RecherchearXiv cs.RO 23 juillet 2026

Prédiction et planification unifiées via un entraînement de paramètres disjoints sensible aux conflits

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs viennent de publier sur arXiv (2607.19971v1) une nouvelle méthode d'entraînement baptisée Disjoint Parameter Training (DPT), conçue pour unifier deux fonctions critiques de la navigation robotique en milieu encombré : la prédiction du mouvement des agents environnants et la planification de trajectoire sécurisée du robot lui-même. Le constat de départ est un phénomène que les auteurs nomment le "Skill Conflict" : lorsqu'un modèle compact et unique doit gérer ces deux tâches sur un même jeu de paramètres partagés, typiquement pour tourner sur du matériel embarqué à ressources limitées, les objectifs de prédiction du comportement des voisins et de planification égocentrique entrent en concurrence pour les mêmes poids, ce qui empêche le modèle de se spécialiser pleinement dans chacune des deux compétences. DPT résout ce conflit en isolant d'abord les régions de paramètres propres à chaque tâche pendant un entraînement distribué, avant de les fusionner. Les auteurs montrent également qu'une fusion "sparse", qui ne réintègre que les paramètres les plus influents de chaque tâche plutôt que l'ensemble des poids spécifiques, donne les meilleurs résultats en limitant les interférences entre caractéristiques voisines. La méthode a été validée sur deux benchmarks de référence pour la navigation en foule, JRDB et JTA, avec des performances supérieures aux approches unifiées existantes.

L'enjeu dépasse la simple performance académique : pour les intégrateurs de robots mobiles et d'AMR (robots mobiles autonomes) destinés à opérer parmi des humains, entrepôts, hôpitaux, espaces publics, le coût de calcul embarqué est souvent le facteur limitant. Un modèle unique capable de prédire ET de planifier, sans dégradation liée au partage de paramètres, réduit la latence et la charge matérielle par rapport à deux modèles séparés. Ce travail s'inscrit dans une tendance plus large de recherche sur le "model merging" et l'apprentissage multi-tâche, où des architectures partagées cherchent à répliquer certains bénéfices des modèles génératifs de type VLA sans leur coût de calcul, une question centrale alors que l'industrie robotique cherche à faire tourner des capacités de plus en plus riches sur des puces embarquées plutôt que dans le cloud.

Ce papier s'ajoute à une littérature croissante sur les architectures partagées prédiction-planification pour la navigation sociale, un problème documenté depuis plusieurs années par des benchmarks comme JRDB (Stanford) et JTA (Joint Track Auto), utilisés pour comparer les approches de suivi et de prévision de trajectoires en environnement dense. DPT se positionne comme une brique méthodologique, compatible avec plusieurs techniques de fusion de modèles existantes, plutôt que comme un système ou produit déployé : à ce stade, aucune implémentation commerciale ni intégration matérielle spécifique n'est annoncée, et les prochaines étapes naturelles seraient une validation sur robot physique réel plutôt que sur benchmarks simulés uniquement.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

DynoJEPP : estimation conjointe, prédiction et planification en environnements dynamiques

DynoJEPP (Joint Estimation, Prediction and Planning) est un cadre de planification robotique basé sur les graphes de facteurs, publié le 14 mai 2026 sur arXiv (2605.12897), qui optimise simultanément trois modules traditionnellement traités en séquence : l'estimation d'état, la prédiction du comportement des objets environnants, et la planification de trajectoire. Le coeur de la contribution est l'introduction des "facteurs dirigés" (directed factors), un nouveau type de noeud dans le graphe de facteurs imposant un flux d'information strictement unidirectionnel entre les modules. Sans ce mécanisme, les informations issues de la prédiction et de la planification remontent dans l'estimateur d'état, corrompant les estimées et produisant des comportements non désirés. Le framework inclut également une extension baptisée Cooperative DynoJEPP, permettant au robot de modéliser un comportement coopératif des objets mobiles dans sa planification de trajectoire. L'impact le plus saillant ressort des expériences de validation : sans les facteurs dirigés, le robot entre en collision dans la majorité des tests, en environnement statique comme dynamique. Ce résultat pointe un problème fondamental des architectures JEPP existantes : la co-optimisation conjointe crée des boucles de rétroaction non désirées qui dégradent la sécurité opérationnelle. Le module d'estimation d'état, typiquement le composant de référence dans les systèmes de navigation, se retrouve contaminé par des hypothèses issues de la planification, inversant la causalité naturelle du pipeline. Pour les intégrateurs travaillant sur la navigation autonome en entrepôt ou en espace partagé humain-robot, l'approche suggère que la structure des dépendances entre modules est au moins aussi critique que leur optimisation conjointe. Les graphes de facteurs sont une technique établie en robotique depuis le milieu des années 2000, popularisée notamment par Frank Dellaert (Georgia Tech) via la librairie GTSAM pour le SLAM. Les approches JEPP suscitent un intérêt croissant face à la montée des robots en espaces dynamiques (entrepôts, routes mixtes, cobotique). Les concurrents directs incluent les planificateurs MPC à modules séparés, les architectures différentiables de type Wayve ou DreamerV3, et les VLA (Vision-Language-Action) qui intègrent progressivement la modélisation des agents environnants. La contribution de DynoJEPP reste au stade de la recherche académique (preprint sans revue par les pairs), sans déploiement ni pilote industriel annoncé.

RecherchePaper

1 source

2arXiv cs.RO

GBPP : prédiction de placement de base sensible à la préhension via un apprentissage en deux étapes

Des chercheurs proposent GBPP, un système d'apprentissage rapide qui détermine où positionner la base d'un robot mobile avant une opération de préhension, à partir d'une simple image RGB-D. La méthode repose sur un apprentissage en deux temps : une première phase utilise une règle simple de distance et de visibilité pour étiqueter automatiquement un grand volume de données à faible coût, puis une seconde phase affine le modèle grâce à un nombre plus restreint d'essais en simulation à haute fidélité, calibrés sur les résultats réels de préhension. Le cœur du système est un encodeur de nuage de points inspiré de PointNet++, couplé à un perceptron multicouche qui évalue une grille dense de poses candidates pour la base du robot. Testé à la fois en simulation et sur un manipulateur mobile réel, GBPP surpasse les approches de référence fondées uniquement sur la proximité ou la géométrie, en choisissant des positions plus sûres et plus facilement atteignables, et en se dégradant progressivement plutôt que brutalement lorsque son estimation est erronée. Ce travail s'attaque à un goulot d'étranglement classique de la manipulation mobile : trouver la bonne position de la base avant de saisir un objet nécessite normalement une optimisation conjointe de la tâche et du mouvement, coûteuse en temps de calcul et peu compatible avec des cadences industrielles. En remplaçant cette optimisation complète par un scoring quasi instantané, GBPP ouvre la voie à une sélection de pose en ligne, un enjeu direct pour les intégrateurs déployant des robots mobiles en entrepôt ou en usine, où chaque seconde de planification compte. Le résultat conforte aussi une hypothèse plus large du secteur : des heuristiques peu coûteuses suffisent à couvrir l'essentiel du problème, à condition d'être recalibrées par un nombre ciblé de simulations fidèles, plutôt que de tout miser sur une simulation massive ou sur un apprentissage entièrement supervisé. Le papier, référencé arXiv:2509.11594 et publié dans une troisième version révisée, s'inscrit dans la lignée des travaux sur le placement de base pour la manipulation mobile, un problème habituellement traité par des méthodes de planification tâche-et-mouvement (TAMP) ou par des heuristiques géométriques simples, toutes deux limitées soit en vitesse soit en robustesse. En positionnant GBPP comme une alternative data-efficiente entre ces deux extrêmes, les auteurs proposent une recette réutilisable pour d'autres briques de la robotique mobile où la donnée réelle est rare mais où la simulation ciblée reste abordable.

RecherchePaper

1 source

3arXiv cs.RO

Planification de mouvement adaptative aux événements avec un modèle vision-langage distillé en situations critiques

Une équipe de chercheurs a déposé le 25 juin 2026 sur arXiv (réf. 2606.25629) un cadre algorithmique baptisé EAMP (Event-Adaptive Motion Planning) pour la navigation robotique en environnements logistiques à criticité sécurité. Le système repose sur trois modules imbriqués : un déclencheur sémantique configurable par prompt, le PC-SET, qui surveille en continu de courtes séquences vidéo pour détecter des anomalies comportementales ; un modèle vision-langage allégé, le SemNav-VLM, activé uniquement lors d'une anomalie avérée, qui produit des décisions stratégiques discrètes ; et un module de contrôle prédictif sémantique (SMPC) qui traduit ces décisions en reconfiguration des objectifs d'optimisation et des références géométriques du planificateur bas niveau. Le SemNav-VLM est obtenu par distillation d'un grand modèle vision-langage (VLM), guidée par des vérifications de cohérence physique, ce qui préserve le raisonnement de bon sens du modèle parent tout en réduisant drastiquement la latence d'inférence. Les expériences sont menées dans des scénarios logistiques simulés. L'enjeu adressé est structurel pour la robotique mobile industrielle : dans les entrepôts et environnements mixtes, la majorité des collisions ne provient pas d'obstacles statiques inédits, mais du comportement imprévisible d'agents dynamiques, opérateurs humains, chariots élévateurs, autres robots autonomes. Les VLMs, capables d'un raisonnement contextuel robuste sur ces situations, sont jusqu'ici incompatibles avec la boucle de contrôle temps-réel en raison de leur latence computationnelle, qui déstabilise l'exécution physique. EAMP résout cette contradiction par déclenchement conditionnel : le modèle allégé n'est invoqué qu'en présence d'une anomalie, préservant l'efficacité temps-réel sans sacrifier la capacité de raisonnement sémantique. Les résultats indiquent une amélioration significative des marges de sécurité dynamiques par rapport aux baselines existantes. Il s'agit néanmoins d'une démonstration en simulation ; aucune validation sur robot physique réel n'est rapportée dans cette version du preprint. Ce travail s'inscrit dans une tendance de fond de 2025-2026 : intégrer les capacités de raisonnement des grands modèles dans des architectures de planification classiques (MPC, RRT) sans sacrifier la réactivité temps-réel. Les approches concurrentes incluent les modèles VLA (Vision-Language-Action) de bout en bout comme pi-0 de Physical Intelligence ou GR00T N2 de NVIDIA, qui fusionnent différemment raisonnement et action à l'échelle. La distillation supervisée par contraintes physiques est une direction active pour compresser ces modèles sans dégradation critique. Côté déploiement, des acteurs comme Exotec (France, système Skypod) opèrent déjà dans des entrepôts mixtes humains-robots où la problématique des agents dynamiques est centrale ; un cadre comme EAMP pourrait constituer une brique de planification adaptative pour ces systèmes, à condition d'une validation physique que les auteurs n'ont pas encore fournie.

UEExotec (France, système Skypod) est explicitement cité comme cas d'usage potentiel pour ce cadre de planification adaptative, mais l'absence de validation sur robot physique réel reporte tout impact industriel concret.

RecherchePaper

1 source

4arXiv cs.RO

Planification de mouvement de bras robotique par intégrale de chemin prédictive en une étape via les champs de distance dans l'espace de configuration

Une équipe de chercheurs propose, dans une prépublication arXiv (2509.00836, troisième révision), un cadre de planification de trajectoire baptisé CDF-MPPI, qui fusionne deux familles d'approches jusqu'ici séparées : les champs de distance en espace de configuration (Configuration Space Distance Fields, CDFs) et la commande par intégrale de chemin à modèle prédictif (Model Predictive Path Integral, MPPI). Appliqué à un bras Franka Emika à 7 degrés de liberté (DOF), le système atteint des fréquences de commande supérieures à 750 Hz tout en maintenant des taux de succès proches de 100 % en environnement 2D et des taux élevés sur des scènes de simulation avec obstacles complexes. L'innovation centrale est la réduction de l'horizon de planification MPPI à un seul pas de temps, rendue possible par l'utilisation des gradients CDF pour exprimer l'ensemble de la fonction de coût directement dans l'espace articulaire du robot. L'impact pratique de ce résultat touche un verrou bien connu des intégrateurs de cellules robotisées : les méthodes d'optimisation classiques basées sur les champs de distance signée (Signed Distance Fields, SDFs) tombent dans des minima locaux dès que les gradients SDF s'annulent, notamment dans les espaces à haute dimensionnalité ou autour d'obstacles convexes. De leur côté, les approches MPPI échantillonnent massivement des trajectoires candidates, ce qui les rend coûteuses en calcul et difficiles à calibrer (unités physiques hétérogènes dans la fonction de coût). En unifiant le coût en espace articulaire via les gradients CDF et en réduisant l'horizon à un pas, CDF-MPPI supprime à la fois le problème de minima locaux et le surcoût d'échantillonnage, permettant une planification temps-réel à 750 Hz, seuil compatible avec des boucles de contrôle industrielles exigeantes. C'est une démonstration que les CDFs, introduits récemment dans la littérature, offrent un signal de gradient suffisamment robuste pour remplacer les SDFs workspace dans des pipelines de commande réactifs. Les CDFs ont émergé comme alternative aux SDFs workspace précisément parce qu'ils modélisent les distances directement dans l'espace de configuration du robot, là où la planification a lieu, évitant la projection coûteuse entre espace cartésien et espace articulaire. L'MPPI, popularisé notamment par les travaux de Williams et al. (Georgia Tech) et adopté dans plusieurs pipelines de navigation mobile, était jusqu'ici rarement appliqué à la manipulation à haute fréquence en raison de son coût d'échantillonnage. Le bras Franka Emika (désormais sous l'écosystème Agile Robots après le rachat de Franka Robotics en 2023) est le benchmark de facto de la communauté manipulation. Les concurrents directs de CDF-MPPI incluent les planificateurs à base de TrajOpt (optimisation SDF), les variantes iCEM et STORM côté MPPI, ainsi que les approches par champs de potentiels neuronaux. Les auteurs valident uniquement en simulation pour l'instant ; la prochaine étape attendue est le transfert sim-to-real sur hardware réel, avec les défis habituels de calibration des modèles de contact et de latence réseau.

UELes laboratoires européens utilisant le bras Franka Emika (désormais sous l'écosystème Agile Robots) pourraient bénéficier de cette méthode de planification temps-réel, mais l'impact reste indirect faute de validation hardware publiée et de code disponible.

RecherchePaper

1 source