RecherchearXiv cs.RO 8 octobre 2026

Yeux empruntés : vol de nano-drone sans marqueurs grâce à un quadrupède observateur actif

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs décrivent un système de localisation pour nano-drones qui déporte la perception sur un robot quadrupède équipé d'une caméra montée sur bras. Les nano-UAV passent là où les robots plus gros ne peuvent pas aller, mais leur charge utile très limitée interdit d'embarquer les capteurs et le calcul nécessaires à l'auto-localisation hors couverture GNSS. Ici, le quadrupède suit le drone en vision, segmente son image et utilise la profondeur pour estimer sa position dans son propre repère, puis la transmet par liaison radio temps réel. Sans aucun marqueur sur le drone, le nano-UAV a exécuté des trajectoires prédéfinies du décollage à l'atterrissage en se fiant uniquement à cette estimation externe. L'erreur de localisation 3D médiane atteint 59 mm. Les auteurs ne précisent pas, dans le résumé, le modèle de quadrupède, le nombre d'essais ni la taille des environnements testés.

Le point notable tient à la boucle de commande du porteur. Un contrôleur prédictif non linéaire (NMPC) conscient de la perception ajuste en continu le corps du quadrupède et son bras pour maximiser la visibilité du drone, la fiabilité de l'observation devenant un objectif de contrôle à part entière. Quand la ligne de vue est brièvement coupée, le drone bascule en douceur sur un vol inertiel embarqué, ce qui donne une tolérance aux occlusions courtes. Pour les intégrateurs d'inspection (sites industriels, galeries, structures confinées), l'intérêt est une répartition des rôles : le drone reste léger et peu coûteux, tandis que le robot au sol absorbe le coût en calcul et en capteurs. Cela s'oppose aux approches qui misent sur la miniaturisation de la perception embarquée, ou sur des balises et des systèmes de capture de mouvement fixes, peu praticables hors laboratoire.

Il faut toutefois lire ces résultats avec prudence. Il s'agit d'une preuve de concept académique publiée en préprint sur arXiv, sans déploiement en conditions réelles ni comparaison chiffrée annoncée avec d'autres méthodes. Une erreur médiane de 59 mm ne dit rien de la queue de distribution, ni du comportement lors de pertes de suivi prolongées. L'approche s'inscrit dans la recherche sur la collaboration air-sol, où les quadrupèdes à bras, déjà répandus dans l'inspection, servent de plateformes polyvalentes. Le verrou restant est la dépendance à une ligne de vue : dans un environnement très encombré, le porteur doit lui-même pouvoir se déplacer en gardant le drone en vue. Les suites logiques seraient des essais dans des espaces réellement inaccessibles aux deux robots pris isolément, avec des trajectoires non prédéfinies et la participation de plusieurs drones.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

Évitement d'obstacles et planification de pas chez un robot quadrupède grâce à des capteurs de temps de vol distribués à bas coût

Une équipe de recherche a testé, sur le robot quadrupède ANYmal d'ANYbotics, un réseau de capteurs Time-of-Flight (ToF) distribués comme alternative bas coût aux caméras de profondeur et au LiDAR pour la cartographie du terrain à courte portée, selon une étude publiée sur arXiv (référence 2609.31008) fin septembre 2026. Plusieurs capteurs ToF peu chers et économes en énergie ont été répartis autour du corps du robot pour couvrir les angles morts que laissent les capteurs optiques montés de façon centralisée. Comparés directement aux caméras de profondeur, ils atteignent, malgré une résolution plus faible et un bruit de mesure plus élevé, une précision de cartographie locale de l'ordre du centimètre, suffisante pour l'évitement d'obstacles en champ proche et la planification des appuis (footstep planning). Pour les intégrateurs et fabricants de quadrupèdes et d'humanoïdes, le résultat compte : caméras de profondeur et LiDAR représentent un poste de coût, de consommation énergétique et de complexité d'intégration important, tout en laissant des zones mortes près du corps du robot. Démontrer qu'un réseau de capteurs ToF bas de gamme, distribués plutôt que centralisés, suffit à une locomotion perceptive fiable ouvre une voie de réduction matérielle sans sacrifier la sécurité de navigation à courte distance, un enjeu direct pour déployer des quadrupèdes en environnement industriel encombré. L'étude nuance aussi l'idée reçue selon laquelle seule une caméra de profondeur haute résolution garantit une perception fiable pour le franchissement d'obstacles : la couverture spatiale des capteurs semble compter autant que leur résolution individuelle. ANYmal, quadrupède développé par la société suisse ANYbotics, sert ici de plateforme de recherche habituelle en locomotion perceptive, un domaine qui s'appuie historiquement sur des capteurs optiques coûteux (LiDAR, caméras stéréo ou à lumière structurée) pour construire les cartes d'élévation locales exploitées par les contrôleurs de marche. Publiée comme préprint arXiv, cette étude reste à ce stade une démonstration de recherche, sans référence commerciale précise des capteurs ToF utilisés ni calendrier de déploiement industriel annoncé. Elle s'inscrit néanmoins dans une tendance plus large de la robotique mobile, où la baisse du coût et de la consommation des systèmes de perception conditionne l'adoption des quadrupèdes et humanoïdes au-delà des démonstrateurs de laboratoire.

UEANYbotics, entreprise suisse dont le quadrupède ANYmal sert de plateforme de recherche européenne reconnue en locomotion perceptive, est au coeur de l'étude, même si aucun déploiement industriel en France ou dans l'UE n'est annonce.

RecherchePaper

1 source

2arXiv cs.RO

Les VLM sont des modèles d'action natifs : libérer leurs capacités de manipulation grâce à un ancrage explicite dans l'espace d'action

Des chercheurs proposent EASG (Explicit Action-Space Grounding), un cadre publié sur arXiv (2610.12832) qui permet à des modèles vision-langage (VLM) préentraînés de piloter directement un bras robotique, sans préentraînement sur des données d'actions robot ni module d'action supplémentaire. Le principe consiste à projeter dans l'image de la caméra de poignet un repère d'action centré sur le point central de l'outil (TCP), puis à faire exprimer les actions par le VLM sous forme de texte, via son interface de génération native. La sémantique de l'espace d'action continu devient ainsi visible dans le contexte perceptif du modèle. Les auteurs revendiquent de la manipulation zéro-shot, une généralisation à différentes positions d'objets, catégories d'objets et morphologies de robots, ainsi qu'un affinage possible sur des trajectoires robot dans ce même espace d'action continu. Le résumé ne fournit ni taux de réussite, ni modèles testés, ni nombre de tâches, ce qui empêche pour l'instant de juger l'ampleur réelle des gains. L'enjeu est de lever un compromis qui structure le secteur. Les modèles vision-langage-action (VLA) offrent une politique unifiée et entraînable, mais exigent des jetons d'action appris, des têtes d'action ou des « experts d'action » dont la signification doit être acquise par un préentraînement coûteux sur des données robot. À l'inverse, les approches modulaires fondées sur des modèles de fondation exploitent les capacités des VLM en zéro-shot, mais s'appuient sur des couches externes de planification et de contrôle, non entraînables de bout en bout. Si EASG tient ses promesses, un VLM généraliste pourrait servir de politique de manipulation sans corpus robot massif, ce qui réduirait la barrière d'entrée pour les laboratoires et les intégrateurs. Le fait que la même interface supporte l'affinage suggère aussi une trajectoire d'amélioration continue plutôt qu'un plafond fixé par le zéro-shot. Prudence toutefois : il s'agit d'un préprint non évalué par les pairs, et les benchmarks, la fréquence de contrôle (la génération de texte est lente comparée à une tête d'action) et la robustesse hors laboratoire restent à démontrer. Ce travail s'inscrit dans le débat entre politiques VLA de bout en bout, comme Pi-0, Helix ou GR00T, et pipelines modulaires pilotés par des VLM. Les premiers ont montré leur efficacité, mais au prix d'importants volumes de données de téléopération et de préentraînement spécifiques à chaque embodiment. EASG cherche à conserver les atouts des deux familles en rendant l'espace d'action lisible par le modèle lui-même, plutôt qu'en apprenant une représentation d'action nouvelle. Les prochaines étapes à surveiller sont la publication du code et des résultats détaillés, les comparaisons directes avec des VLA préentraînés sur des données robot, ainsi que des tests sur matériel varié et en conditions de production, seuls capables de dire si l'approche dépasse le stade de la démonstration académique.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

3arXiv cs.RO

Navigation indépendante de la disposition des capteurs grâce à la canonicalisation géométrique des observations

Des chercheurs publient sur arXiv (2610.08306) une politique de navigation par profondeur conçue pour fonctionner avec des configurations de capteurs variables sur un quadrirotor. Le système prend des mesures de profondeur issues de charges utiles arbitraires, qui diffèrent par le nombre de caméras, leurs extrinsèques de montage et leurs intrinsèques. Il les reprojette explicitement dans un repère commun centré sur le robot. Elles sont ensuite assemblées en une image de distance sphérique unifiée, accompagnée d'un masque binaire de validité. Ce masque indique à la politique quelles zones sont observées et lesquelles sont des angles morts. La politique est entraînée par apprentissage par renforcement avec une randomisation agressive des caméras. Elle se généralise sans réentraînement (zero-shot) à des agencements inédits comptant jusqu'à sept caméras. Le taux de réussite passe de 78 % à 95 % à mesure que la couverture spatiale totale augmente. Des essais en vol réel ont été menés sur un quadrirotor physique, dans un couloir encombré d'obstacles et dans une forêt en extérieur. Ils portent sur le transfert entre configurations de caméras et sur la tolérance à des pannes soudaines de capteurs en cours de vol. L'article ne donne ni nombre d'essais réels ni modèle de drone précis dans ce résumé. Il s'agit d'une prépublication, sans produit ni déploiement associé. Le point central est la dissociation entre la politique et le montage matériel. Jusqu'ici, la plupart des politiques de navigation visuelle apprises restent liées à la disposition de caméras sur laquelle elles ont été entraînées. Changer de capteur ou de position impose donc de collecter des données et de réentraîner. Pour un intégrateur de drones ou un fabricant de plateformes, ce verrou freine la réutilisation d'un même logiciel sur plusieurs modèles ou plusieurs charges utiles. La courbe de 78 % à 95 % est aussi instructive. Elle montre que la performance dépend de la couverture sensorielle, et que le masque de validité permet à la politique d'exploiter chaque caméra supplémentaire sans se déstabiliser. La tolérance aux pannes est un argument concret pour les opérations d'inspection ou de sécurité, où la perte d'une caméra ne doit plus signifier l'arrêt de la mission. Les chiffres viennent surtout de la simulation, et la validation réelle reste limitée à deux environnements. La robustesse à plus grande échelle reste donc à démontrer. Ce travail s'inscrit dans la recherche sur les politiques « cross-embodiment », déjà bien présente en manipulation et en locomotion, mais plus rare en navigation aérienne par profondeur. L'approche privilégie une canonicalisation géométrique explicite plutôt qu'un apprentissage implicite des alignements spatiaux, comme le font de nombreux modèles de bout en bout. Les suites logiques sont l'extension à d'autres capteurs (lidar, événementiel), à d'autres plateformes que le quadrirotor, et des essais plus longs en conditions réelles. Aucun calendrier de pilote n'est annoncé.

RecherchePaper

1 source

4arXiv cs.RO

DIJIT : une tête robotique pour un observateur actif

Des chercheurs ont présenté DIJIT, une tête robotique binoculaire conçue pour équiper des agents mobiles opérant en tant qu'observateurs actifs. Le système cumule neuf degrés de liberté mécaniques auxquels s'ajoutent quatre degrés de liberté optiques fournis par les caméras et les objectifs, soit 13 DOF au total. La conception mécanique couvre l'ensemble des mouvements nécessaires à la stéréovision convergente : vergence, version et cyclotorsion. DIJIT atteint 85 % de la vitesse de saccade humaine maximale, et la méthode de contrôle développée par l'équipe, basée sur une relation directe entre l'orientation de la caméra et les valeurs moteur, produit des mouvements saccadiques avec une erreur moyenne de 1,17° pour la caméra gauche et 1,14° pour la droite. L'article, publié sur arXiv (2512.07998v2), reste à ce stade un travail académique sans déploiement industriel annoncé. L'intérêt de DIJIT réside dans la rareté des plateformes permettant d'étudier conjointement les mouvements oculaires et tête-cou dans un cadre robotique mobile. La plupart des systèmes de vision active existants traitent ces deux axes séparément ou sacrifient la fidélité biomécanique au profit de la simplicité mécanique. En reproduisant les plages et vitesses comparables à celles de l'humain, DIJIT offre un banc d'essai pour comparer directement les stratégies de perception visuelle humaine aux méthodes de computer vision classiques, ce qui est particulièrement utile pour valider ou invalider des hypothèses sur le sim-to-real gap dans les systèmes de vision embarquée. La vision active robotique connaît un regain d'intérêt depuis que les modèles VLA (Vision-Language-Action) imposent des flux visuels plus riches et dynamiques aux robots humanoïdes. Des laboratoires comme celui de CMU ou des équipes travaillant sur des plateformes telles que Figure 03 ou Digit (Agility Robotics) cherchent à améliorer la perception visuelle active pour des tâches de manipulation en environnement non structuré. DIJIT se positionne comme un outil de recherche fondamentale plutôt que comme un produit commercialisable à court terme. L'absence de partenaire industriel annoncé et le format arXiv suggèrent une phase d'exploration académique ; les prochaines étapes probables concernent l'intégration sur une plateforme mobile complète et la publication de benchmarks comparatifs face aux systèmes de vision fixe.

RecherchePaper

1 source