Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
Planificateur de trajectoire adaptatif pour VLM piloté par l'incertitude (UDAV)
RecherchearXiv cs.RO 

Planificateur de trajectoire adaptatif pour VLM piloté par l'incertitude (UDAV)

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

Un article publié le 16 septembre 2026 sur arXiv (2609.16368) décrit UDAV, un planificateur de trajectoires fondé sur un modèle vision-langage (VLM) pour guider un robot terrestre (UGV) à partir d'images aériennes captées par un drone (UAV), en navigation tout-terrain. Face au constat que ces modèles génèrent des itinéraires sans indiquer leur fiabilité, UDAV tire plusieurs prédictions stochastiques de trajectoire, en retient le médoïde comme route nominale, et mesure l'incertitude via la dispersion spatiale des prédictions ; au-delà d'un seuil sur les points intermédiaires, une étape de reconsidération se déclenche, sinon le médoïde est retourné directement. Sur 400 requêtes issues de deux vols de drone, l'erreur moyenne de déplacement (ADE) passe de 147,4 pixels en prédiction déterministe à 115,9 pixels par simple sélection du médoïde, puis à 110,4 pixels avec le système complet, soit 25,1% de réduction, avec des trajectoires valides sur toutes les requêtes. Aux 90e et 95e percentiles, les erreurs reculent de 225,3 et 326,0 pixels (médoïde à K=5) à 199,0 et 290,8 pixels, un résultat meilleur qu'une référence de consensus plus coûteuse en calcul utilisant K=10 échantillons.

Pour l'industrie robotique, ce travail cible un angle mort courant des systèmes de navigation pilotés par VLM : la sortie du modèle est traitée comme une vérité unique, sans signal de confiance exploitable en aval. En montrant qu'une incertitude dérivée de la dispersion spatiale peut déclencher une correction seulement quand elle est nécessaire, UDAV limite le surcoût de calcul par rapport à un consensus systématique plus lourd, tout en réduisant les erreurs extrêmes, celles qui comptent le plus pour la sécurité opérationnelle des duos drone-robot terrestre en agriculture, logistique de terrain, inspection ou secours en zones difficiles d'accès.

Ce travail s'inscrit dans la tendance à appliquer les VLM directement à la planification de trajectoires depuis l'imagerie aérienne, plutôt que via des pipelines classiques de segmentation puis planification géométrique. Il demeure à ce stade une contribution académique, évaluée sur un jeu de données restreint issu de deux vols et 400 requêtes, sans partenaire industriel identifié ni déploiement terrain annoncé. Sa portée réelle dépendra de validations futures sur des environnements, des flottes et des conditions de vol plus variés que ceux testés dans cette étude initiale.

Dans nos dossiers

arXiv cs.RO

À lire aussi

LARC : certification paresseuse et adaptative de l'atteignabilité pour les trajectoires de robots manipulateurs
1arXiv cs.RO 

LARC : certification paresseuse et adaptative de l'atteignabilité pour les trajectoires de robots manipulateurs

Des chercheurs ont publié le 29 août 2026 sur arXiv un article intitulé LARC (Lazy Adaptive Reachability Certification), décrivant une méthode de certification formelle des trajectoires de bras robotiques manipulateurs. Le principe : au lieu de vérifier les collisions uniquement sur des états échantillonnés le long d'une trajectoire, ce qui peut manquer des chocs entre deux points de mesure, LARC borne le mouvement entre les états via des capsules géométriques centrées sur le point médian de chaque intervalle, gonflées selon les vitesses maximales exactes de chaque articulation. La méthode ne subdivise finement que les intervalles où le test de dégagement reste ambigu, plutôt que de découper uniformément tout le temps de vol comme les approches classiques. Testée sur 160 trajectoires issues de 80 paires départ-arrivée exécutées sur un bras AgileX PIPER, elle reproduit toutes les décisions d'une méthode de référence à granularité fixe (profondeur neuf), mais avec seulement 20 328 évaluations d'intervalles, soit 24,8% du travail de la référence, pour une accélération médiane de 10,28 fois. Un audit indépendant via MoveIt/FCL, portant sur 158 051 états échantillonnés, a détecté des collisions dans 21 trajectoires utilisant une interpolation directe, et LARC n'en a certifié aucune à tort comme sûres. Pour les intégrateurs et concepteurs de bras robotiques industriels ou collaboratifs, ce travail s'attaque à un point de friction réel : les contrôles de sécurité basés sur l'échantillonnage discret d'une trajectoire peuvent laisser passer des collisions invisibles entre deux points testés, un écart connu entre validation en simulation et garantie réelle en continu. Les méthodes de certification par atteignabilité comblent ce trou mais coûtent cher en calcul si elles découpent le temps uniformément. En concentrant l'effort de calcul là où l'incertitude persiste, LARC réduit ce coût d'un facteur proche de quatre sans sacrifier la fiabilité des décisions, ce qui intéresse les pipelines de validation temps réel ou embarqués pour cobots et bras industriels. Un bémol toutefois : 27 des 139 trajectoires jugées propres par échantillonnage restent non certifiées par la méthode, et l'audit par échantillonnage lui-même ne peut pas prouver formellement l'absence de collision en temps continu, ce qui laisse une zone grise que les auteurs reconnaissent explicitement. Ce travail s'inscrit dans la lignée des méthodes de vérification formelle du mouvement robotique, alternative aux approches purement statistiques comme MoveIt/FCL, ici utilisées comme référence de comparaison et outil d'audit. LARC s'appuie sur des trajectoires articulaires en Hermite cubique par morceaux, format courant dans les bibliothèques de planification de mouvement. Le choix du bras AgileX PIPER, manipulateur léger à six degrés de liberté du fabricant chinois AgileX Robotics, ancre l'évaluation dans un contexte de bras collaboratif abordable plutôt que dans un laboratoire de recherche fermé. Il s'agit d'une contribution algorithmique validée par simulation et audit, sans pilote industriel ni déploiement annoncé à ce stade ; les prochaines étapes évoquées par les auteurs porteraient sur des bornes plus serrées pour réduire la part de trajectoires non certifiées et sur l'extension à des obstacles dynamiques.

RecherchePaper
1 source
Coordination multi-LLM médiée par un vérificateur pour la planification de trajectoires multi-robots
2arXiv cs.RO 

Coordination multi-LLM médiée par un vérificateur pour la planification de trajectoires multi-robots

Des chercheurs proposent une architecture de coordination où plusieurs planificateurs fondés sur des grands modèles de langage (LLM) pilotent une équipe de robots, avec un vérificateur géométrique chargé de contrôler la faisabilité physique des plans. Le travail, publié sur arXiv (2610.12761), compare deux approches pour la navigation multi-robots. Dans la première, centralisée, un seul LLM raisonne conjointement sur toute l'équipe. Dans la seconde, décentralisée, chaque robot dispose de son propre LLM, qui propose indépendamment un plan de tâches. Le vérificateur convertit ensuite ces plans symboliques en trajectoires, prédit les conflits entre robots (collisions, occupation simultanée d'un même espace) et renvoie aux LLM un retour structuré pour un replanification ciblée, sur plusieurs itérations. Les expériences ont lieu dans le simulateur de conduite CARLA et sur des drones Crazyflie, en faisant croître la complexité des tâches. Le résumé publié ne donne aucun chiffre de performance, de taux de réussite ni de taille d'équipe. L'enjeu est un défaut bien connu des planificateurs à base de modèles de fondation : des plans corrects pris isolément peuvent devenir incompatibles une fois ancrés dans la géométrie, à cause des contraintes spatiales et temporelles partagées. Séparer le raisonnement sémantique de la faisabilité d'exécution revient à admettre qu'un LLM ne doit pas être seul garant de la sécurité d'une flotte. Pour les intégrateurs de flottes d'AMR, de drones ou de robots mobiles, c'est un schéma réutilisable : le LLM propose, un module déterministe dispose. L'étude cherche aussi à caractériser les compromis entre raisonnement centralisé, coordination décentralisée et exécutabilité physique. Elle pourrait donc indiquer à quelle complexité l'approche centralisée cesse de tenir. Cela concerne directement les architectures d'orchestration, où le choix entre un planificateur unique et des agents par robot pèse sur la latence, la robustesse aux pannes et le coût d'inférence. Sans résultats quantitatifs dans le résumé, ces bénéfices restent à vérifier dans l'article complet. Ces travaux s'inscrivent dans la vague des planificateurs de tâches fondés sur des LLM pour la robotique, qui a surtout été évaluée en mono-robot ou sur des tâches symboliques sans contraintes géométriques serrées. Le recours à un vérificateur externe rejoint les approches neuro-symboliques de type « LLM plus solveur », déjà répandues en planification. La validation sur Crazyflie, un micro-drone très utilisé en recherche, reste un banc d'essai de laboratoire, loin d'un déploiement industriel. La suite logique serait de tester des équipes plus nombreuses, des environnements dynamiques et des robots hétérogènes. Il faudrait aussi mesurer le nombre d'itérations de replanification nécessaires et leur coût en temps de calcul, deux critères décisifs pour tout usage en entrepôt ou en logistique.

UEPas d\'impact direct sur la France/UE

RecherchePaper
1 source
MDCPP : planification dynamique de trajectoires de couverture multi-robots pour l'adaptation de la charge de travail
3arXiv cs.RO 

MDCPP : planification dynamique de trajectoires de couverture multi-robots pour l'adaptation de la charge de travail

Une équipe de recherche publie sur arXiv (arXiv:2509.23705v2, version révisée) un article intitulé « MDCPP: Multi-Robot Dynamic Coverage Path Planning for Workload Adaptation », qui propose une méthode de planification de couverture pour flottes de robots mobiles capable de s'adapter aux vitesses de déplacement variables qu'imposent des tâches de détection ou d'interaction. Le système apprend un champ de charge de travail modélisé par un mélange de gaussiennes à partir d'observations partielles, prédit le temps de service cellule par cellule, puis répartit en continu les zones non couvertes via une allocation distribuée sous contrainte de capacité. Les auteurs démontrent la terminaison finie et l'optimalité locale par paires de chaque cycle d'allocation synchronisé, bornent la dégradation du temps de complétion (makespan) due aux erreurs d'estimation, et posent des conditions suffisantes de couverture complète. Un banc d'essai de 600 simulations compare MDCPP à quatre approches, le balayage classique, LS-MCPP, la réaffectation réactive et un oracle de référence, avant une validation matérielle limitée à trois robots terrestres sans pilote (UGV) soumis à des effets réels de localisation, de motorisation et de contrôle sans fil. L'enjeu dépasse l'exercice académique: la quasi-totalité des algorithmes de couverture multi-robots suppose une vitesse constante, hypothèse qui s'effondre dès qu'un robot doit ralentir pour scanner, pulvériser ou inspecter certaines zones plus densément que d'autres, un cas fréquent en agriculture de précision, nettoyage industriel ou inspection d'entrepôts. Le benchmark montre que le gain de la prédiction de charge de travail est surtout significatif dans les scénarios fortement hétérogènes, où MDCPP améliore le makespan agrégé par rapport aux méthodes non prédictives, un signal utile pour les intégrateurs arbitrant entre planification statique et adaptation dynamique. Le passage du simulateur à trois UGV physiques constitue une validation partielle mais concrète au-delà de la simulation, même si l'échelle testée reste très en deçà d'un déploiement industriel et ne permet pas d'extrapoler directement les gains à des flottes de plusieurs dizaines d'unités. Le papier s'inscrit dans la lignée des travaux sur le coverage path planning multi-robots, champ de recherche mature dont les références incluent le balayage géométrique et des variantes récentes comme LS-MCPP, auxquelles MDCPP ajoute une couche prédictive fondée sur l'apprentissage du champ de charge plutôt qu'une simple réaction à la charge observée. La mention « replace » sur arXiv indique une version révisée d'un préprint déjà soumis, sans qu'aucun laboratoire, financement ou calendrier de commercialisation ne soit précisé dans le résumé. Aucune suite n'est annoncée, mais la limitation assumée du banc d'essai matériel à trois véhicules laisse présager, comme étape logique suivante, un passage à l'échelle vers des flottes plus larges et des environnements extérieurs moins contrôlés avant toute application industrielle réelle.

RecherchePaper
1 source
3D-CovDiffusion : modèle de diffusion 3D pour la planification de trajectoires de couverture
4arXiv cs.RO 

3D-CovDiffusion : modèle de diffusion 3D pour la planification de trajectoires de couverture

Des chercheurs présentent 3D-CovDiffusion, un modèle de diffusion conditionné par la géométrie pour la planification de trajectoires de couverture en robotique industrielle, décrit dans une version révisée (v2) publiée sur arXiv (2510.03011). Contrairement aux approches qui assemblent après coup des segments de trajectoire non ordonnés via des heuristiques, la méthode reformule le problème comme une génération de séquence conditionnelle : elle synthétise directement, à partir d'un nuage de points 3D brut, des trajectoires continues et temporellement ordonnées, découpées en blocs simplement concaténés dans l'ordre. Une seule politique partagée traite des géométries variées sans architecture spécifique par catégorie d'objet. Sur des benchmarks étendus, les auteurs rapportent une distance de Chamfer point à point inférieure de 98,2 % par rapport aux meilleures méthodes d'apprentissage antérieures, un jerk (à-coup) réduit de 97,0 %, signe de trajectoires plus lisses, et une couverture de surface supérieure de 67,5 points de pourcentage en moyenne. La planification de trajectoires de couverture conditionne directement la qualité de finition et le temps de cycle en peinture, polissage et revêtement par pulvérisation industriels. Les méthodes existantes, géométriques ou fondées sur l'apprentissage par segments, nécessitent souvent un post-traitement pour reconstituer un ordre cohérent, ce qui introduit des artefacts et limite la généralisation entre formes d'objets. En montrant qu'une politique de diffusion unique peut générer directement des séquences ordonnées et se généraliser sans réglage par catégorie, ce travail renforce l'idée que les modèles de diffusion conditionnés peuvent remplacer des pipelines de planification fait main, argument déjà avancé pour la manipulation robotique mais encore peu exploré pour la couverture de surface. Les gains chiffrés restent toutefois issus de benchmarks internes aux auteurs, sans validation en environnement industriel réel mentionnée dans l'abstract. Ce travail prolonge les "diffusion policies" désormais courantes en apprentissage par imitation pour la manipulation, ici transposées à un problème historiquement traité par la planification classique (trajectoires en boustrophédon) ou par des méthodes d'apprentissage assemblant des segments locaux. Classée "replace" sur arXiv, la publication correspond à une mise à jour d'un article existant plutôt qu'à une annonce produit ; aucun industriel ni site de déploiement n'est cité, ce qui situe la contribution au stade académique plutôt qu'au transfert commercial. La suite logique attendue serait une validation sur cellule robotique réelle, comparée aux outils de programmation de trajectoire actuellement utilisés en production.

RecherchePaper
1 source