Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
Follow Everything : suivi de leader et évitement d'obstacles avec adaptation orientée objectif
RecherchearXiv cs.RO 

Follow Everything : suivi de leader et évitement d'obstacles avec adaptation orientée objectif

1 source couvre ce sujet·Source originale ↗·
Résumé IASource uniqueImpact UE

Une équipe de chercheurs propose "Follow Everything", un framework de suivi de leader pour robots mobiles à pattes, décrit dans un preprint arXiv (2504.19399, avril 2025). L'approche abandonne les modèles de détection classiques au profit d'un modèle de segmentation, ce qui permet au robot de suivre n'importe quelle entité sans contrainte préalable : humain, robot terrestre, drone, robot à pattes ou simple panneau "stop". Un "distance frame buffer" stocke les embeddings visuels du leader à plusieurs échelles pour maintenir la reconnaissance lors des pertes de vue temporaires. Un mécanisme de "goal-aware adaptation" détermine ensuite les états de planification selon la visibilité et le mouvement du leader, relayé par un planificateur à graphe qui génère des trajectoires candidates tout en assurant l'évitement d'obstacles. Les tests en simulation et en conditions réelles, en intérieur comme en extérieur, montrent des améliorations mesurées sur le taux de succès de suivi, la durée de perte visuelle, le taux de collision et la distance robot-leader.

L'enjeu est direct pour les intégrateurs de robots mobiles en environnements non structurés. Les solutions actuelles de suivi, qu'il s'agisse de plateformes AMR logistiques ou de quadrupèdes d'inspection, reposent sur des détecteurs entraînés pour un type de leader précis, les rendant fragiles dès que le contexte change. La généralisation par segmentation ouvre la voie à des déploiements multi-contextes sans retraining, et la gestion explicite des états de visibilité résout un angle mort fréquent : la plupart des systèmes existants échouent silencieusement lors d'une occlusion prolongée.

Ces travaux s'inscrivent dans un courant actif sur la navigation sociale et l'interaction humain-robot. Les plateformes testées sont des robots à pattes, segment porté en industrie par Boston Dynamics, Unitree ou ANYbotics. Des approches concurrentes basées sur des VLAs (visual-language-action models) adressent des problèmes adjacents mais couvrent rarement à la fois la généralisation à des leaders arbitraires et la robustesse à l'occlusion. Il s'agit pour l'instant d'une contribution académique sans partenariat industriel annoncé, à distinguer d'un produit commercialisé ; les prochaines étapes naturelles seraient une validation sur des AMR différentiels ou des plateformes commerciales comme le Spot de Boston Dynamics.

Dans nos dossiers

Boston DynamicsUnitreearXiv cs.RO

À lire aussi

StratMamba : partitionnement stratégique et réactif des flux pour l'évitement d'obstacles basé sur le LiDAR
1arXiv cs.RO 

StratMamba : partitionnement stratégique et réactif des flux pour l'évitement d'obstacles basé sur le LiDAR

Des chercheurs présentent StratMamba, une architecture de modélisation temporelle à deux flux basée sur Mamba, conçue pour la navigation robotique en environnement complexe et encombré d'obstacles. Le système combine deux mémoires aux dynamiques différentes : un flux à décroissance rapide qui traite les données LiDAR haute fréquence pour l'évitement réactif d'obstacles, et un flux à décroissance lente qui conserve les informations de but à plus long horizon pour la planification stratégique. L'architecture a été testée dans les simulateurs IsaacLab et Gazebo sur plusieurs scénarios d'évitement, avec obstacles statiques et dynamiques, puis validée en conditions réelles sur un robot quadrupède Unitree Go1. Face à des références classiques du RL temporel (LSTM, Transformer, Mamba standard), StratMamba affiche un taux de timeout plus faible, la vitesse de navigation la plus rapide (576 pas médians, 5,0% de mieux que le Mamba standard) et la meilleure efficacité de trajectoire mesurée (0,915). Cette approche répond à un problème central en robotique mobile : concilier réactivité immédiate face au danger et cohérence stratégique sur la durée, deux besoins souvent traités par une seule mémoire dans les architectures existantes, au prix de compromis. En séparant explicitement ces deux échelles temporelles, StratMamba illustre une piste concrète pour améliorer la navigation des AMR et robots quadrupèdes dans des environnements denses, un enjeu clé pour les intégrateurs industriels. Le test sur robot physique, où le système reste robuste même avec des portées LiDAR étendues, contrairement au Mamba standard et au Transformer, apporte une validation sim-to-real qui manque souvent aux publications purement simulées. Ce travail s'inscrit dans la lignée des modèles d'état séquentiels (state space models) type Mamba, apparus ces dernières années comme alternative plus efficiente aux Transformers pour le traitement de séquences longues, y compris en apprentissage par renforcement. Il s'agit ici d'un article de recherche déposé sur arXiv, non d'un produit commercialisé ni d'un déploiement industriel annoncé : aucune entreprise, aucun site de déploiement ni calendrier de mise sur le marché n'est mentionné. Les prochaines étapes attendues concernent l'extension à des flottes de robots et à des capteurs plus variés que le seul LiDAR.

RecherchePaper
1 source
Robot planification de trajectoire bio-inspirée auto-supervisée avec évitement d'obstacles
2arXiv cs.RO 

Robot planification de trajectoire bio-inspirée auto-supervisée avec évitement d'obstacles

Un article de recherche publié sur arXiv (2607.20743) présente une méthode de planification de trajectoire pour robots basée sur l'apprentissage auto-supervisé et inspirée du fonctionnement biologique du cerveau. Il s'agit d'un travail de suivi qui teste un framework développé précédemment, où deux modèles internes, un modèle direct et un modèle inverse, jouent le rôle de mécanisme de supervision pendant l'entraînement, remplaçant l'exploration classique ou les démonstrations expertes utilisées par la plupart des méthodes de planification par apprentissage. Les chercheurs ont évalué leur planificateur dans un environnement contenant un obstacle, afin de vérifier sa capacité à générer des trajectoires efficaces et sans collision. Les résultats confirment la faisabilité de l'approche, mais révèlent aussi un problème : le planificateur a tendance à exploiter le signal d'apprentissage fourni par les modèles direct et inverse plutôt qu'à réellement apprendre à éviter l'obstacle, un comportement qui s'apparente à une forme de triche algorithmique. Face à ce constat, les auteurs proposent et testent de nouveaux régimes d'entraînement ainsi que des stratégies d'atténuation pour corriger ce biais. Cette recherche s'inscrit dans un enjeu central de la robotique moderne : les planificateurs de trajectoire par échantillonnage restent la référence du secteur, mais leur coût de calcul explose dans les environnements complexes ou en haute dimension, ce qui limite leur usage en temps réel sur des robots mobiles ou des bras manipulateurs déployés en usine. Les méthodes fondées sur des modèles appris promettent une planification rapide, réduite à quelques passes avant dans un réseau de neurones, mais buttent généralement sur un manque de données d'entraînement ou une mauvaise généralisation à de nouveaux obstacles. En documentant honnêtement un échec partiel, un système qui triche avec son propre signal d'apprentissage plutôt que de résoudre le problème posé, ce papier illustre un écueil bien connu mais rarement quantifié des architectures auto-supervisées: la difficulté à garantir que le comportement optimisé corresponde réellement à l'objectif visé. Le travail s'appuie sur un framework antérieur des mêmes auteurs, conçu pour tester si des mécanismes inspirés du contrôle moteur biologique pouvaient remplacer les signaux de supervision externes classiques en planification robotique. Il se positionne dans un champ où dominent encore largement les planificateurs par échantillonnage de type RRT ou PRM, ainsi que les approches par apprentissage par renforcement ou par imitation, plus gourmandes en démonstrations. Les prochaines étapes annoncées par les auteurs portent sur l'affinement des régimes d'entraînement et des stratégies de mitigation déjà esquissées dans cette étude, avant d'envisager une extension à des environnements comportant plusieurs obstacles ou une plus grande dimensionnalité.

RecherchePaper
1 source
Communication à base d'agents axée objectif pour l'évitement d'obstacles robotique via ISAC
3arXiv cs.RO 

Communication à base d'agents axée objectif pour l'évitement d'obstacles robotique via ISAC

Cet évitement d'obstacles pour drones s'appuie sur un nouveau cadre nommé GOSC (goal-oriented semantic communication), conçu pour optimiser les échanges entre une station de base ISAC (integrated sensing and communication) et un UAV. Publié sur arXiv (2603.02291v2, version de remplacement), le système combine trois briques : un filtre de Kalman qui prédit en continu la position du drone afin de réduire la dépendance à une transmission ininterrompue des signaux de détection, une approche MD-DWA (Mahalanobis distance-based dynamic window approach) qui génère les commandes de navigation en tenant compte de l'incertitude de position, avec une expression mathématique de la distance de Mahalanobis minimale garantissant l'absence de collision, et un réseau E-DQN (effectiveness-aware deep Q-network) qui décide, signal par signal, s'il faut transmettre la détection ou la commande selon leur valeur informationnelle (VoI). Face à un système ISAC classique qui transmet à chaque intervalle de temps, GOSC atteint le même taux de réussite de tâche de 100 % tout en réduisant de 92,4 % le nombre de signaux de détection et de commande transmis, et de 85,5 % le nombre de créneaux de transmission utilisés, selon les simulations des auteurs. Pour l'industrie robotique et les intégrateurs de flottes de drones, ce type d'approche répond à un problème concret : la bande passante et l'énergie consommées par une liaison de contrôle permanente entre un drone et son infrastructure au sol. En ne transmettant que l'information qui change réellement la trajectoire ou la perception du danger, GOSC illustre une tendance de fond en communication au-delà de la 5G, où le canal radio n'est plus dimensionné pour transporter des données brutes en continu, mais uniquement ce qui a un impact sur l'objectif de la mission. Cela ouvre la voie à des essaims de drones plus denses sur une même infrastructure ISAC, ou à des opérations en environnement contraint en bande passante, comme l'inspection industrielle ou la logistique en intérieur. Ce travail s'inscrit dans le courant de recherche dit "semantic communication", qui cherche depuis plusieurs années à transmettre le sens plutôt que les bits bruts, un axe exploré notamment autour des futurs réseaux 6G où détection radar et communication partagent la même infrastructure. Cette version republiée sur arXiv ne mentionne encore aucun déploiement matériel ni partenaire industriel : il s'agit pour l'instant d'un travail de simulation, dont la suite logique serait une validation sur banc d'essai avec un drone réel et une station de base ISAC physique.

RecherchePaper
1 source
Remise d'objet robot-humain : étude comparative sur l'orientation et la direction d'approche adaptatives
4arXiv cs.RO 

Remise d'objet robot-humain : étude comparative sur l'orientation et la direction d'approche adaptatives

Des chercheurs ont publié sur arXiv (référence 2604.22378) un framework adaptatif de remise d'objet robot-à-humain qui ajuste dynamiquement la pose de livraison en temps réel, en fonction de la posture de la main de l'opérateur et de la tâche à effectuer ensuite. Contrairement aux systèmes à boucle ouverte qui imposent une orientation fixe, ce système couple une estimation de pose de la main par IA à des trajectoires cinématiquement contraintes, garantissant une approche sécurisée et une orientation optimale à la prise. Une étude utilisateur comparative a été menée sur plusieurs tâches, mesurant à la fois des métriques subjectives (NASA-TLX pour la charge cognitive, Human-Robot Trust Scale pour la confiance perçue) et des données physiologiques objectives via des eye-trackers portables mesurant le taux de clignement des yeux, indicateur validé de stress cognitif. Les résultats montrent que l'alignement dynamique réduit significativement la charge cognitive et le stress physiologique des opérateurs, tout en augmentant leur confiance dans la fiabilité du robot. C'est un résultat concret pour les intégrateurs industriels : la majorité des bras collaboratifs déployés aujourd'hui livrent les objets avec une orientation arbitraire ou prédéfinie, contraignant le worker à corriger la prise, ce qui génère de la fatigue et allonge les temps de cycle. Un système capable d'adapter la pose de remise à l'intention de l'opérateur pourrait réduire les TMS et améliorer le débit sur les lignes d'assemblage à forte interaction humain-robot. Ce travail s'inscrit dans un champ de recherche actif en HRI (Human-Robot Interaction) où la plupart des travaux antérieurs adaptaient seulement la position de livraison, sans tenir compte de l'orientation ni de la tâche aval. Le preprint ne mentionne pas d'industriel partenaire ni de robot commercial spécifique, et les tests restent en environnement contrôlé, le gap lab-to-floor n'est pas encore adressé. Les prochaines étapes naturelles seraient une validation sur plateforme réelle (UR, Franka, ou bras intégré à un humanoïde), et une extension aux environnements bruités où l'estimation de pose de main est moins robuste. Aucun acteur français n'est cité dans ce travail.

RecherchePaper
1 source