VP-STO, déjà présenté comme quasi temps-optimal pour la planification hybride de grues forestières, et prolonge une littérature plus large sur l'optimisation stochastique de trajectoires sous contraintes robotiques. Publié comme prépublication arXiv, il reste à ce stade un résultat de recherche appliquée plutôt qu'un produit commercialisé, mais son déploiement réel sur une grue en exploitation forestière constitue une étape notable vers une adoption industrielle.

UECette optimisation profite potentiellement aux intégrateurs robotiques européens du secteur forestier et de la manutention lourde (Scandinavie, BTP), sans acteur français ou européen explicitement cite dans l'article.

RecherchePaper

1 source

3arXiv cs.RO

GraphPoint : graphes d'entités sémantiques et trajectoires de points pour la manipulation robotique compositionnelle

Un article déposé sur arXiv (référence 2609.18358) début septembre 2026 présente GraphPoint, une méthode de manipulation robotique associée à un nouveau benchmark baptisé CoMani. Le travail part d'un constat répandu en robotique : les politiques de manipulation entraînées par apprentissage peinent à généraliser au-delà de leurs démonstrations, même quand une nouvelle instruction combine des objets et des comportements déjà vus séparément. Les auteurs expliquent que lorsque langage et scène visuelle sont trop fortement corrélés pendant l'entraînement, la politique finit par mémoriser un mapping visuo-moteur fixe au lieu de réellement suivre l'instruction donnée. CoMani propose des scènes initiales appariées et des variations contrôlées portant sur un seul facteur sémantique à la fois, afin de forcer les modèles évalués à s'appuyer sur le langage plutôt que sur des raccourcis visuels. Deux niveaux de généralisation compositionnelle sont testés : à l'intérieur d'une sous-tâche, en recombinant entités, types d'action et modificateurs déjà connus, et entre sous-tâches, en réutilisant des comportements appris dans des tâches longues et inédites. GraphPoint, la méthode proposée, relie des graphes d'entités sémantiques à un contrôle géométrique en prédisant la trajectoire future du point de préhension du gripper, convertie ensuite en commandes moteur via la géométrie du robot ; le gripper et les objets sont organisés par rôles sémantiques et leurs interactions conditionnées par le type et le modificateur d'action demandés, tandis qu'une estimation de progression guide les transitions entre étapes. L'enjeu dépasse la seule démonstration technique : il touche directement le problème de l'écart entre performance affichée sur des tâches déjà vues et robustesse réelle en usage, un point sensible pour tout intégrateur évaluant une politique vision-langage-action avant déploiement industriel. En isolant précisément si un modèle suit l'instruction ou reconnaît simplement une scène mémorisée, CoMani offre aux équipes de recherche un outil de diagnostic plus rigoureux que les démonstrations vidéo sélectionnées qui dominent souvent la communication du secteur autour des capacités de généralisation. Le papier s'inscrit dans la vague récente de benchmarks cherchant à mesurer la généralisation compositionnelle des politiques de manipulation plutôt que leur seule réussite sur des tâches figées. Les auteurs indiquent que le code sera publié en accès libre sous le nom GraphPoint, sans préciser de calendrier ni d'institution porteuse. Aucun partenariat industriel, déploiement réel ou chiffre de performance chiffré au-delà des résultats d'ablation sur CoMani n'est mentionné à ce stade, ce qui situe cette publication au stade de la recherche amont plutôt que du produit commercialisable.

RecherchePaper

1 source

4arXiv cs.RO

Heuristiques à base de graphes pour le retrait minimal de contraintes en planification de mouvement robotique encombrée

Les robots humanoïdes et de service qui évoluent dans des environnements domestiques ou de bureau encombrés se heurtent régulièrement à des problèmes de planification de mouvement sans solution tant que tous les objets alentour sont traités comme des obstacles fixes. Une publication déposée sur arXiv (2610.12609) s'attaque à ce cas via le problème dit de Minimum Constraint Removal (MCR), qui consiste à identifier le plus petit nombre de contraintes, typiquement des objets déplaçables, dont le retrait ouvre un chemin sans collision. Le calcul d'une solution MCR optimale est NP-difficile. Les auteurs proposent donc un pipeline heuristique à base de graphes, qui combine une génération bidirectionnelle d'ensembles admissibles et des recherches de longueur fixe sur des graphes MCR réduits. Ils décrivent aussi un générateur étendu, destiné aux instances où les candidats du premier générateur ne contiennent pas un ensemble de retrait optimal complet. Sur six benchmarks, le pipeline retrouve la solution exacte dans trois cas. Dans les autres, il sélectionne au plus 31,25 % d'obstacles de plus que l'optimum, tout en étant de 3,4 à 33,7 fois plus rapide que la recherche exacte. Dans un benchmark de manipulation en milieu encombré, retirer deux objets au lieu de sept fait passer le temps cumulé de MCR, de cinématique inverse et de planification de mouvement de 84,72 s à 30,59 s. Pour les intégrateurs et les équipes de robotique de manipulation, l'enjeu dépasse la performance algorithmique pure. Un robot qui doit décider quels objets déplacer pour atteindre une cible, par exemple dans une étagère dense, un poste de travail ou un domicile, supporte mal une latence de plusieurs dizaines de secondes. Le résultat montre qu'un compromis explicite entre qualité et temps de calcul est possible : accepter quelques obstacles déplacés en trop contre un gain d'un ordre de grandeur sur certains benchmarks. Il faut toutefois rester prudent. Il s'agit de résultats de benchmarks académiques, sans validation annoncée sur un robot réel ni mesure en conditions industrielles. Le gain de 84,72 s à 30,59 s reste un temps de calcul, pas un temps de cycle de tâche, et il dépend de la structure du benchmark choisi. L'écart maximal de 31,25 % par rapport à l'optimum n'offre en outre aucune garantie théorique de borne. Ce travail s'inscrit dans la lignée de la planification de mouvement parmi obstacles déplaçables (NAMO), un domaine où les approches exactes se heurtent vite à l'explosion combinatoire et où les heuristiques restent la voie dominante. Il intervient alors que les modèles vision-langage-action (VLA) portés par les acteurs de l'humanoïde, comme Figure avec Helix, Physical Intelligence avec Pi-0 ou NVIDIA avec GR00T, privilégient l'apprentissage de bout en bout pour les tâches de manipulation. Les méthodes de planification symbolique et géométrique comme celle-ci offrent une alternative ou un complément plus interprétable, capable de fournir à un module appris la liste des objets à écarter. Les prochaines étapes naturelles seraient une intégration avec des planificateurs de mouvement existants, un test sur manipulateurs physiques et une comparaison directe avec des approches apprises. Aucune échéance de déploiement ni partenaire industriel n'est mentionné à ce stade.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source