Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
Navi-Agent : agent de navigation monoculaire sans localisation
RecherchearXiv cs.RO 

Navi-Agent : agent de navigation monoculaire sans localisation

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

Un article publié sur arXiv (2609.20388) présente Navi-Agent, un agent de navigation zero-shot pour la Vision-Language Navigation in Continuous Environments (VLN-CE), où un robot doit suivre des instructions en langage naturel dans un environnement inconnu, sans carte préétablie. Face aux systèmes classiques qui s'appuient sur une localisation géométrique ou des coordonnées, et aux approches récentes sans profondeur ni coordonnées globales mais incapables de garder une mémoire spatiale fiable, Navi-Agent construit un état spatial sans coordonnées à partir d'une seule caméra et de l'historique des déplacements exécutés, organisé en topologie où les nœuds sont des lieux visuels et les arêtes des transitions de mouvement. En boucle fermée, il découpe une instruction en sous-objectifs, navigue localement par vision, puis vérifie les lieux visités via cette topologie pour s'auto-localiser, suivre sa progression et se rétablir par revisite visuelle en cas d'erreur. Les auteurs l'évaluent sur un benchmark VLN-CE zero-shot et sur des plateformes robotiques réelles.

L'enjeu pour les intégrateurs de robotique est concret: le système fonctionne avec une seule caméra RGB, sans capteur de profondeur ni odométrie globale, ce qui allège le coût matériel et la dépendance à un SLAM classique en environnement inconnu. Il répond à un point faible connu des architectures dites geometry-free, qui abandonnent les coordonnées mais perdent la capacité à confirmer qu'un lieu a déjà été visité ou à se rétablir après une erreur de trajectoire. Les auteurs revendiquent l'état de l'art parmi les méthodes sans contrainte géométrique et une compétitivité avec les approches à localisation géométrique classique, mais le résumé ne détaille ni taux de réussite ni conditions des essais réels, ce qui invite à la prudence sur la portée de cette comparaison.

Ce travail s'inscrit dans la recherche active en VLN-CE, qui vise à faire suivre des instructions naturelles à un agent dans un espace 3D continu plutôt qu'un graphe discret préconstruit. Il se positionne contre les méthodes à coordonnées globales, précises mais coûteuses en capteurs, et contre les approches geometry-free qui n'ont pas résolu la persistance spatiale. Classé comme nouvelle soumission arXiv, le papier ne cite ni entreprise ni laboratoire affilié, ni date de publication de code.

Dans nos dossiers

arXiv cs.RO

À lire aussi

Skytopia : navigation de drone monoculaire par modèles du monde latents conditionnés par l'action
1arXiv cs.RO 

Skytopia : navigation de drone monoculaire par modèles du monde latents conditionnés par l'action

Une équipe de recherche publie Skytopia, une politique de navigation pour drones équipés d'une seule caméra orientée vers l'avant, dans un preprint arXiv (identifiant 2609.26007) mis en ligne fin septembre 2026. Le système repose sur un modèle du monde latent conditionné par l'action, entraîné sur une plateforme de simulation par 3D Gaussian Splatting conçue pour l'occasion. Deux objectifs d'entraînement sont combinés : un objectif direct qui prédit la représentation de la prochaine observation à partir du mouvement prévu, et un objectif inverse qui retrouve ce mouvement à partir de la transition prédite. Particularité du système, le module de prédiction est écarté après l'entraînement, seule la représentation qu'il produit sert au déploiement, ce qui permet à une politique unique de gérer trois modes de navigation : point-goal, image-goal et sans objectif explicite (goal-free). En simulation, Skytopia atteint des taux de réussite de 57,8%, 66,0% et 49,0% selon ces trois configurations, devant toutes les références testées, et l'abandon du prédicteur réduit le coût de calcul à l'inférence de 59,4%. La même politique, sans aucun réglage fin supplémentaire, a ensuite été déployée sur un drone physique et a atteint ses objectifs en intérieur, en extérieur dégagé et en forêt. La navigation monoculaire, sans lidar ni caméra stéréo, reste un problème difficile pour les drones car une image unique fournit peu d'indices sur la profondeur et l'échelle des objets, ce qui complique le transfert simulation-vers-réel sur des plateformes légères. L'argument central des auteurs est que ce dont une politique a besoin d'un modèle du monde n'est pas la prédiction elle-même mais la représentation qui permet de la produire, puisqu'en vol l'action exécutée explique presque tout le changement observé entre deux images. Se débarrasser du prédicteur au moment du déploiement fait chuter le coût d'inférence de près de 60%, un enjeu direct pour l'embarqué sur des drones aux budgets de calcul et d'énergie limités. Le transfert réussi, sans réentraînement, vers trois environnements très différents constitue un signal utile pour les équipes qui parient sur des politiques de navigation entraînées entièrement en simulation. Il faut toutefois relativiser : des taux de réussite entre 49% et 66% restent modestes, et les tests ont été menés à l'échelle d'un laboratoire de recherche, loin d'un déploiement en flotte ou d'une validation industrielle. Ce travail s'inscrit dans une tendance plus large à utiliser des modèles du monde pour la prise de décision d'agents embarqués, déjà explorée côté manipulation et locomotion robotique, mais appliquée ici à la navigation aérienne avec une seule caméra, une configuration de perception plus contrainte que les plateformes multi-caméras ou équipées de lidar. Le choix d'entraîner la politique dans un environnement de 3D Gaussian Splatting plutôt que dans un simulateur photoréaliste classique reflète un mouvement plus général vers le rendu neuronal pour accélérer les pipelines d'entraînement. À la différence des architectures où le prédicteur reste actif à l'inférence et réinjecte sa sortie dans la génération d'action à chaque pas de contrôle, la norme pour la plupart des politiques fondées sur un modèle du monde, Skytopia traite ce module comme un outil auxiliaire réservé à l'entraînement. Publié comme simple preprint, l'article n'annonce ni partenaire industriel ni déploiement pilote ; la suite logique serait une validation sur un plus grand nombre d'environnements et une intégration dans des piles logicielles commerciales de drones autonomes.

RecherchePaper
1 source
Navigation topologique par macro-actions sous localisation bruitée par apprentissage par renforcement
2arXiv cs.RO 

Navigation topologique par macro-actions sous localisation bruitée par apprentissage par renforcement

Des chercheurs décrivent dans un article arXiv (2608.23055v1) un agent de navigation capable d'évoluer dans des appartements 3D photoréalistes de grande taille en utilisant uniquement l'apprentissage par renforcement applique aux pixels bruts de la camera, sans accès a la position réelle du robot. L'agent doit atteindre plusieurs objets cibles en séquence, leurs positions changeant a chaque épisode, ce qui l'oblige a explorer l'environnement pour les localiser. Le système s'appuie sur un contrôleur topologique centre sur les objets, développe précédemment par la même équipe, qui utilisait jusqu'ici la position exacte de l'agent et les détections d'objets fournies directement par le simulateur. Dans cette nouvelle version, cette position vérité terrain est remplacée par une estimation embarquée: pour chaque objet, une banque de descripteurs visuels ORB permet, lorsque l'objet est revu, d'obtenir une mesure de position approximative, fusionnée avec un modèle de mouvement via un filtre de Kalman étendu minimal. Les tests sont menés dans le simulateur photoréaliste Habitat, avec des mouvements exécutés bruites pour se rapprocher des conditions d'un robot réel. Ce résultat contredit une hypothèse répandue dans la communauté robotique, selon laquelle la navigation par RL pur, a partir de pixels bruts, dans de grands environnements photoréalistes, serait impraticable. L'astuce technique clé tient au fait que l'estimation de position dérivé avec le temps, mais l'agent et les objets proches dérivent ensemble: une cohérence locale de la position suffit donc pour suivre chaque segment court du graphe topologique puis s'aligner visuellement sur la cible finale. Cette approche permet de remplacer un système SLAM complet, gourmand en calcul, par un modèle beaucoup plus léger, ce qui intéressé directement les intégrateurs et concepteurs de robots mobiles cherchant a réduire le cout de calcul embarque. Elle rappelle aussi, selon les auteurs, le fonctionnement de la navigation biologique, qui repose sur des repères locaux successifs plutôt que sur une carte globale précise, une piste alternative aux pipelines de localisation lourds pour les robots opérant en environnement non structure. Ce travail prolonge directement les recherches antérieures des mêmes auteurs sur un contrôleur de navigation topologique centre sur les objets, qui reposait jusqu'alors sur des informations privilégiées issues du simulateur, position exacte et détections d'objets parfaites. Il s'inscrit dans un courant de recherche en navigation robotique visuelle, en concurrence avec les approches fondées sur le SLAM classique ou sur des modèles vision-langage-action de bout en bout entraines a grande échelle. A ce stade, les expériences restent confinées au simulateur Habitat, sans validation sur robot physique ni chiffres de performance détaillés au-delà de la réussite des taches rapportée par les auteurs. La suite logique, non précisée dans l'article, serait un transfert vers un robot réel pour vérifier si la cohérence locale de la position suffit également face au bruit des capteurs et des actionneurs physiques.

RecherchePaper
1 source
Décision de navigation topologique pour la localisation et la cartographie multi-session
3arXiv cs.RO 

Décision de navigation topologique pour la localisation et la cartographie multi-session

Des chercheurs publient sur arXiv (référence 2602.17226, version 2 révisée) un nouveau cadre pour la cartographie et la localisation multi-session en robotique autonome, un problème central pour les véhicules autonomes, la topographie et la robotique d'entrepôt ou domestique. Le système repose sur une décision structurelle: plutôt que de relancer systématiquement un SLAM complet a chaque nouvelle visite d'un lieu puis de recoller les cartes obtenues a posteriori, méthode couteuse et source d'erreurs, les auteurs analysent directement la topologie du graphe de poses joint. Ils utilisent des métriques de connectivité spectrale pour repérer les zones déconnectées ou faiblement contraintes de ce graphe, et ne déclenchent une nouvelle cartographie ou une fermeture de boucle que lorsque cette structure révèle un manque de support. La carte et le graphe résultants sont ensuite fusionnes dans le modèle existant, ce qui réduit l'erreur accumulée et améliore la cohérence globale sans remaniement redondant. La méthode a été validée sur des séquences de jeux de données se recouvrant partiellement, puis testée dans un environnement réel de type mine souterraine. Ce travail s'attaque a un angle mort fréquent des pipelines SLAM commerciaux: la plupart des systèmes traitent chaque session d'exploration indépendamment puis tentent de fusionner les cartes après coup, une approche qui échoue souvent dans des environnements répétitifs ou peu textures, un scenario courant en mine, en entrepôt ou sur site industriel. En déplaçant la décision de recartographier vers une analyse topologique explicite plutôt qu'une simple heuristique de correspondance, l'approche vise des cycles de navigation plus courts et moins de dérivé cumulée pour les flottes de robots ou véhicules qui reviennent régulièrement sur les mêmes zones, un enjeu direct pour les intégrateurs d'AMR en logistique et les opérateurs de sites industriels cherchant a réduire le temps d'immobilisation lie au recalibrage cartographique. Elle interroge aussi l'hypothèse répandue selon laquelle une fusion de cartes post-hoc suffit a garantir une localisation fiable sur le long terme. La publication s'inscrit dans la continuité des travaux sur le SLAM multi-session et la localisation basée sur carte, un domaine actif en robotique mobile ou la gestion de la redondance entre sessions reste un point de friction face aux méthodes classiques de fermeture de boucle et aux frameworks de pose-graph existants. Le texte ne mentionne aucun partenariat industriel ni déploiement commercial a ce stade: il s'agit d'une contribution de recherche validée expérimentalement, non d'un produit livre. Les auteurs indiquent vouloir étendre les essais a davantage d'environnements réels, en particulier souterrains, la ou la robustesse face aux zones répétitives et faiblement texturées reste la plus critique.

RecherchePaper
1 source
HarnessVLN : unifier la navigation incarnée sans entraînement grâce à un harnais d'agents
4arXiv cs.RO 

HarnessVLN : unifier la navigation incarnée sans entraînement grâce à un harnais d'agents

Des chercheurs ont publié HarnessVLN, un article arXiv (2609.15195, catégorie "new") qui présente un cadre zero-shot, sans entraînement spécifique, pour la navigation robotique incarnée guidée par instructions en langage naturel. Son composant central, l'Agent Harness, orchestre perception, récupération d'information, ancrage spatial, navigation, récupération d'erreurs et terminaison de tâche via une interface outil unifiée : il confronte chaque proposition du planificateur aux preuves spatiales disponibles, à la faisabilité géométrique et à la cohérence des sous-objectifs, avant de réinjecter ce retour structuré dans la décision suivante. Une mémoire d'événements hiérarchique suit la progression de la tâche et l'historique d'exécution, tandis qu'un graphe spatiotemporel persistant conserve les preuves spatiales réutilisables et les annotations d'échec pour vérification ultérieure. Un exécuteur de navigation interchangeable convertit les cibles validées en mouvements concrets, permettant au même protocole de couvrir à la fois le suivi d'instructions et la navigation vers un objet désigné. Sur les benchmarks R2R, RxR, HM3D-v2 et HM3D-OVON, le système atteint des taux de réussite respectifs de 60,8 %, 53,9 %, 76,0 % et 59,3 %, dépassant les meilleurs résultats "sans entraînement" publiés jusqu'ici. Un déploiement sur robot humanoïde en environnement réel est également démontré. L'intérêt tient au problème que le cadre cible directement : les grands modèles multimodaux (MLLM) savent générer des plans d'action plausibles à partir d'images, mais rien ne garantit qu'ils tiennent compte de la géométrie réelle du lieu, de l'avancement effectif de la tâche ou des échecs déjà survenus, ce qui produit des trajectoires incohérentes en pratique. En ajoutant une couche de vérification et de mémoire structurée autour du modèle de langage plutôt qu'en le réentraînant, HarnessVLN suggère que l'architecture de contrôle, davantage que le MLLM sous-jacent, conditionne la robustesse d'un agent de navigation. Le fait qu'un seul protocole couvre suivi d'instructions et navigation vers objet, et se transfère à un humanoïde réel, est un signal pertinent pour les intégrateurs évaluant des piles de navigation zero-shot avant d'investir dans du fine-tuning coûteux en données. Ce travail s'inscrit dans une vague de recherches qui exploitent des MLLM déjà entraînés comme alternative aux politiques VLN classiques, coûteuses à entraîner et peu généralisables hors de leur distribution d'origine. Les benchmarks utilisés, R2R et RxR pour le suivi d'instructions, HM3D-v2 et HM3D-OVON pour la navigation vers objet, sont des références standards du secteur issues des scans Matterport3D et de l'environnement Habitat. La nature exacte de la plateforme humanoïde testée et l'échelle du pilote ne sont pas précisées dans le résumé, ce qui invite à la prudence sur la portée réelle de cette démonstration. La page du projet est accessible à harnessvln.netlify.app.

RecherchePaper
1 source