RecherchearXiv cs.RO 24 septembre 2026

Recherche de cible cachée sans balise, par autocalibration certifiée sous odométrie corrélée

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Un article de recherche publié sur arXiv (référence 2609.27905v1) présente une méthode d'auto-calibration certifiée pour la recherche de cible cachée par un véhicule mobile, dans un scénario où ni le véhicule, ni un relais intermédiaire, ni la cible ne disposent d'une position globale connue. Le véhicule ne perçoit jamais la cible directement : il reçoit uniquement des mesures de distance et de relèvement transmises par un relais dont la position et l'orientation sont inconnues, et ne connaît son propre mouvement que par odométrie intégrée dans son repère corporel. Les auteurs démontrent qu'une localisation absolue est mathématiquement impossible dans ce cadre, la configuration conservant une ambiguïté de jauge SE(2) exacte, mais que les grandeurs utiles au pilotage (l'angle de lacet reliant le repère du relais à celui de l'odométrie, et le déplacement de la cible) restent calculables en forme fermée à partir de deux points de vue distincts du véhicule. Ils introduisent un estimateur multi-vues de complexité O(K) associé à un certificat d'incertitude de premier ordre, qui atteint une couverture statistique de 95,0 % pour un niveau nominal visé de 95 %, contre seulement 82,1 % si les corrélations entre poses successives sont ignorées. Sur 200 essais randomisés en boucle fermée, la méthode obtient une erreur médiane de position de 0,064 mètre, quasi identique aux 0,065 mètre d'un oracle connaissant l'orientation réelle du relais, malgré une dérive d'odométrie médiane de 27 mètres sur les longs trajets ; 90 essais physiques sous ROS 2 et Gazebo confirment un taux de réussite de 30 sur 30, y compris en cas de dégradation des communications ou de changement du repère du relais.

Ce résultat intéresse directement les concepteurs de systèmes robotiques opérant sans GPS ni infrastructure d'ancrage fiable, essaims de drones, robots sous-marins ou opérations en environnement contesté où les relais eux-mêmes ne sont pas calibrés. Il remet en cause l'idée reçue selon laquelle l'absence de localisation globale condamne un système à une dérive incontrôlable : ici, la précision quasi équivalente à celle d'un oracle montre que seule l'information localement pertinente pour la tâche compte, et non une carte globale cohérente. La politique hybride proposée, qui explore tant que la calibration n'est pas certifiée, refuse d'agir sur des estimations non fiables, et détecte les changements de repère du relais, offre une alternative pragmatique aux pipelines SLAM classiques dépendant de balises ou de capteurs extéroceptifs directs sur la cible.

Ce travail s'inscrit dans la lignée de la localisation coopérative multi-robots, où un agent relais mobile sert de repère non calibré pour un autre véhicule, un schéma fréquent en robotique sous-marine et en essaims aériens. Contrairement aux approches reposant sur un ancrage absolu, les auteurs formalisent le problème comme une jauge de groupe SE(2) irréductible et concentrent l'effort sur les quantités identifiables. La validation combine simulations Monte Carlo et simulations physiques réalistes incluant des perturbations de communication et de repère, mais reste à ce stade un préprint : aucun déploiement sur matériel réel en extérieur ni comparaison publiée avec des méthodes concurrentes de localisation sans ancre n'est encore rapporté.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

Incertitude spatiale et sémantique dans la recherche de cible par VLM : équilibrer exploration et identification

Une équipe de recherche a publié en septembre 2026 sur arXiv (arXiv:2609.20443) une formulation qui distingue deux sources d'incertitude jusqu'ici souvent confondues dans les systèmes de recherche de cibles pilotés par des modèles vision-langage (VLM) : l'incertitude spatiale, sur la localisation des candidats observés, et l'incertitude sémantique, sur la correspondance entre un candidat et la description en langage naturel de la cible. La méthode maintient des croyances probabilistes séparées pour chacune, intégrées dans une distribution globale sur l'identité de la cible incluant une masse de probabilité réservée aux cibles non encore découvertes. Un planificateur fondé sur la théorie de l'information arbitre ensuite entre explorer davantage et statuer plus tôt, via deux mesures de gain d'information attendu (EIG), l'une spatiale, l'autre sémantique. Testée sur six interfaces d'estimation d'incertitude par VLM et 500 cibles synthétiques, l'étude montre que des taux de reconnaissance similaires peuvent masquer des écarts importants de calibration et de fausse confiance. En conditions d'observation dégradée, les planificateurs basés sur l'EIG atteignent une décision fiable dans 75,0% à 92,5% des essais, contre seulement 20,0% pour une recherche aléatoire. Pour les concepteurs de piles vision-langage-action, qu'elles s'inspirent de Pi-0, GR00T N2 ou Helix, ce travail pointe une faiblesse rarement traitée explicitement : mêler incertitude de localisation et incertitude d'identification dans un score de confiance unique pousse un robot soit à explorer inutilement, soit à valider trop vite un mauvais candidat. En séparant les deux signaux, l'étude réduit le nombre de requêtes au VLM et le temps d'exploration sans perte de précision, un enjeu concret dès qu'un appel à un modèle vision-langage a un coût de calcul et de latence en environnement embarqué. Elle rappelle aussi qu'une accuracy identique entre deux systèmes peut cacher des comportements de décision très différents selon leur calibration, un point que les intégrateurs évaluant des modèles de perception devraient garder en tête plutôt que de se fier au seul chiffre de précision annoncé. Ce travail s'inscrit dans la recherche plus large sur l'ancrage du langage naturel dans les tâches robotiques, portée ces dernières années par la multiplication des modèles VLA généralistes censés interpréter des instructions humaines en environnement réel. Il reste un preprint arXiv non encore revu par les pairs, évalué sur des scènes synthétiques et un jeu de cibles simulées plutôt que sur un robot physique en conditions réelles, sans calendrier de validation matérielle annoncé par les auteurs. Aucun acteur industriel n'est cité dans l'étude : il s'agit d'une contribution méthodologique, à surveiller par les équipes qui cherchent à fiabiliser la recherche et l'identification d'objets par des robots dotés de modèles de perception au langage.

RecherchePaper

1 source

2arXiv cs.RO

Recherche décentralisée multi-agents sans communication sous contraintes budgétaires : Dec-MARVEL

Une équipe de chercheurs présente Dec-MARVEL, un cadre d'exploration décentralisé pour flottes de drones capables de coordonner leurs déplacements sans aucune communication ni partage de cartes, de messages ou d'objectifs entre robots. Chaque appareil s'appuie uniquement sur ses observations fortuites : la trajectoire d'un coéquipier détectée dans son champ de vision directionnel sert de signal de coordination implicite. Un acteur basé sur un mécanisme d'attention par graphe combine la géométrie locale des frontières inexplorées, le mouvement des autres robots et le budget de déplacement restant pour choisir des actions de type point de passage plus cap, tout en garantissant un retour possible à la base. L'entraînement repose sur des critiques conditionnés par phase, un critique privilégié orienté tâche utilisé uniquement en apprentissage, et un curriculum de budget basé sur un mélange de scénarios. Sur 900 essais tenus à l'écart de l'entraînement, couvrant trois tailles d'équipe (2, 4 et 8 robots) et trois budgets de déplacement (720, 800 et 1024 mètres), Dec-MARVEL obtient le meilleur taux d'exploration, ou à égalité, et le plus faible recouvrement de zones balayées face à quatre méthodes concurrentes, sur les neuf configurations testées. Sous la contrainte la plus stricte de 720 mètres, le taux de succès atteint 53 %, 94 % et 100 % pour 2, 4 et 8 robots respectivement, contre 37 %, 83 % et 99 % pour la meilleure référence. Des essais sur robots physiques confirment un transfert sim-to-real réussi. Ce résultat s'attaque à un verrou concret pour les flottes de drones opérant en environnements dégradés, zones de catastrophe, bâtiments effondrés, milieux militaires brouillés, où la liaison radio entre appareils est peu fiable ou volontairement coupée. La plupart des approches multi-robots existantes supposent un échange d'informations, même partiel, pour éviter les redondances d'exploration ; s'en passer entièrement tout en conservant des performances proches, voire supérieures, aux méthodes communicantes change la donne pour les intégrateurs qui doivent certifier des systèmes robustes aux pannes réseau. La gestion explicite du budget de retour, plutôt qu'une exploration gloutonne sans garde-fou, répond aussi à une contrainte opérationnelle réelle plutôt qu'à un scénario de laboratoire simplifié. Le travail s'inscrit dans la lignée des recherches en apprentissage multi-agent pour l'exploration robotique, où la coordination décentralisée reste un problème ouvert face aux approches classiques qui centralisent la carte ou diffusent des objectifs partagés. En comparant Dec-MARVEL à quatre méthodes de référence sur une plage large de tailles d'équipe et de contraintes de budget, les auteurs cherchent à démontrer une robustesse à l'échelle, du duo de drones jusqu'à des essaims de huit unités. La validation sur robots physiques, au-delà de la simulation, ouvre la voie à des déploiements dans des missions de recherche et sauvetage ou de reconnaissance où la connectivité ne peut être garantie.

RecherchePaper

1 source

3arXiv cs.RO

Apprendre sur le tas : exécution de tâches sans démonstration sous incertitude paramétrique par commande duale paramétrée par trajectoire

Des chercheurs proposent une méthode de commande duale qui permet à un robot d'exécuter une tâche du premier coup tout en identifiant en ligne les paramètres physiques qu'il ne connaissait pas. Publié sur arXiv (2510.20483, version 2), le travail part d'un constat : la commande basée sur modèle donne de bons résultats tant que le modèle est exact, mais un robot rencontre souvent des charges utiles, des objets ou des dynamiques d'interaction inédits. L'approche classique consiste à lancer d'abord une phase d'excitation dédiée, indépendante de la tâche et du contrôleur, pour estimer les paramètres. Les auteurs suppriment cette étape : l'apprentissage du modèle et la commande se déroulent simultanément pendant la tâche. Ils fixent à l'avance une politique de retour d'état avec une loi d'adaptation explicite des paramètres, puis optimisent la trajectoire de référence à travers la dynamique adaptative en boucle fermée. Deux formulations sont proposées : minimiser le coût attendu de la tâche sous incertitude paramétrique, ou minimiser la perte d'optimalité, c'est-à-dire la dégradation de performance causée par une planification fondée sur une estimation erronée. L'exploration est guidée par une mesure d'information de Fisher. L'enjeu est très concret pour les intégrateurs et les responsables de production. Aujourd'hui, un bras manipulant une charge inconnue perd du temps en calibration, ou exécute des mouvements d'identification qui n'ont aucun lien avec la tâche et produisent des données peu utiles. Selon les auteurs, leur méthode s'approche d'une borne inférieure de l'incertitude sur les paramètres pertinents pour la tâche, tout en réussissant celle-ci en une seule tentative. Cela réduit les temps morts et évite d'identifier des paramètres sans effet sur le résultat. Les résultats couvrent plusieurs tâches, contrôleurs et lois d'adaptation, ce qui suggère une méthode générique et non un réglage sur un seul cas. Il faut toutefois rester prudent : le résumé ne donne ni chiffres de performance, ni précision de l'identification, ni temps de calcul, ni preuve sur matériel réel. On ne sait donc pas si la méthode tient face aux bruits de capteurs, aux frottements non modélisés ou aux contraintes temps réel d'une cellule industrielle. Ce travail s'inscrit dans le débat entre approches basées sur modèle et approches apprises, comme les modèles vision-langage-action (VLA), qui généralisent par les données mais offrent moins de garanties. Ici, la commande adaptative et la théorie du contrôle dual, formulée depuis les années 1960, sont réactivées avec une optimisation de trajectoire moderne. Il s'agit d'une préimpression, sans validation par les pairs à ce stade, et la mention « remplacement » indique une révision d'une version antérieure. Les suites logiques seraient des essais sur manipulateurs réels avec charges variables, puis une comparaison directe avec l'identification préalable et les méthodes de méta-apprentissage.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

4arXiv cs.RO

Planification de mouvement générative masquée avec recherche de jetons guidée par la géométrie

Des chercheurs proposent Masked Generative Motion Planning (MGMP), un planificateur de mouvement génératif qui utilise un transformeur génératif masqué pour produire en parallèle des trajectoires discrètes, puis les répare au moment de l'inférence grâce à une méthode baptisée Geometry-Guided Token Search (GGTS). Les trajectoires sont encodées sous forme de jetons discrets. GGTS s'appuie sur la géométrie de la scène pour décider quels segments modifier et quelles alternatives, déjà soutenues par l'a priori appris, méritent d'être évaluées. Les auteurs annoncent 96 % de réussite sur le benchmark Ring Maze et 82 % de réussite de réparation sur Controlled Route Invalidation avec un bras Kuka. Cela dépasse de 23 et 25 points de pourcentage les meilleures références externes testées. La méthode est aussi évaluée sur des agencements inédits, des obstacles supplémentaires, des géométries jamais vues, la planification à un et deux bras, ainsi que sur des tâches réelles avec un robot Baxter. Le travail est publié sur arXiv (2610.10646v1) et n'a pas encore été relu par des pairs. Les planificateurs génératifs actuels, notamment ceux à base de diffusion, utilisent l'a priori appris pour générer la trajectoire initiale, puis confient la correction à un raffinement continu local, de type descente de gradient ou déformation de trajectoire. Cette approche échoue quand l'obstacle impose de changer de route, par exemple de contourner un mur par l'autre côté. MGMP transforme cette réparation en recherche discrète parmi des alternatives de mouvement plausibles. Il permet ainsi une restructuration au niveau de la route, là où une déformation locale reste coincée dans le mauvais bassin d'attraction. Pour les intégrateurs et les équipes qui déploient des bras en environnement changeant (cellules logistiques, ateliers reconfigurables), la capacité à replanifier quand une voie est bloquée compte autant que la qualité du premier tir. Deux réserves s'imposent toutefois. Les benchmarks sont en grande partie synthétiques (labyrinthe en anneau, invalidation contrôlée de route). La validation réelle se limite à un Baxter, plateforme ancienne et peu précise, sans temps de calcul ni taux de réussite détaillés dans le résumé. Les chiffres de latence face aux planificateurs classiques à échantillonnage (RRT, par exemple) restent donc à vérifier dans l'article complet. Ce travail s'inscrit dans la lignée de la planification par diffusion (Diffuser, Motion Planning Diffusion) et des transformeurs génératifs masqués, popularisés par MaskGIT en vision, que les auteurs transposent à la robotique. Il se positionne face aux planificateurs de référence à échantillonnage ou à optimisation (RRT, CHOMP, TrajOpt, cuRobo accéléré sur GPU) et aux générateurs par diffusion avec raffinement guidé. Ces derniers constituent vraisemblablement les « baselines externes » dépassées. La suite logique est de tester la méthode sur des scènes dynamiques, des manipulateurs plus récents et des tâches de manipulation de précision. Un code ou un jeu de données public faciliterait la reproduction. Aucun calendrier de transfert industriel n'est annoncé : il s'agit de recherche académique, loin d'un produit livré ou d'un déploiement.

RecherchePaper

1 source