RecherchearXiv cs.RO 24 septembre 2026

DUGM-R : cartographie dynamique en grille avec incertitude et récupération déclenchée par le risque pour la navigation locale apprise

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs ont déposé sur arXiv, le 24 septembre 2026, sous la référence 2609.27338, un article présentant DUGM-R, un framework de navigation locale par apprentissage par renforcement, sensible au risque, pour robots mobiles évoluant en environnements intérieurs encombrés et dynamiques. Le système combine une carte de grille d'incertitude dynamique (DUGM), représentation centrée sur le robot qui fusionne occupation locale, mouvement estimé des obstacles et incertitude sur cette estimation, avec un mécanisme de récupération appliqué après l'entraînement. Une fois la politique de navigation nominale figée, une fonction de valeur de risque (RVF) à horizon fini, entraînée sur les trajectoires générées par cette politique, déclenche une politique de récupération dédiée dès qu'une collision est jugée probable si l'exécution nominale se poursuit. Les tests ont eu lieu dans le simulateur NVIDIA Isaac Sim, sur un benchmark de logistique clinique tenu à l'écart de l'entraînement, puis le framework complet a été transféré tel quel sur un robot TurtleBot3, sans réglage fin, sans réentraînement ni adaptation spécifique au site, en conservant la tendance de performance observée en simulation.

Ces résultats concernent directement les intégrateurs de robots mobiles autonomes (AMR) en environnement hospitalier ou logistique, où la cohabitation avec des piétons expose les politiques de navigation apprises à des comportements résiduels de quasi-collision une fois l'entraînement figé. En modélisant explicitement l'incertitude du mouvement des obstacles plutôt qu'une représentation statique ou déterministe, DUGM-R améliore la navigation nominale, et son mécanisme de récupération réduit encore les cas résiduels à risque. Le transfert direct vers un TurtleBot3 sans réentraînement, s'il se confirme sur d'autres plateformes, viendrait affaiblir l'idée répandue selon laquelle chaque déploiement d'un robot mobile appris exige une coûteuse adaptation au terrain, même si la validation reste ici limitée à un seul petit robot et à un article non encore relu par les pairs.

Ce travail s'inscrit dans la recherche sur la navigation locale apprise, pensée comme alternative aux planificateurs classiques pour les environnements dynamiques denses, domaine où la fragilité des politiques après entraînement reste un point faible documenté de longue date. En comparant sa représentation dynamique et incertaine à des cartes statiques ou des modèles de mouvement déterministes, l'équipe positionne DUGM-R comme une amélioration incrémentale plutôt qu'une rupture, sans qu'aucun acteur industriel, français, européen ou autre, ne soit associé à ces travaux à ce stade purement académique. Les suites logiques attendues seraient une validation sur des flottes plus larges et des plateformes AMR commerciales, afin de confirmer le transfert simulation-réel au-delà du cadre contrôlé testé ici.

Dans nos dossiers

NVIDIA Isaac & Cosmos arXiv cs.RO

À lire aussi

1arXiv cs.RO

Replanification adaptative à déclenchement par événements, certifiée par le risque, pour la navigation dynamique

Des chercheurs proposent CERT-Replan (Conformal Event-Triggered Risk-Certified Replanning), un cadre de navigation sûre pour robots mobiles évoluant parmi des obstacles dynamiques, décrit dans une prépublication arXiv. Le système calibre en ligne les résidus de prédiction des trajectoires d'obstacles, indexés par horizon temporel, par méthode conforme. Il en déduit des rayons d'incertitude qui servent à évaluer les marges de sécurité. Un filtre de sécurité à un pas, fondé sur les fonctions de barrière de contrôle (CBF), protège la prochaine commande appliquée. Un moniteur de risque évalue en parallèle la CVaR de queue haute des pertes de violation de barrière prévues le long de la trajectoire MPC en cours. Dans un benchmark non stationnaire, les auteurs annoncent 83,3 % de collisions en moins que la base de référence limitée au filtre de sécurité, et 77,8 % de moins que des déclencheurs de replanification simples. L'intervention moyenne du filtre baisse de 32,4 %. Avec le prédicteur Trajectron++, le taux de fonctionnement sans collision atteint 96 %. Des essais matériels et un profilage du temps de calcul embarqué sont mentionnés pour établir la faisabilité. L'apport tient à un changement de question. Les filtres CBF classiques rejettent une commande immédiatement dangereuse, mais ne disent rien sur la dégradation progressive du mode de planification lui-même quand l'incertitude de prédiction évolue. Ici, le risque barrière calibré sert de signal d'alerte précoce. Lorsqu'il dépasse un budget alloué, le système ne corrige pas indéfiniment le même plan nominal : il abandonne ce mode et en choisit un moins risqué, par exemple un autre profil de vitesse, un autre corridor ou une autre classe d'homotopie. Pour les intégrateurs de robots mobiles (AMR, robots de service) évoluant parmi des piétons ou des chariots, cela vise les rares défaillances critiques qui apparaissent quand les prédictions se dégradent hors distribution. La baisse de sollicitation du filtre suggère aussi des mouvements plus fluides. Ces chiffres restent toutefois ceux d'un benchmark choisi par les auteurs. Le résumé ne précise ni le nombre d'essais, ni la nature des obstacles, ni la configuration matérielle. Le taux de 96 % laisse en outre 4 % d'épisodes avec collision, ce qui reste loin d'un niveau de sécurité certifiable en environnement industriel. Ce travail s'inscrit dans la lignée des méthodes de prédiction conforme appliquées à la planification sous incertitude et des MPC à contraintes de risque. Il prolonge aussi les filtres CBF devenus courants pour garantir la sécurité autour d'une politique nominale. Trajectron++ reste un prédicteur de référence en prévision de trajectoires multi-agents, ce qui facilite la comparaison avec d'autres approches. Le résumé ne cite ni concurrents directs, ni partenaire industriel, ni calendrier de déploiement. On ignore donc encore si la méthode sera testée sur des flottes réelles. Les prochaines étapes à surveiller sont la publication des détails expérimentaux, la robustesse face à des changements de distribution plus brutaux, et l'évaluation en environnement dense.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

2arXiv 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

3arXiv cs.RO

Risque et incertitude : une planification cinodynamique pour une navigation sûre en environnement planétaire

Une équipe de robotique publie sur arXiv, en août 2026 (référence 2608.11175, nouvelle soumission), une méthode de planification de trajectoire cinodynamique consciente du risque pour les robots à roues en environnement planétaire. L'approche combine deux étapes : un planificateur par échantillonnage nommé AO-RRT génère d'abord une trajectoire dynamiquement faisable, sensible au risque et asymptotiquement optimale en coût ; le problème est ensuite reformulé en optimisation non linéaire, résolue par programmation convexe séquentielle (SCP) à partir de cette trajectoire initiale. Le risque est quantifié via la valeur à risque conditionnelle (CVaR), une métrique issue de la finance qui capture les scénarios les plus défavorables. Testée en simulation puis validée sur du matériel réel, la méthode réduit le risque de plus de 97% sur l'ensemble des trajectoires évaluées. Pour un rover planétaire, la mécanique terrain-roue reste souvent partiellement inconnue et doit être apprise en ligne, ce qui peut transformer un plan optimal en manœuvre dangereuse, un risque amplifié par les incertitudes des systèmes de perception embarqués. L'enjeu est concret : un rover ensablé ou renversé peut compromettre toute une mission, sans intervention téléopérée rapide possible compte tenu de la latence de communication avec la Terre. En réduisant le risque de près de deux ordres de grandeur sans sacrifier l'optimalité du coût ni la faisabilité dynamique, ces travaux comblent l'écart entre les planificateurs purement optimaux en coût, qui ignorent la queue de distribution des scénarios dangereux, et les approches d'optimisation locale sans garantie de couverture globale. La méthode s'appuie sur la famille des planificateurs par échantillonnage de type RRT asymptotiquement optimaux, couplés à la programmation convexe séquentielle, déjà utilisée en robotique aérienne et spatiale pour raffiner des trajectoires initiales. L'usage de la CVaR pour quantifier le risque d'enlisement ou de collision rappelle des précédents marquants, comme celui du rover Spirit de la NASA, ensablé en 2009, ce qui avait mis fin à sa phase de mobilité. Publiée sous forme de lettre de recherche, cette étude reste à ce stade une contribution académique, validée en simulation et sur banc d'essai matériel mais sans déploiement opérationnel annoncé ; les prochaines étapes attendues portent sur des modèles de terrain plus complexes et une intégration potentielle aux futures piles logicielles d'autonomie de rovers lunaires ou martiens.

RecherchePaper

1 source

4arXiv cs.RO

UCON : navigation tenant compte de l'incertitude par réassociation historique en environnements dynamiques

UCON, un nouvel algorithme de navigation autonome pour environnements dynamiques, a été publie sur arXiv le 25 septembre 2026 sous la référence 2609.29419v1. Le système s'attaque a deux problèmes récurrents en robotique mobile : l'instabilité de la perception, qui provoque des changements d'identité entre obstacles suivis et des estimations de mouvement peu fiables, et le décalage entre incertitude et optimisation, qui empêche d'intégrer proprement cette incertitude dans le calcul de trajectoire. La solution combine un mécanisme de reassociation historique au niveau des points, qui exploite des fragments de nuages de points passes pour retrouver une cible perdue et maintenir la continuité de son identité, avec un filtre de Kalman fournissant une estimation anisotrope de l'état de mouvement et une propagation de la covariance. Les états prédits et leurs covariances sont ensuite convertis en secteurs d'incertitude, intégrés comme termes de cout différentiables dans le module d'optimisation de trajectoire. Les auteurs annoncent des tests en simulation et en conditions réelles, et promettent l'ouverture du code source, sans date de publication précisée. Pour les intégrateurs de robots mobiles autonomes (AMR) évoluant parmi des obstacles mouvants, humains ou autres robots, la perte d'identité d'une cible suivie est une source classique de replanifications brusques ou dangereuses. En reliant explicitement l'incertitude de perception au calcul de trajectoire, plutôt que de traiter ces deux étapes séparément, UCON s'attaque directement a ce point de friction technique, pertinent pour la fiabilité des déploiements industriels en entrepôt ou en usine. Les auteurs revendiquent une performance supérieure aux méthodes de l'état de l'art tout en conservant une bonne efficacité de calcul, mais ces comparaisons proviennent de leurs propres benchmarks et l'abstract ne fournit aucun chiffre concret, ni taux de réussite, ni temps de calcul, ni fréquence de traitement, ce qui rend l'ampleur réelle du gain difficile a juger avant la publication complète. Le texte se présente comme un article de recherche nouvellement annonce sur arXiv, sans nom d'institution, de laboratoire ou d'entreprise associe dans le résume, et sans lien vers un dépôt de code a ce stade. Il s'inscrit dans un courant de recherche plus large visant a réconcilier robustesse perceptuelle et planification de mouvement sous incertitude pour la navigation en environnement dynamique, un axe suivi par de nombreux groupes académiques travaillant sur les AMR et la navigation robotique. Aucun acteur concurrent n'est nomme explicitement, la comparaison restant générique aux "méthodes de l'état de l'art". La suite logique reste la publication du code promise par les auteurs et, vraisemblablement, une parution reviewee détaillant les résultats chiffres.

RecherchePaper

1 source