Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
CREPES-X : système hiérarchique d'estimation coopérative directe de pose relative par relèvement, distance et inertie
RecherchearXiv cs.RO 

CREPES-X : système hiérarchique d'estimation coopérative directe de pose relative par relèvement, distance et inertie

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

Une équipe de recherche présente CREPES-X (Cooperative RElative Pose Estimation System with multiple eXtended features), un système de localisation relative pour robots mobiles coopératifs, décrit dans une version révisée déposée sur arXiv sous la référence 2512.24688v2. Le dispositif embarqué tient dans un cube de 6 cm de côté maximum et combine des LED infrarouges, une caméra infrarouge, un module ultra-large bande (UWB) et une centrale inertielle (IMU). L'estimation de pose repose sur une architecture à deux étages : un premier étage calcule instantanément la pose relative entre robots via une solution en forme close, avec un mécanisme de rejet des mesures de gisement aberrantes ; un second étage affine ces estimations sur plusieurs images en pré-intégrant les données IMU dans un cadre de cinématique relative robocentrique, via une optimisation couplée de façon lâche puis serrée. Sur des jeux de données réels, le système atteint une erreur quadratique moyenne de 7,0 cm en position et 2,2 degrés en orientation, tout en restant robuste jusqu'à 90 % de mesures de gisement aberrantes.

Pour l'industrie des essaims de robots et des flottes coopératives, ce travail répond à un verrou concret : la plupart des méthodes existantes s'appuient soit sur des repères environnementaux partagés, soit sur des hypothèses inertielles fortes, et se dégradent dès qu'une paire de robots perd la ligne de vue directe ou rencontre des mesures bruitées. Un système purement embarqué, sans dépendance à une infrastructure de positionnement global (GPS, motion capture) ni à une cartographie partagée, est une condition pratique pour déployer des dizaines de robots en formation en environnement contraint, entrepôt dense ou zone GPS-dénié. La tolérance élevée aux valeurs aberrantes de gisement est le point le plus significatif : c'est typiquement ce qui casse les systèmes de vision relative en conditions réelles, hors laboratoire.

Le papier se positionne dans la lignée des travaux sur la localisation relative par fusion de mesures de distance, de gisement et d'inertie pour essaims multi-robots, un axe de recherche actif face aux limites des approches à base de SLAM partagé ou de capture de mouvement externe. Il s'agit d'un résultat de recherche validé en simulation et en expérimentation réelle, pas d'un produit commercialisé ; les auteurs ne communiquent pas de calendrier d'intégration industrielle à ce stade.

Dans nos dossiers

arXiv cs.RO

À lire aussi

Localisation relative distribuée pour systèmes multi-robots homogènes par mesure de distance UWB et communications limitées
1arXiv cs.RO 

Localisation relative distribuée pour systèmes multi-robots homogènes par mesure de distance UWB et communications limitées

Une équipe de chercheurs propose une méthode entièrement distribuée de localisation relative pour des flottes de robots homogènes, c'est-à-dire des machines d'apparence identique, sans infrastructure externe. Le système fusionne trois sources : le LiDAR embarqué, la télémétrie par bande ultra-large (UWB, Ultra-Wideband) et l'odométrie. Les amas de points LiDAR susceptibles d'être des coéquipiers sont d'abord suivis par un tracker dynamique, sans identité attribuée. Une stratégie d'appariement conjoint associe ensuite chaque amas anonyme au robot correspondant. Enfin, chaque robot combine ses observations LiDAR, les distances UWB et l'odométrie pour estimer la pose de ses voisins. Le seul échange de données requis est l'odométrie, transmise par le module UWB embarqué. Le travail, publié sur arXiv (2610.11308), s'appuie sur des expériences en simulation et en conditions réelles. Le résumé ne donne ni précision chiffrée, ni taille de flotte, ni environnement de test, ni comparaison avec une méthode de référence. L'enjeu est concret pour toute application où plusieurs robots doivent se coordonner dans des lieux dégradés : exploration, recherche et sauvetage, et plus largement les flottes de robots mobiles autonomes (AMR) d'un entrepôt. Le LiDAR localise très bien les objets proches, mais il ne dit pas qui est qui lorsque les robots se ressemblent. C'est le problème d'association de données que les auteurs ciblent. Se passer de routeurs WiFi ou de réseaux maillés répond à une contrainte opérationnelle réelle, car ces infrastructures sont absentes ou peu fiables dans un tunnel, un bâtiment effondré ou une mine. Limiter l'échange à l'odométrie réduit la bande passante nécessaire, ce qui compte pour les petits robots à faible budget énergétique. Il faut toutefois rester prudent : en l'absence de métriques publiées dans le résumé, la robustesse de l'approche, notamment face aux occultations, aux robots nombreux ou aux perturbations de signal UWB en environnement métallique, reste à vérifier dans le texte complet. Il s'agit d'un résultat de recherche, sans produit ni déploiement associé. Ce travail s'inscrit dans la recherche sur la robotique en essaim et le SLAM multi-robot, où la localisation relative sert de brique de base à la cartographie collaborative. Les approches existantes reposent souvent sur des marqueurs visuels, des balises fixes (ancres UWB installées à l'avance), un positionnement externe type GNSS ou capture de mouvement, ou encore un partage de cartes qui exige un réseau dédié. Les méthodes purement visuelles ou LiDAR peinent à distinguer des robots identiques, et les approches UWB seules manquent de précision directionnelle. La proposition combine donc la précision géométrique du LiDAR et l'identification par distance de l'UWB. Les suites naturelles seraient des tests à plus grande échelle, avec des flottes plus nombreuses, des trajectoires plus rapides et des environnements encombrés, ainsi qu'une intégration dans des piles de cartographie collaborative. Aucune échéance de transfert industriel n'est annoncée.

UEPas d\'impact direct sur la France/UE

RecherchePaper
1 source
Graphes de scène probabilistes : représentation hiérarchique et système en temps réel
2arXiv cs.RO 

Graphes de scène probabilistes : représentation hiérarchique et système en temps réel

Des chercheurs présentent dans un nouvel article publié sur arXiv (référence 2609.23144v1) un système de représentation de scènes 3D pour la perception robotique baptisé Probabilistic Scene Graph (PSG). Contrairement aux scene graphs classiques, qui figent une structure d'entités, de relations et d'attributs sémantiques, PSG modélise une distribution de probabilité sur l'ensemble des graphes possibles : une structure discrète (objets, relations, sémantique) couplée à des états continus qui les situent dans l'espace, avec une incertitude explicite sur les deux composantes. La géométrie est portée directement par les nœuds plutôt que puisée dans une carte métrique construite à part ; la carte, quand elle est utile, découle du graphe et non l'inverse. Les auteurs instancient cette idée via des Hierarchical Graphs of Gaussians (HGG) : chaque objet est représenté par une gaussienne à covariance complète sous une croyance Normal-Inverse-Wishart, le même schéma étant réappliqué récursivement pour affiner la résolution de surface. Le pipeline combine un alignement grossier-vers-fin fondé uniquement sur le graphe et une optimisation imbriquée Expectation-Maximization / factor-graph qui raffine conjointement poses, paramètres d'objets et géométrie interne. Testé sur six jeux de données (intérieur RGB-D, extérieur LiDAR, scénarios multimodaux), le système tourne à la cadence des capteurs avec une mémoire quasi constante. Ce travail cible une limite structurelle des scene graphs 3D en robotique : l'incertitude y est aujourd'hui traitée en aval, jamais propagée pendant la construction du graphe lui-même. Pour les équipes développant des piles de perception pour navigation autonome, manipulation ou SLAM sémantique, cette lacune fragilise les graphes face au bruit capteur ou aux fusions d'observations erronées. En couplant nativement structure sémantique et incertitude géométrique, PSG vise des cartes robustes même avec des données partielles ou ambiguës, un enjeu direct pour les intégrateurs fusionnant des capteurs hétérogènes en conditions réelles. Les résultats revendiqués, précision « état de l'art » et alignement de graphe en zero-shot, restent des mesures de benchmark académique et non un déploiement industriel validé. L'approche prolonge les travaux sur les scene graphs 3D hiérarchiques utilisés en robotique pour structurer la perception au-delà des nuages de points ou cartes d'occupation, mais rompt avec ces systèmes déterministes en adoptant un cadre bayésien complet où chaque étape (association, fusion, raffinement de pose) manipule des croyances plutôt que des estimations ponctuelles. Elle se positionne face aux pipelines de cartographie sémantique classiques et aux méthodes de reconstruction par gaussiennes issues de la vision par ordinateur, dont elle reprend la représentation continue en l'intégrant à une structure de graphe discrète. L'article, classé comme nouvelle soumission arXiv, ne mentionne aucun partenariat industriel ni feuille de route de déploiement : c'est à ce stade une contribution de recherche évaluée sur données publiques, dont l'adoption dépendra de sa reproduction par la communauté.

RecherchePaper
1 source
SAP-CoPE : planification socialement consciente par estimation de pose coopérative avec des nœuds de capteurs d'infrastructure
3arXiv cs.RO 

SAP-CoPE : planification socialement consciente par estimation de pose coopérative avec des nœuds de capteurs d'infrastructure

Des chercheurs proposent SAP-CoPE, un cadre de navigation d'intérieur pour robots mobiles autonomes qui combine perception coopérative par capteurs d'infrastructure, estimation de pose humaine en 3D et planificateur MPC (commande prédictive par modèle) sensible aux normes sociales. Le travail, publié sur arXiv (version 3 de l'article 2504.05727), vise les environnements intérieurs peuplés où les capteurs embarqués seuls souffrent d'une portée limitée et d'occultations. Côté perception, un problème d'optimisation tenant compte de l'incertitude estime les poses 3D des personnes à partir d'observations de caméras fixes, avec en option l'ajout de mesures LiDAR éparses, tout en respectant la cohérence des articulations du corps humain. Côté planification, la pose et l'orientation estimées servent à construire un champ d'espace personnel (PS) intégré au MPC, pour que le robot prenne en compte à la fois la sécurité physique et le confort psychologique des personnes. Les auteurs revendiquent des évaluations en conditions réelles « extensives », sans que le résumé n'en donne les chiffres : ni taux d'erreur de pose, ni distances de passage, ni temps de calcul, ni nombre de capteurs ou de scénarios. L'intérêt tient à la question traitée : un robot qui croise des humains ne doit pas seulement les éviter, il doit déduire leur intention et respecter des distances perçues comme confortables, ce qui exige de connaître l'orientation du corps et pas seulement une position. En déportant une partie de la perception sur l'infrastructure, l'approche contourne les angles morts d'un robot isolé, au prix d'un équipement du site (caméras calibrées, éventuellement LiDAR, communication) qui pèse sur le coût et le déploiement. Pour les intégrateurs d'hôpitaux, d'entrepôts ou de bureaux déjà équipés de caméras, c'est une piste crédible, mais elle reste de la recherche académique. Aucun produit, pilote client ni volume de déploiement n'est annoncé, et l'absence de métriques quantitatives dans le résumé empêche d'évaluer le gain réel face à une navigation purement embarquée. Ce travail s'inscrit dans la lignée de la navigation sociale, où les modèles de proxémie (zones d'espace personnel) et les approches de type MPC ou apprentissage sont explorés depuis des années, et dans celle de la perception coopérative, déjà établie en conduite autonome avec les capteurs en bord de route. Il se distingue en les transposant à l'intérieur, avec estimation de pose 3D plutôt qu'une simple détection de piétons. Il reste en concurrence avec les méthodes de navigation sociale entièrement embarquées et avec les approches par apprentissage de bout en bout, plus simples à déployer mais plus exposées aux occultations. Le passage à une troisième version indique un travail révisé et probablement amélioré, mais les suites concrètes (code ouvert, tests à plus grande échelle, validation avec des utilisateurs, déploiement sur site) ne sont pas précisées.

UEPas d\'impact direct sur la France/UE

RecherchePaper
1 source
PRIME : estimation inertielle et de mouvement physiquement cohérente pour robots à pattes et humanoïdes
4arXiv cs.RO 

PRIME : estimation inertielle et de mouvement physiquement cohérente pour robots à pattes et humanoïdes

Une équipe de chercheurs a présenté PRIME (Physically-consistent Robotic Inertial and Motion Estimation), une méthode d'estimation de mouvement pour robots à pattes et humanoïdes publiée sur arXiv en mai 2026 (arXiv:2605.17681). Là où les pipelines conventionnels basés sur des filtres de Kalman étendus (EKF) ou la capture de mouvement externe ne reconstruisent que la cinématique, PRIME formule le problème comme une estimation MAP (Maximum A Posteriori) qui raffine simultanément les données proprioceptives brutes et les commandes des actionneurs pour produire une trajectoire dynamiquement cohérente. L'algorithme estime conjointement les forces de contact frictionnelles et les paramètres inertiels du robot (masses, centres de masse, moments d'inertie), via une modélisation différentiable de la dynamique de contact avec contraintes de complémentarité lissées et un modèle de friction d'Anitescu. Les validations ont été conduites sur des robots quadrupèdes et sur l'humanoïde Unitree G1, lors de séquences de locomotion à contacts multiples en déploiement réel. Le problème abordé est structurel : les pipelines de perception robotique actuels ignorent les forces de contact et les paramètres inertiels effectifs du système, ce qui entraîne des reconstructions qui violent régulièrement la dynamique des corps rigides, en particulier lors des phases de contact. Cette incohérence dégrade la qualité des données d'entraînement et limite la robustesse des contrôleurs en boucle fermée. PRIME produit des reconstructions de mouvement annotées en forces et contacts directement depuis des robots en déploiement terrain, sans infrastructure de laboratoire. Pour les équipes qui développent des modèles de fondation robotiques ou des architectures Visual-Language-Action (VLA), cette capacité représente une source de données haute qualité exploitable à grande échelle, là où la rareté d'annotations dynamiques fiables reste un goulot d'étranglement reconnu. L'estimation d'état pour robots à pattes est un problème ancien, historiquement traité par EKF couplés à la proprioception, la capture de mouvement restant cantonnée aux laboratoires. PRIME se distingue en proposant une solution embarquée et déployable en conditions réelles, sans dépendance à une infrastructure externe. L'humanoïde Unitree G1, commercialisé autour de 16 000 dollars et très présent dans la recherche académique mondiale, sert de banc de validation représentatif. Dans un contexte où Boston Dynamics, Figure AI, Agility Robotics, 1X et Unitree accumulent des données de déploiement pour alimenter leurs pipelines d'apprentissage, PRIME propose une brique méthodologique transversale pour enrichir ces corpus avec des annotations dynamiques fiables. Les applications naturelles incluent l'imitation learning, le transfert sim-to-real et l'entraînement de modèles de fondation à partir de données terrain.

UELes équipes de recherche européennes en locomotion robotique (INRIA, LAAS-CNRS) pourraient exploiter PRIME pour enrichir leurs pipelines d'entraînement sans infrastructure de laboratoire, mais aucun acteur ou institution européen n'est directement impliqué.

RecherchePaper
1 source