Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
FORTE : prévision de l'occupation pour une planification spatio-temporelle sensible au risque en environnements dynamiques
RecherchearXiv cs.RO 

FORTE : prévision de l'occupation pour une planification spatio-temporelle sensible au risque en environnements dynamiques

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

FORTE est un cadre de navigation pour robots mobiles en environnement dynamique, décrit dans un preprint arXiv (2609.39305v1). Il repose sur la prédiction de grilles d'occupation (OGM), qui estiment où des obstacles se trouveront dans les secondes à venir. Au lieu de détecter et de suivre chaque objet, FORTE exploite directement l'évolution spatio-temporelle de l'occupation prédite, selon deux critères : le recouvrement spatio-temporel de l'occupation avec la trajectoire envisagée, et sa directivité, c'est-à-dire le sens dans lequel l'occupation se déplace. Le système compare plusieurs chemins de topologies différentes et retient le plus adapté. Le prédicteur est un modèle de diffusion latente qui génère tout l'horizon de prévision d'un seul passage (non autorégressif), avec des modules de décalage temporel (temporal shift) pour garder la cohérence entre les images. Les auteurs annoncent jusqu'à 215,3 % d'IoU en plus, une inférence 5,24 fois plus rapide, et un taux de réussite en navigation jusqu'à 3,5 fois supérieur à l'état de l'art.

L'intérêt tient à deux verrous classiques. Les pipelines « détection, suivi, prédiction » cumulent les erreurs (identités perdues, objets manqués), et les prédicteurs génératifs sont souvent trop lents pour le replanning en ligne. Produire l'horizon complet en un coup répond au second problème et limite la dérive propre aux modèles autorégressifs. Une approche indépendante du suivi d'objets serait utile aux AMR d'entrepôt et aux robots mobiles ou humanoïdes évoluant parmi des piétons. Les chiffres demandent toutefois de la prudence : ce sont des maxima (« jusqu'à »), les baselines ne sont pas nommées dans le résumé, et celui-ci ne précise ni la part de simulation et de matériel réel, ni la latence absolue, ni la plateforme de calcul.

Le travail s'inscrit dans la lignée des méthodes de navigation fondées sur les OGM, qui traitent souvent les cartes prédites comme des instantanés et n'exploitent donc pas leur dimension temporelle au moment de planifier. Il s'agit d'une publication académique, sans produit, sans pilote ni partenaire industriel annoncés, et aucun acteur français ou européen n'y apparaît dans le résumé. La suite logique serait une validation sur robot réel, l'évaluation de la consommation sur calcul embarqué et la comparaison avec les approches VLA de bout en bout, qui visent le même problème par une autre voie.

Dans nos dossiers

arXiv cs.RO

À lire aussi

DynoFluxBench : évaluer les planificateurs cinéto-dynamiques spatio-temporels en environnements dynamiques
1arXiv cs.RO 

DynoFluxBench : évaluer les planificateurs cinéto-dynamiques spatio-temporels en environnements dynamiques

DynoFluxBench est un nouveau framework destiné à comparer des planificateurs de trajectoires cinodynamiques, c'est-à-dire respectant les limites physiques du robot comme la vitesse et l'accélération, dans des environnements dynamiques où les obstacles mobiles arrivent à un instant non borné dans le temps. Trois planificateurs de référence l'illustrent : ST-Db-RRT étend un arbre de recherche avec des primitives de mouvement à discontinuité bornée puis affine la trajectoire par optimisation, tandis que KIST et ST-GBRRT construisent un arbre entièrement faisable guidé par des heuristiques distinctes. Les trois méthodes bénéficient de garanties de complétude probabiliste démontrées en environnement dynamique. Sur ce banc d'essai, ST-Db-RRT trouve une première solution jusqu'à 32 fois plus vite que les deux autres, qui restent préférables quand l'optimisation de trajectoire devient fragile ou instable. Vidéos et analyses sont publiées sur dynofluxbench.github.io. La plupart des robots mobiles industriels, des AMR d'entrepôt aux humanoïdes appelés à sortir des zones balisées, doivent éviter des obstacles mobiles tout en respectant leurs propres limites de vitesse et d'accélération, mais la recherche traitait jusqu'ici séparément la faisabilité cinodynamique et la planification face à des obstacles en mouvement, sans cadre commun pour comparer les approches sur ces deux critères à la fois. DynoFluxBench comble ce vide en offrant un étalon reproductible, utile aux équipes de recherche comme aux intégrateurs qui doivent choisir une architecture de navigation plutôt que de s'appuyer sur des démonstrations isolées difficiles à comparer entre laboratoires. L'écart mesuré entre la rapidité de ST-Db-RRT et la robustesse de KIST et ST-GBRRT rappelle aussi que l'optimisation de trajectoire, souvent présentée comme une solution universelle en planification de mouvement, reste fragile dans certains régimes. Ce travail s'inscrit dans la filiation des planificateurs par échantillonnage de type RRT et de leurs variantes cinodynamiques, croisée avec les méthodes de planification espace-temps conçues pour des obstacles dont la trajectoire est connue à l'avance, deux courants jusqu'ici développés séparément. Publié en prépublication sur arXiv sans mention d'entreprise, de produit commercial ni de déploiement industriel, ce travail académique met son code, ses vidéos et ses analyses à disposition publique pour que d'autres équipes comparent leurs planificateurs sur un terrain commun.

RecherchePaper
1 source
Risque et incertitude : une planification cinodynamique pour une navigation sûre en environnement planétaire
2arXiv 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
MeshSIPP : planification efficace sur treillis en environnement dynamique
3arXiv cs.RO 

MeshSIPP : planification efficace sur treillis en environnement dynamique

Des chercheurs publient sur arXiv (2610.09652) MeshSIPP, un planificateur de trajectoire pour la navigation autonome en environnement dynamique. Il vise le cas où les trajectoires des obstacles mobiles sont connues ou prévisibles, avec des contraintes non holonomes (un véhicule qui ne peut pas se déplacer latéralement). L'approche combine un treillis d'états construit à partir de primitives de mouvement faisables précalculées, et le Safe Interval Path Planning (SIPP), un algorithme de recherche à garanties théoriques solides. Les auteurs annoncent une accélération allant jusqu'à 3 fois par rapport aux planificateurs spatio-temporels de l'état de l'art. Les tests portent sur plus de 6 000 instances de référence et sur des simulations temps réel sous ROS 2. Il s'agit d'un travail de recherche validé en simulation, sans déploiement sur robot réel ni produit annoncé. Le goulot d'étranglement visé est bien connu. Pour obtenir des mouvements fluides, il faut un grand nombre de primitives, ce qui donne un facteur de branchement élevé. Ce coût devient lourd quand il s'ajoute aux intervalles de temps d'occupation des obstacles. MeshSIPP exploite le fait que de nombreuses primitives balayent les mêmes zones et peuvent donc être validées ensemble. Il les propage sous forme de faisceaux spatiaux et les filtre par de simples tests sur des intervalles englobants. La recherche exacte de l'heure de départ, la partie coûteuse, n'est effectuée que lorsqu'une primitive atteint son état terminal. Une règle d'élagage tenant compte du temps écarte en plus, très tôt, les branches espace-temps redondantes. Les auteurs démontrent que la recherche reste complète et optimale, donc que le gain de vitesse ne sacrifie ni la solution ni sa qualité. Pour les intégrateurs de flottes d'AMR et les équipes qui planifient des mouvements dans des entrepôts denses, l'intérêt est pratique. Réduire le temps de calcul sans perdre la garantie d'optimalité permet de replanifier plus souvent ou de gérer plus de robots avec le même processeur. Ce résultat reste prudent à interpréter. Le facteur 3 est un maximum et non une moyenne. Il dépend des instances de référence choisies, et l'hypothèse de trajectoires d'obstacles connues à l'avance est restrictive face à des piétons ou à des chariots imprévisibles. Aucun chiffre de temps de cycle absolu n'est donné dans le résumé. Le travail s'inscrit dans la lignée du SIPP, introduit pour la planification en présence d'obstacles dynamiques, et des treillis d'états déjà courants en conduite autonome et en robotique mobile. Il se positionne face aux autres planificateurs spatio-temporels de type A* ou SIPP sur treillis. La disponibilité d'une validation sous ROS 2 laisse envisager une intégration dans des piles de navigation existantes, mais aucune date de publication de code, de pilote industriel ou de comparaison sur matériel réel n'est annoncée.

UEPas d\'impact direct sur la France/UE

RecherchePaper
1 source
Planification et contrôle de mouvement sensibles au risque sous dynamique inconnue avec observations hybrides
4arXiv cs.RO 

Planification et contrôle de mouvement sensibles au risque sous dynamique inconnue avec observations hybrides

Des chercheurs ont publié sur arXiv (arXiv:2609.23792v1, septembre 2026) un nouveau cadre de planification de mouvement et de commande robotique pour des systèmes à dynamique inconnue et observations d'état hybrides, c'est-à-dire des cas où le robot ne dispose de mesures d'état complètes que dans certaines zones de l'espace d'état, laissant des "régions aveugles" ailleurs. Le travail s'appuie sur un cadre hiérarchique existant qui combine identification de système, calcul d'atteignabilité prédite, recherche de graphe et synthèse de contrôleur, en modélisant la dynamique par des approximations affines locales sur un découpage polytopique de l'espace d'état. Pour traiter les zones aveugles, où l'identification et la rétroaction deviennent impossibles faute de mesures, les auteurs proposent de sélectionner une dynamique nominale et de précalculer une séquence de commande en boucle ouverte avant la perte d'observation. Comme la dynamique réelle peut s'écarter de ce modèle nominal, le robot risque de quitter un polytope aveugle par une facette non prévue ; ce risque de transition est quantifié puis intégré dans un système de transition stochastique, et le problème de planification de haut niveau est reformulé comme un plus court chemin stochastique dont la politique guide la synthèse finale du contrôleur. Une étude de cas illustre la méthode en montrant un robot rejoindre un état cible en arbitrant entre efficacité de trajet et risque de traversée des zones aveugles. L'apport concret vise les robots opérant dans des environnements où la perception est intermittente ou partielle, occlusions, angles morts de capteurs, zones hors portée de caméras ou de lidars, un scénario fréquent en robotique industrielle et de champ mais souvent ignoré par les méthodes de planification qui supposent une observabilité complète de l'état. En quantifiant explicitement le risque associé à la navigation sans retour capteur plutôt qu'en l'ignorant ou en l'interdisant, l'approche s'adresse aux intégrateurs devant certifier ou arbitrer des trajectoires en environnements partiellement instrumentés, un enjeu distinct de la course actuelle aux modèles vision-langage-action (VLA) appris de bout en bout, qui promettent la généralisation mais restent peu auditables sur le plan du risque. Ce travail prolonge une lignée de recherche en planification formelle sous incertitude qui allie identification de système et synthèse de contrôleurs garantis, plutôt que les approches par apprentissage bout en bout actuellement médiatisées en robotique humanoïde. Il reste à ce stade une contribution algorithmique validée par simulation via une étude de cas, sans précision sur une plateforme matérielle réelle ni déploiement en conditions industrielles ; les auteurs ne mentionnent pas d'étape suivante de validation sur robot physique, ce qui invite à considérer ces résultats comme une preuve de concept méthodologique plutôt qu'une solution prête à l'industrialisation.

RecherchePaper
1 source