RecherchearXiv cs.RO 4 juin 2026

Apprendre aux robots à dire « Je ne sais pas » : SENTINEL pour un SLAM conscient de l'incertitude

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Une équipe de chercheurs présente SENTINEL, un cadre d'estimation de fiabilité pour LiDAR 2D bas coût, conçu pour prévenir les corruptions silencieuses dans les systèmes de SLAM (localisation et cartographie simultanées). Le principe central : calculer un score de fiabilité par scan, compris entre 0 et 1, en combinant des statistiques géométriques sur le nuage de points avec une cohérence de profondeur croisée entre le LiDAR et une caméra RGB-D. Lorsque ce score descend sous un seuil, les scans jugés corrompus sont rejetés et le robot bascule automatiquement vers une odométrie à roues calibrée. La méthode est entièrement sans entraînement et sans étiquettes. Les expériences ont été conduites sur un robot GEFIER R1 à quatre roues en configuration skid-steer, équipé d'un RPLidar A2M12 et d'une caméra Intel RealSense D435i, dans une arène de 185 cm sur 245 cm intégrant des obstacles à surfaces réfléchissantes et transparentes : verre, miroir, papier brillant, et combinaison miroir-papier brillant.

L'enjeu est significatif pour quiconque déploie de la navigation autonome sur plateformes à budget contraint. Les LiDAR 2D entrée de gamme, massivement utilisés dans les robots éducatifs et les AMR industriels économiques, ne disposent pas du canal d'intensité que les capteurs haut de gamme exploitent pour diagnostiquer leurs propres défaillances. Les surfaces réfléchissantes ou transparentes, omniprésentes en environnement réel (vitrages, sols polis, rayonnages métalliques), provoquent des lectures fantômes ou des pertes de retour qui corrompent silencieusement la carte SLAM sans que le système le détecte. SENTINEL fournit un signal diagnostique là où le hardware n'en offre aucun, sans nécessiter de dataset ni de phase d'apprentissage, ce qui le rend déployable directement sur du matériel existant.

Le problème posé par les matériaux réfléchissants est un angle mort structurel du SLAM basé simulation : ces conditions de surface sont quasi absentes des environnements synthétiques, ce qui rend la validation sur hardware réel indispensable, choix que les auteurs justifient explicitement. Dans le paysage plus large, la robustesse du SLAM face aux défaillances capteur est un domaine actif, avec des approches concurrentes comme les méthodes de détection d'outliers en ICP, ou les architectures LiDAR-inertial (LOAM, LIO-SAM) qui adressent partiellement le problème mais requièrent des capteurs plus riches. SENTINEL se positionne spécifiquement sur le segment bas coût, sans prétendre rivaliser avec ces stacks sur des plateformes dotées de LiDAR 3D. Les prochaines étapes naturelles seraient une intégration dans des stacks open-source comme Nav2 ou Cartographer, et une validation dans des environnements opérationnels plus larges.

Impact France/UE

Aucun acteur français ou européen directement impliqué, mais les intégrateurs européens d'AMR économiques utilisant des LiDAR 2D bas coût (entrepôts, logistique légère) pourraient bénéficier de cette approche sans entraînement si elle est intégrée à Nav2 ou Cartographer.

À lire aussi

1arXiv cs.RO

Tous les points ne se valent pas : synthèse de scènes LiDAR 4D avec conscience de l'incertitude

Une équipe de chercheurs a publié en juin 2026 sur arXiv un cadre de génération de scènes LiDAR 4D baptisé U4D (arXiv:2606.02510), conçu pour l'IA incarnée (embodied AI) et la simulation de véhicules autonomes. Le constat de départ : dans un seul scan LiDAR, la difficulté perceptuelle varie considérablement selon les régions ; surfaces distantes, contours occultés et petits objets présentent une incertitude géométrique bien plus élevée que les structures bien observées. U4D quantifie cette incertitude point par point via l'entropie de Shannon, extraite d'un segmenteur neuronal pré-entraîné, pour produire des cartes d'incertitude spatiale par point. Le pipeline adopte un ordonnancement "du difficile au simple" : un premier stage de diffusion non conditionnelle synthétise les zones à haute entropie avec précision géométrique, puis un stage de complétion conditionnelle remplit les régions restantes en s'appuyant sur ces structures comme priors. Un bloc MoST (Mixture of Spatio-Temporal) assure la cohérence inter-images en équilibrant détail spatial et continuité temporelle. Les validations sur les benchmarks nuScenes et SemanticKITTI affichent des résultats revendiqués état de l'art en fidélité de scène, cohérence temporelle et performances sur les tâches aval de perception. L'approche corrige une limite fondamentale des générateurs LiDAR existants, qui allouent une capacité de modélisation uniforme sur l'ensemble de l'espace, traitant de fait un trottoir proche et un piéton à 60 mètres avec le même effort de synthèse. En concentrant la puissance générative sur les zones les plus incertaines, U4D vise à améliorer la qualité des données synthétiques pour l'entraînement de percepteurs embarqués, enjeu critique pour les intégrateurs de systèmes autonomes cherchant à réduire le coût de collecte et d'annotation de données réelles. La robustesse sur SemanticKITTI, jeu de données distinct des conditions d'entraînement principales, suggère une certaine généralisation, bien que les résultats demeurent limités à des expériences académiques sans déploiement industriel annoncé ni évaluation publique indépendante. La génération de LiDAR synthétique est un champ actif depuis l'essor des modèles de diffusion appliqués à la 3D, avec des travaux antérieurs comme LiDARGen, UltraLiDAR ou DriveDreamer couvrant partiellement ce problème. U4D se distingue en introduisant explicitement l'incertitude dans le processus génératif, concept emprunté à la littérature sur l'apprentissage actif et la calibration de réseaux. Aucun acteur européen n'est cité dans l'article, mais des laboratoires comme le CEA-List ou des startups de perception comme Outsight pourraient intégrer de tels outils dans leurs pipelines de validation sim-to-real. La prochaine étape naturelle sera d'évaluer U4D sur des capteurs et environnements hors distribution, et de l'intégrer dans des pipelines de World Model pour la planification autonome à grande échelle.

RecherchePaper

1 source

2arXiv cs.RO

Contrôle de posture par apprentissage par renforcement profond pour robots à double direction Ackermann en conditions d'incertitude

Des chercheurs présentent une méthode de contrôle de pose complète pour robots mobiles à double direction Ackermann, basée sur l'apprentissage par renforcement profond (DRL), en ciblant directement l'un des obstacles centraux à l'industrialisation du DRL : l'écart de performance entre simulation et monde réel. Partant du cadre ManeuverNet, l'équipe étend son objectif initial (contrôle de position) vers un contrôle de pose complet, position et orientation combinées, ce qui constitue une tâche sensiblement plus exigeante. Les robots à double direction Ackermann, utilisés notamment en logistique lourde et inspection industrielle, imposent des contraintes non-holonomes strictes liées à la géométrie du châssis. Les résultats quantifient précisément le problème : une politique entraînée avec des modèles d'actionnement simplifiés atteint 100 % de succès dans PyBullet, mais chute à 25 % dans Gazebo sous des conditions d'évaluation plus strictes, une dégradation qui illustre le sim-to-real gap à un stade intermédiaire, avant même le passage sur robot physique. La contribution principale repose sur une approche "sim-to-sim-to-real" : les effets d'actionnement caractéristiques de Gazebo sont modélisés, puis réinjectés dans l'environnement d'entraînement PyBullet. Combinée à un entraînement multi-environnements via les algorithmes SAC (Soft Actor-Critic) et CrossQ, cette stratégie remonte le taux de succès à 92 % dans Gazebo (69 % sous seuils stricts) et permet un transfert direct sur robot réel sans réajustement supplémentaire. Ce résultat intéresse directement les intégrateurs d'AGV et AMR : il suggère que la modélisation fine de l'actionnement, davantage que la complexité architecturale du réseau, constitue le levier principal pour réduire l'écart sim-to-real sur des plateformes non-holonomes. Le problème de la double direction Ackermann reste moins étudié que les bases omnidirectionnelles ou les rovers différentiels, malgré sa pertinence pour les chariots élévateurs autonomes et les véhicules industriels de grande taille. SAC et CrossQ représentent l'état de l'art en DRL hors politique (off-policy) ; leur combinaison avec une approche sim-to-sim structurée sur ce type de plateforme constitue une contribution nouvelle. L'article est publié en preprint arXiv (2606.00313) et n'a pas encore été évalué par les pairs ; les conditions exactes du test sur robot réel, notamment la diversité des scénarios testés, restent à préciser avant toute conclusion définitive sur la robustesse industrielle de la méthode.

RecherchePaper

1 source

3arXiv cs.RO

Cadre de politique adaptatif au contexte pour une manipulation robotique robuste et réactive via apprentissage par imitation sensible à l'incertitude

Une nouvelle version (v2) de l'article arXiv:2410.24035 propose un cadre de politique adaptatif au contexte pour la manipulation robotique, combinant robustesse et réactivité. Les auteurs s'appuient sur l'apprentissage par démonstration (Learning from Demonstration, LfD), et plus précisément sur les approches basées sur des systèmes dynamiques (DS), pour apprendre une politique conditionnée à la fois par l'état du robot et par des paramètres de tâche de basse dimension représentant le contexte environnant. Cette politique est ensuite combinée à des politiques additionnelles sensibles à l'incertitude via une formulation de type mélange d'experts (Mixture of Experts, MoE). Le système est validé sur le jeu de données de référence LASA handwriting, utilisé classiquement pour évaluer l'apprentissage de trajectoires, ainsi que sur un robot réel à 7 degrés de liberté (7-DoF), dans trois scénarios concrets : la saisie conditionnée par la force appliquée, la manipulation d'aliments déformables, et la saisie centrée sur l'objet. L'enjeu technique visé est précis : les approches DS de l'état de l'art excellent généralement en robustesse mais restent rigides face aux variations de contexte, car elles ne modulent pas leur comportement selon des variables dépendantes de la tâche. En articulant fusion de politiques et quantification d'incertitude, ce cadre cherche à améliorer le comportement hors distribution (out-of-distribution) et la convergence des trajectoires générées, deux propriétés critiques pour tout déploiement en environnement réel non contrôlé. Pour les intégrateurs robotiques, l'intérêt pratique tient surtout à la manipulation d'objets déformables, un cas d'usage encore mal résolu dans l'industrie (agroalimentaire, logistique), et à la promesse d'une politique réutilisable sans réentraînement complet à chaque changement de tâche ou d'environnement. Sur le plan du contexte scientifique, le LfD via systèmes dynamiques est un axe de recherche établi depuis plusieurs années pour produire des politiques de contrôle réactives en robotique. Ce travail se positionne comme une extension de recherches antérieures sur la fusion de politiques et l'estimation d'incertitude, plutôt que comme une rupture méthodologique. L'abstract ne mentionne ni laboratoire ni entreprise associée, et il s'agit d'une publication académique (statut « replace », donc une révision d'un article déjà soumis) sans indication de déploiement industriel à ce stade.

RecherchePaper

1 source

4arXiv cs.RO

SAFE-CHEM : commutation de politiques sensible à l'incertitude pour une chimie robotique fiable

Des chercheurs présentent SAFE-CHEM, un système de sécurité pour robots de chimie autonomes piloté par des politiques d'apprentissage, détaillé dans un article déposé sur arXiv le 9 août 2026 (arXiv:2608.09303). L'architecture repose sur un ensemble de politiques d'imitation learning basées sur des réseaux de neurones récurrents, chargées de manipuler du matériel de laboratoire. Chaque politique produit ses propres prédictions d'action, et la variance entre elles sert de mesure d'incertitude épistémique calculée en temps réel. Les auteurs caractérisent la distribution de cette variance lors des essais réussis via une estimation de densité par noyau (kernel density estimation), ce qui permet de fixer un seuil de sécurité calibré. Quand l'incertitude dépasse ce seuil, le système bascule automatiquement de la politique apprise vers un contrôleur de secours déterministe, basé sur des règles fixes. L'équipe a testé SAFE-CHEM sur trois tâches fondamentales de manipulation en laboratoire, puis a démontré un transfert zero-shot du simulateur vers un bras robotique physique Franka Production 3. L'enjeu dépasse la simple performance : dans les laboratoires de chimie des matériaux, une erreur de manipulation peut être dangereuse, contrairement à la plupart des benchmarks robotiques classiques. Les politiques d'apprentissage actuelles ont tendance à extrapoler avec excès de confiance sur des situations hors distribution, un défaut connu qui freine leur adoption dans des environnements à risque. En démontrant une réduction des violations de sécurité critiques et une amélioration du taux de succès par rapport à des architectures à politique unique, SAFE-CHEM répond directement à un obstacle identifié comme central pour le déploiement de robots dans les laboratoires autonomes ("self-driving labs"), un secteur en expansion pour accélérer la génération de données scientifiques exploitables par l'IA. Ce travail s'inscrit dans la tendance plus large des "self-driving labs" de chimie et matériaux, où des bras robotiques automatisent synthèse et caractérisation d'échantillons pour nourrir des modèles de découverte scientifique. Le choix du Franka Production 3, plateforme de recherche largement utilisée en robotique académique, facilite la reproductibilité. Les auteurs présentent leurs résultats comme une validation de faisabilité plutôt qu'un déploiement industriel abouti, la généralisation à un plus grand nombre de tâches et de laboratoires restant à démontrer.

RecherchePaper

1 source