RecherchearXiv cs.RO 14 juillet 2026

Stop to Decide : primitives de navigation proprioceptive sensibles à la latence pour l'inspection de quadrupèdes sans cartographie

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs publient un article (arXiv:2607.11204v1) qui documente une faille dans une méthode de navigation proprioceptive courante sur les quadrupèdes peu puissants en calcul. Testée sur un Unitree Go2 (environ 75 cm) face à une plateforme à marches dont le sommet mesure 50 cm, plus court que le robot, l'étude montre que le partage du Jetson Orin embarqué entre la boucle de navigation et le pipeline de vision fait chuter la fréquence de la boucle d'escalier à environ 15 Hz. À cette cadence, la détection classique d'arrivée au sommet, basée sur le tangage du corps, se déclenche en pleine montée et le robot dépasse le bord supérieur, un risque qui croît avec l'avance par période (v/f). Une cadence alternative "climb-settle" (grimper puis marquer un temps d'arrêt avant de conclure) maintient au contraire un dépassement quasi nul quelle que soit la fréquence: 22 échecs sur 45 essais avec la méthode classique contre 1 sur 45 avec climb-settle sur les fréquences testées (environ 30, 20 et 15 Hz, test de Fisher p≈2,4e-7), et 7/15 contre 0/15 à 15 Hz, le régime réellement déployé. Un modèle logistique en v/f capture cette dégradation et, validé hors échantillon à 40 Hz, donne une règle pratique: fréquence critique d'environ 19 Hz à 0,30 m/s.

Le résultat intéresse directement les intégrateurs robotique en environnement industriel: il montre qu'une primitive de navigation validée à la fréquence nominale du contrôleur peut échouer silencieusement dès que le calcul embarqué est partagé avec d'autres pipelines, situation fréquente sur du matériel low-cost. La leçon opérationnelle est qu'un simple ajustement de la cadence de décision suffit souvent à corriger le problème, sans capteur ni calcul supplémentaire. Cela confirme aussi que des architectures sans carte et sans apprentissage restent viables pour des tâches d'inspection bornées, à condition de traiter la latence comme une contrainte de conception et non un détail d'ingénierie.

Le système complet n'embarque qu'une centrale inertielle, quatre capteurs de force aux pattes, trois télémètres 1D et une caméra ligne, avec une manœuvre en trois segments pour des virages à 90 degrés dans un corridor de 55 cm (20/20 essais sans contact contre 14/20 pour la méthode de référence, avec 12 contacts muraux; erreur de cap de 1,56 degré contre 5,64 degrés) en plus de la traversée d'escalier. Le parcours d'inspection complet a été bouclé avec succès dans 18 essais sur 20 (90%). Les auteurs précisent que ces chiffres proviennent d'une seule géométrie de parcours, d'une seule plateforme et d'un seul opérateur, appelant une validation plus large.

Dans nos dossiers

Unitree arXiv cs.RO

À lire aussi

1arXiv cs.RO

Robot quadrupède : navigation par imagination latente prédictive

Des chercheurs ont publié sur arXiv (arXiv:2607.17574, dépôt de juillet 2026) une nouvelle méthode d'entraînement pour la navigation de robots quadrupèdes en environnement dynamique. Le système part d'une architecture réactive classique, un backbone LSTM-SRU qui choisit ses actions à partir des observations courantes et d'une mémoire à court terme, et lui ajoute pendant l'entraînement un prédicteur auxiliaire de type JEPA couplé à une régularisation SIGReg. Ce module apprend à l'état caché du réseau à anticiper son propre état futur, donc la dynamique probable des obstacles mobiles à court horizon, avant d'être entièrement supprimé au moment de l'inférence : le contrôleur final reste aussi léger que la version purement réactive, sans paramètre ni coût de calcul supplémentaire. Les auteurs valident l'approche en simulation puis sur un robot réel, un Unitree Go2, déployé en environnements intérieurs encombrés et en extérieur avec obstacles dynamiques, avec transfert sim-to-réel en zero-shot, c'est-à-dire sans aucun réglage fin sur le robot physique. L'intérêt de ce travail est de s'attaquer à un problème concret des politiques de navigation par apprentissage par renforcement : leur tendance à réagir trop tard face à des obstacles mobiles, parce que le risque de collision dépend de la structure de la scène à court horizon et non de la seule position instantanée des obstacles. En injectant une supervision prédictive uniquement pendant l'entraînement, la méthode évite le compromis habituel entre capacité d'anticipation et complexité embarquée à l'inférence, un enjeu central pour les intégrateurs qui doivent faire tourner ces contrôleurs sur du matériel embarqué à ressources limitées. Le transfert zero-shot vers un Go2 sans fine-tuning est aussi un point notable : il illustre que l'écart sim-to-réel, souvent cité comme le principal obstacle à la robotique mobile apprise, peut être réduit sans données réelles supplémentaires pour ce type de tâche de navigation. À noter toutefois que l'abstract ne fournit pas de chiffres précis de taux de réussite ou de réduction de collisions, seulement une amélioration qualifiée de substantielle. Ce travail s'inscrit dans la lignée des méthodes d'apprentissage prédictif du monde (world models, architectures JEPA popularisées notamment par les travaux de Yann LeCun chez Meta) appliquées cette fois à la robotique locomotrice plutôt qu'à la vision ou au langage. Il rejoint une tendance plus large de la recherche en navigation robotique visant à doter les politiques réactives de capacités anticipatives sans alourdir l'inférence, un axe suivi par plusieurs laboratoires travaillant sur les quadrupèdes de type Unitree Go2 ou Boston Dynamics Spot. Les prochaines étapes attendues incluent l'extension à des flottes de robots ou à des environnements encore plus denses en obstacles humains, ainsi que la comparaison directe avec d'autres approches prédictives publiées sur les mêmes benchmarks.

RecherchePaper

1 source

2arXiv cs.RO

TRACE : odométrie proprioceptive apprise pour robots à pattes en conditions de contact imprévisibles

TRACE (Tokenized Robust Attention for Contact-Aware Estimation) est un estimateur d'odométrie proprioceptive entièrement appris pour robots à pattes, conçu pour rester fiable quand les contacts au sol sont incertains. À partir d'un historique récent de mesures inertielles et articulaires embarquées, il prédit directement le déplacement relatif, la rotation relative et la vitesse en référentiel du corps, grâce à un module d'attention croisée qui pondère les signaux IMU et les données cinématiques par patte sans seuils de contact ou de glissement définis manuellement. L'entraînement combine supervision directe, pertes auxiliaires physiques, randomisation de politique en simulation et fine-tuning partiel sur données réelles. Sur des terrains variés, intérieurs et extérieurs, la dérive de position recule nettement face aux filtres classiques, aux approches hybrides et aux méthodes purement apprises. L'odométrie proprioceptive est essentielle à la navigation des robots à pattes quand la vision ou le GPS deviennent peu fiables (poussière, obscurité, terrain instable), un cas fréquent en inspection industrielle ou en intervention. Les filtres classiques dépendent d'une détection de contact au sol explicite, point faible dès qu'un pied glisse ou trébuche. En remplaçant ces seuils fixes par une pondération apprise des signaux, TRACE cible un angle mort connu des pipelines actuels de localisation. Pour les intégrateurs de robotique de terrain, une odométrie plus robuste aux contacts incertains améliore la fiabilité de la localisation sans changement matériel, purement par le logiciel embarqué. Le travail s'inscrit dans la lignée des approches cherchant à dépasser les filtres de Kalman étendus et la détection de contact binaire, à mesure que les politiques de marche apprises par renforcement rendent les dynamiques de contact plus variées et plus difficiles à modéliser par des règles fixes. TRACE répond à ce problème de généralisation en s'entraînant sur des politiques randomisées plutôt que sur une seule démarche fixe, limitant ainsi le surapprentissage documenté dans d'autres travaux d'odométrie apprise. Des études d'ablation confirment l'apport de chaque perte auxiliaire, de la randomisation et du fine-tuning réel. Publiée sur arXiv (2608.05975), sans plateforme commerciale ni partenaire industriel cité, la contribution reste pour l'instant méthodologique plutôt qu'un système prêt à déployer.

RecherchePaper

1 source

3arXiv cs.RO

Adaptation Rapide de l'Incarnation pour la Locomotion Quadrupède

Des chercheurs présentent, dans un article publié en août 2026 sur arXiv (2608.01506), un système d'adaptation d'embodiment en ligne pour la locomotion des robots quadrupèdes. La méthode combine une politique généraliste entraînée avec randomisation d'embodiment et un module d'adaptation léger capable d'identifier un changement physique du robot en moins d'une demi-seconde à partir d'un court historique d'interaction. Deux types de variations ont été testés : des contraintes d'amplitude articulaire (dégradation cinématique au niveau des joints) et des changements de masse du tronc (variation dynamique au niveau du corps). En simulation, le module estime précisément ces changements et permet un contrôle en boucle fermée nettement supérieur aux approches qui se contentent de conditionner la politique directement sur l'historique brut d'interaction. Sur un robot réel Unitree Go2, le système conserve une locomotion stable même dans des cas extrêmes, une patte totalement bloquée ou une charge utile de 5 kg, là où les méthodes non adaptatives échouent purement et simplement. L'intérêt pratique tient au problème classique des politiques apprises en robotique : entraînées sur un matériel fixe, elles cassent dès que ses propriétés changent, par usure, dommage ou charge ajoutée. Plutôt que de miser uniquement sur la robustesse passive obtenue par randomisation de domaine, cette approche identifie explicitement les paramètres physiques du robot en temps réel avant d'ajuster le contrôle, une distinction technique importante pour des déploiements industriels où les pattes de robots quadrupèdes subissent usure et charges variables. Les résultats sur des cas extrêmes plutôt que des démonstrations contrôlées renforcent la crédibilité, mais l'évaluation reste limitée à deux types de variation sur une seule plateforme, sans preuve de généralisation à des embodiments plus complexes comme des bras ou des humanoïdes. Le Unitree Go2, plateforme quadrupède low-cost très répandue dans la recherche académique, sert ici de banc d'essai, sans qu'aucun industriel autre que le fournisseur du robot ne soit impliqué. Ce travail s'inscrit dans la lignée des recherches sur l'adaptation rapide en locomotion légère, dans la continuité d'approches antérieures comme la Rapid Motor Adaptation. Les auteurs indiquent vouloir étendre leur méthode à des formes plus larges de dégradation ou d'incertitude matérielle, sans donner de calendrier précis pour de futurs essais.

RecherchePaper

1 source

4arXiv cs.RO

PRISM : cartographie multimodale de terrain pour la navigation d'un rover en environnement non structuré

Des chercheurs présentent PRISM, un système de perception multimodale destiné à la cartographie de terrain pour la navigation de rovers en environnements non structurés, dans un article publié sur arXiv (2607.16366v1). Le système s'appuie sur une suite de capteurs personnalisée capturant simultanément des images RGB, de profondeur et thermiques alignées, format noté RGB-D-T. Son cœur algorithmique, baptisé OmniUnet, est un réseau basé sur les vision transformers, conçu spécifiquement pour la segmentation sémantique multimodale de terrain. Les auteurs ont validé leur approche sur deux jeux de données inédits, BASEPROD et LAENTIEC, annotés pour l'occasion, puis testé le système lors d'expériences de terrain réelles. Point notable, PRISM tourne sur un calculateur embarqué aux ressources limitées et génère des cartes de franchissabilité directement exploitables par le sous-système de guidage, navigation et contrôle (GNC) du rover. L'intérêt principal de ces travaux réside dans l'ajout de l'imagerie thermique aux capteurs optiques et de profondeur classiques, une combinaison qui améliore la différenciation des types de terrain, notamment dans des conditions où la seule vision RGB-D peine (faible luminosité, ombres, poussière, végétation ambiguë). Pour l'industrie de la robotique de terrain, planétaire ou tout-terrain, cela répond à un vrai point de friction : la fiabilité de la cartographie de franchissabilité conditionne directement la sécurité de navigation autonome sur pentes raides ou sols rocheux. Le fait que le pipeline complet, capteurs, réseau de segmentation et génération de carte, fonctionne sur du matériel embarqué contraint constitue une démonstration concrète de faisabilité, plutôt qu'une simple preuve de concept en simulation, ce qui distingue ce travail d'approches purement académiques limitées au laboratoire. Ce papier s'inscrit dans une tendance plus large de fusion de capteurs pour la perception robotique en extérieur, où les systèmes purement RGB-D montrent des limites face à la diversité des textures et éclairages du terrain naturel. Contrairement à des annonces de robots humanoïdes très médiatisées, il s'agit ici d'une contribution académique (preprint arXiv, non encore relu par les pairs) centrée sur les rovers et véhicules autonomes tout-terrain, un segment où les acteurs de référence restent les programmes d'exploration planétaire et la robotique de défense ou agricole. Les prochaines étapes attendues concernent l'extension des jeux de données et des essais terrain supplémentaires pour confirmer la robustesse du système dans des conditions plus variées.

RecherchePaper

1 source