Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
C-ARC : le clustering adaptatif continu pour capteurs LiDAR non répétitifs
RecherchearXiv cs.RO 

C-ARC : le clustering adaptatif continu pour capteurs LiDAR non répétitifs

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

Des chercheurs ont publié fin juin 2026 sur arXiv (réf. 2606.18948) C-ARC, un framework open source de clustering de nuages de points conçu pour les LiDAR non répétitifs à prismes de Risley, tels que le Livox Mid-360 et le Livox Avia. Ces capteurs génèrent des trajectoires en courbes de Rhodonée avec des distributions de points non uniformes et sans cycle de rotation défini, rendant inopérant le clustering classique par scan lines développé pour les LiDAR mécaniques répétitifs. C-ARC, implémenté en C++17 single-threaded, produit une sortie de clustering en temps réel à 20 Hz sur matériel grand public, via un graphe dual persistant sur fenêtre glissante. Un mécanisme adaptatif de résolution de grille, calibré à l'initialisation par boucle de contrôle exponentielle, équilibre le compromis sparsité-collision sans connaissance préalable du patron de scan.

Pour les équipes SLAM et de tracking multi-objet en robotique mobile, ce framework comble un manque concret : les LiDAR non répétitifs restaient hors scope des stacks de perception temps réel faute d'algorithme adapté. Le découplage insertion haute fréquence / récupération de clusters à la demande est critique pour limiter la latence dans les pipelines de cartographie et de suivi d'objets. Le mécanisme adaptatif améliore par ailleurs la qualité de clustering des méthodes à grille existantes sur données non répétitives, ce qui ouvre une voie d'intégration sans refonte complète du stack de perception. Les auteurs identifient explicitement une limitation : l'occupancy de cellule non bornée pose problème sur les capteurs à pattern de scan fortement concentré, cas du Livox Avia.

Livox, filiale de DJI, domine le segment des LiDAR non répétitifs avec ses capteurs Mid-360 (couverture hémisphérique) et Avia, face aux solutions mécaniques traditionnelles de Velodyne, Ouster et Hesai. Leur attractivité tarifaire a favorisé leur adoption dans les AMR et robots de livraison, mais sans algorithme de clustering natif adapté à leurs spécificités optiques. C-ARC s'insère au niveau du preprocessing bas niveau, en amont des modules de détection et de SLAM. Les approches alternatives par deep learning offrent davantage de robustesse aux distributions irrégulières, mais restent généralement moins adaptées aux contraintes embarquées temps réel. Les auteurs indiquent une prochaine évaluation sur des datasets plus diversifiés et évoquent une extension multi-capteurs.

Impact France/UE

Les équipes européennes de robotique mobile équipées de capteurs Livox (AMR, robots de livraison) peuvent intégrer ce framework open source pour combler un manque algorithmique dans leurs pipelines de perception temps réel.

Dans nos dossiers

arXiv cs.RO

À lire aussi

Cadre d'apprentissage continu pour le contrôle adaptatif de robots souples modulaires
1arXiv cs.RO 

Cadre d'apprentissage continu pour le contrôle adaptatif de robots souples modulaires

Une équipe de recherche propose un nouveau cadre de contrôle pour robots souples modulaires (Modular Soft Robots, MSR), basé sur les principes de l'apprentissage continu, selon un article publié sur arXiv le 7 juillet 2026 (arXiv:2607.06740v1). Les MSR sont des systèmes composés de plusieurs segments interconnectés, hautement déformables et reconfigurables, utilisés notamment en intervention médicale, en rééducation et en manipulation robotique. Le problème que résout ce travail est concret : jusqu'ici, changer la morphologie d'un MSR obligeait à réentraîner entièrement son contrôleur, faute de pouvoir réutiliser les connaissances acquises sur les configurations précédentes. Le framework proposé permet au contrôleur d'apprendre séquentiellement de nouvelles configurations sans oublier les précédentes, et peut aussi fonctionner de façon distribuée pour apprendre la dynamique propre de chaque module sur un robot à configuration fixe. La validation s'est faite en deux temps : des expériences de suivi de trajectoire en boucle fermée en simulation sur un robot souple actionné par tendons, puis un test sur un bras robotique souple pneumatique à trois modules, en conditions réelles. Pour l'industrie robotique, l'apport principal est méthodologique plutôt qu'un produit prêt à déployer : il s'attaque à un goulot d'étranglement bien identifié dans la robotique souple, à savoir la difficulté à faire évoluer la morphologie d'un robot sans tout reconstruire. Les MSR intéressent particulièrement les intégrateurs travaillant sur des tâches nécessitant une compliance mécanique élevée, comme la chirurgie mini-invasive ou la manipulation d'objets fragiles, où la rigidité des robots classiques est un handicap. Un contrôleur capable de s'adapter progressivement à des changements de structure, tout en activant sélectivement seulement les modules nécessaires pour atteindre une cible (ce qui réduit la charge de calcul), pourrait accélérer l'itération de conception sur ces plateformes reconfigurables, un axe encore peu mature comparé aux robots humanoïdes rigides à actionneurs classiques. Ce travail s'inscrit dans la lignée des recherches en robotique souple qui cherchent à dompter la nonlinéarité et la redondance hyper-élevée de ces systèmes, deux caractéristiques qui rendent les approches de contrôle classiques inadaptées. L'article ne mentionne pas de partenaire industriel ni de calendrier de commercialisation : il s'agit d'une contribution de recherche académique, à un stade de preuve de concept en laboratoire, dont l'étape suivante logique serait l'extension à des morphologies plus complexes ou à des tâches de manipulation réelles au-delà du suivi de trajectoire.

RecherchePaper
1 source
Génération de code adaptative pour le contrôle de robots
2arXiv cs.RO 

Génération de code adaptative pour le contrôle de robots

Des chercheurs proposent, dans un preprint arXiv (2610.09588v1), une architecture de contrôle robotique à double IA pour piloter des robots dans des environnements inconnus et dynamiques à partir d'intentions formulées en langage naturel. Un grand modèle de langage (LLM) traduit des objectifs de haut niveau en code exécutable. Ce code est limité à une bibliothèque robotique formelle et contraint par une syntaxe vérifiable. Un modèle vision-langage (VLM) assure l'ancrage sémantique, c'est-à-dire le lien entre les mots et ce que le robot perçoit, grâce à un processus de distillation. Le système ajoute des déclencheurs de replanification pilotés par l'environnement, fondés sur des seuils géométriques et sémantiques. Il intègre aussi une surveillance continue à l'exécution et une boucle de planification adaptative. Les auteurs l'ont évalué sur plusieurs modèles de pointe. Le résumé ne donne ni DOF, ni temps de cycle, ni taux de réussite chiffré, ni plateforme robotique, ni site de déploiement. Il s'agit d'une contribution de recherche, sans produit ni déploiement. L'enjeu porte sur la façon d'utiliser les LLM en robotique. L'approche n'est pas celle des modèles vision-langage-action (VLA) de bout en bout, qui produisent directement des actions. Elle génère du code contraint à une bibliothèque de primitives, donc auditable, vérifiable avant exécution et borné par ce que le robot sait faire. Pour un intégrateur ou un responsable industriel, cette propriété compte dans les contextes où la traçabilité et la sécurité priment. Le travail cible trois verrous : l'écart de formalisation entre une intention floue et une action exécutable, l'écart de taxonomie quand l'environnement présente des objets ou situations imprévus, et le suivi de l'état et de la progression dans le temps. Il soutient que ancrer l'IA générative dans une boucle réactive et contrainte permet de remplir des intentions complexes malgré l'incertitude. La prudence s'impose pourtant. Le résumé ne chiffre rien, et un benchmark sur modèles de pointe ne dit pas comment le système tient face aux latences, aux erreurs de perception ou aux pannes matérielles d'un site réel. Cette publication prolonge la ligne de travaux qui font écrire du code aux LLM pour commander des robots, popularisée par des approches comme Code as Policies, et qui s'oppose aux politiques apprises de bout en bout de type Pi-0, Helix ou GR00T. Les auteurs inscrivent leur démarche dans la vision de robots comme systèmes adaptatifs complexes, passant de bibliothèques de commandes rigides à une autonomie fondée sur l'intention. Le texte ne cite pas de partenaire industriel, de calendrier ni d'étape suivante. Les prochains jalons à surveiller sont la publication des résultats détaillés, d'éventuels essais sur robot physique et la comparaison directe avec les VLA sur des tâches longues en environnement ouvert.

UEPas d\'impact direct sur la France/UE

RecherchePaper
1 source
CLARE : apprentissage continu pour les modèles VLA via routage et expansion autonomes d'adaptateurs
3arXiv cs.RO 

CLARE : apprentissage continu pour les modèles VLA via routage et expansion autonomes d'adaptateurs

Des chercheurs de la Technische Universität München (TUM) ont publié CLARE, un framework d'apprentissage continu pour les modèles vision-langage-action (VLA) en robotique manipulatrice. Présenté sur arXiv (arXiv:2601.09512v2), CLARE repose sur deux mécanismes principaux : des adaptateurs modulaires légers insérés dans des couches sélectionnées du VLA, et un système de routage dynamique basé sur un autoencodeur qui active à l'inférence les adaptateurs les plus pertinents sans que le robot ait besoin de connaître l'identifiant de la tâche en cours. Lors de l'apprentissage d'une nouvelle tâche, le framework évalue la similarité des features couche par couche pour décider d'étendre ou non le modèle, expansion réalisée uniquement là où c'est nécessaire. Validé sur le benchmark LIBERO et cinq tâches réelles en manipulation, CLARE surpasse les méthodes existantes y compris celles qui stockent des données antérieures (méthodes "exemplar-based"). L'enjeu derrière ce travail est structurant pour l'industrie robotique : le fine-tuning classique d'un VLA sur de nouvelles tâches provoque un "catastrophic forgetting", c'est-à-dire l'effacement des compétences précédemment acquises. Pour un robot industriel ou de service devant s'adapter en continu à de nouveaux environnements ou procédures sans interruption de déploiement, cette limitation est rédhibitoire. Clare propose une voie sans stockage de données historiques (contrainte forte en RGPD et en coût mémoire), sans identifiant de tâche imposé à l'opérateur, et avec une empreinte paramétrique réduite grâce aux adaptateurs, une combinaison que les approches par Elastic Weight Consolidation (EWC) ou LoRA seuls n'atteignaient pas sur de longues séquences de tâches. Les VLA sont devenus un axe de recherche central depuis les travaux de Physical Intelligence (Pi-0), NVIDIA (GR00T N2) et Google DeepMind (RT-2). L'apprentissage continu sans oubli catastrophique y reste un problème ouvert : la majorité des démos sont réalisées dans des conditions contrôlées avec re-fine-tuning complet entre environnements. CLARE s'attaque directement à ce gap entre laboratoire et déploiement longue durée. Le code, les données et les vidéos sont disponibles publiquement sur le site du laboratoire LSY de la TUM. Les prochaines étapes probables incluent des tests sur des séquences de tâches plus longues et une intégration dans des plateformes humanoïdes ou collaboratives, domaine où plusieurs acteurs européens comme Enchanted Tools ou Wandercraft pourraient bénéficier de ce type de composant pour l'adaptation terrain.

UELa TUM (Allemagne) publie une solution open-source au catastrophic forgetting dans les VLA, directement exploitable par des acteurs européens comme Enchanted Tools et Wandercraft pour déployer des robots s'adaptant à de nouvelles tâches sans re-fine-tuning complet ni stockage de données historiques.

RechercheOpinion
1 source
Modèles adaptatifs continus sur le terrain (CFAM) pour l'IA physique après déploiement
4arXiv cs.RO 

Modèles adaptatifs continus sur le terrain (CFAM) pour l'IA physique après déploiement

Des chercheurs présentent sur arXiv, dans un article intitulé "Continual Field-Adaptive Models (CFAMs) for Post-Deployment Physical AI" (identifiant 2609.04552, soumission de type "new", donc non encore validée par les pairs), un système permettant à un robot de continuer à apprendre après son déploiement, sans réentraînement classique par descente de gradient et avec le seul calcul embarqué. L'architecture repose sur un module "lent" figé, découpé en trois cortex, Sensor pour transformer les entrées multimodales en géométrie 3D, Reasoning pour décomposer les tâches en compétences et évaluer les résultats, et Action pour exécuter ces compétences géométriques, couplé à un module "rapide" nommé Capsule Field qui mémorise de nouvelles compétences en un seul exemple, sans gradient, sous forme de "Competence Capsules". Le système a été évalué sur cinq plateformes physiques : bras manipulateur, quadrupède, humanoïde, quadrirotor et véhicule tout-terrain, face à trois modèles de référence, pi0, CogACT et SpatialVLA, entraînés sur le même jeu de données interne multi-embodiment. CFAM atteint le niveau d'une politique classique entraînée sur l'ensemble des données avec seulement 40% du volume, soit 2,5 fois moins de trajectoires, et gagne 13,9 points de pourcentage de réussite en capturant de façon autonome des cas quasi hors distribution vérifiés en test. En simulation séquentielle, l'oubli de compétences antérieures reste limité à 0,5 point, contre 11,4 points pour un ajustement par LoRA. Ce travail cible un angle mort du secteur : la plupart des modèles vision-langage-action démontrent leurs performances en conditions contrôlées, mais oublient des compétences déjà acquises dès qu'on les ajuste sur de nouvelles données terrain, un phénomène critique pour les opérations en environnement dangereux ou isolé où les données d'entraînement sont rares et la connectivité absente. En limitant cet oubli catastrophique tout en réduisant le volume de données nécessaire, CFAM s'attaque directement à l'un des freins à la commercialisation des robots autonomes en mission critique, un argument qui intéressera les intégrateurs cherchant à réduire le coût de collecte de données et les décideurs évaluant la fiabilité à long terme des flottes déployées. L'abstract ne précise ni le laboratoire ni l'entreprise à l'origine du projet, et aucun acteur français ou européen n'y est mentionné. Le périmètre reste volontairement borné : les auteurs excluent explicitement la nouveauté "en monde ouvert", limitant l'apprentissage continu aux cas proches de la distribution déjà connue. Aucun pilote industriel ni calendrier de déploiement n'est annoncé ; il s'agit à ce stade d'un résultat de recherche comparé à des bases comme pi0, CogACT et SpatialVLA, sans validation indépendante ni déploiement réel rapporté.

RechercheOpinion
1 source