RecherchearXiv cs.RO 15 octobre 2026

F2A-ObjectNav : une architecture adaptative à base d'agents pour la navigation vers un objet cible

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs proposent F2A-ObjectNav (Fixed-to-Adaptive Object-Goal Navigation), une architecture agentique adaptative pour la navigation par objet-but, tâche où un agent incarné doit explorer un environnement inconnu, repérer un objet cible, s'en approcher et vérifier que l'instance observée correspond bien à la mission. Le travail suit deux étapes. La première teste un cadre modulaire fixe, en combinant plusieurs méthodes d'exploration, de détection d'objets et de validation de cible. Elle met en évidence des compromis nets entre performance de navigation, fiabilité de la validation, temps d'exécution et coût lié aux modèles, sans qu'aucune configuration fixe ne domine partout. La seconde étape en tire F2A-ObjectNav, où un Superviseur à base de règles coordonne des composants spécialisés: navigation et exploration, détection, validation, guidage sémantique et mémoire de mission. Évalué sur 25 épisodes dans chacun des simulateurs AI2-THOR, RoboTHOR et ProcTHOR, le système obtient respectivement un taux de succès (SR) et un SPL (longueur de trajet pondérée par le succès) de 0,84/0,52, 0,40/0,22 et 0,44/0,37.

L'intérêt est double. D'abord, le résultat documente un point que les démonstrations masquent souvent: dans la navigation pilotée par modèles de vision et de langage, il n'existe pas de pipeline unique optimal, et le choix entre précision, latence et coût d'appel aux modèles dépend de l'environnement. Confier cet arbitrage à un superviseur déterministe plutôt qu'à un LLM qui décide de tout est une option pragmatique pour des intégrateurs soucieux de prévisibilité et de coûts d'inférence, puisque l'exécution reste légère en fonctionnement normal et que le guidage sémantique n'est activé que sur condition. Ensuite, l'écart entre les trois environnements est parlant: 0,84 de SR dans AI2-THOR, mais seulement 0,40 et 0,44 dans RoboTHOR et ProcTHOR, plus proches de conditions réalistes. Le transfert vers le réel n'est donc pas acquis. Les interventions adaptatives (récupération, changement de stratégie) y sont aussi plus fréquentes, signe que l'adaptativité compense des difficultés réelles. Il faut toutefois rester prudent: 25 épisodes par environnement constituent un échantillon réduit, et les résultats ne sont pas comparés ici à des références publiées.

Ce travail s'inscrit dans la lignée des benchmarks de la famille THOR, devenus standards pour la navigation incarnée, et dans le mouvement qui remplace les politiques apprises de bout en bout par des architectures modulaires combinant détecteurs, modèles de fondation et mémoire. Les auteurs ajoutent des métriques comportementales propres à l'architecture (usage du guidage sémantique, bascules de stratégie, activations de récupération, comportement soutenu par la mémoire, stabilité des décisions), utiles pour diagnostiquer les agents au-delà du seul SR/SPL. Il s'agit d'une préimpression arXiv, sans déploiement sur robot physique annoncé. La suite logique serait une validation à plus grande échelle et sur matériel réel.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

NavHarness : des objectifs adaptatifs pour la navigation vision-langage à base d'agents

NavHarness, un framework publié sur arXiv (v1), propose d'aborder la navigation vision-langage (VLN) par une architecture à quatre agents spécialisés plutôt que par un seul agent multimodal généraliste. Un Goal Agent fixe des sous-objectifs adaptatifs à partir de l'instruction, de l'observation courante et de l'historique d'exécution. Un Visuomotor Agent exécute les actions de navigation pour atteindre chaque objectif. Un Verify Agent juge ensuite si l'objectif est atteint, grâce à une question de vérification propre à cet objectif. Un Memory Agent compresse enfin l'historique multimodal correspondant, en conservant l'information utile à la suite du trajet. Les auteurs évaluent le système sur les benchmarks simulés R2R-CE et RxR-CE, comparent des variantes sur trois modèles de base et analysent l'évolution du contexte pendant l'exécution. En conditions réelles, NavHarness atteint 83,3 % de succès et 1,51 m d'erreur de navigation sur huit parcours jugés difficiles, chacun parcouru trois fois, soit 24 essais au total. L'intérêt tient à deux problèmes concrets des agents embarqués pilotés par des modèles multimodaux. Le premier est la dérive sur les tâches longues : choisir une action locale plausible à chaque pas ne garantit pas de rester sur l'itinéraire voulu. La vérification explicite de chaque sous-objectif vise à corriger cette dérive en cours de route. Le second est le coût d'inférence : si l'historique image-texte est réinjecté tel quel à chaque décision, l'entrée grossit sans cesse. Le découpage de l'historique en segments compressés à chaque objectif validé est une réponse d'ingénierie pragmatique, qui concerne directement les intégrateurs soucieux de la latence et du coût de calcul embarqué. Les résultats appellent toutefois de la prudence : l'échantillon réel est restreint (huit parcours, trois passes), la nature des environnements n'est pas détaillée dans le résumé et l'article ne chiffre pas, dans cet extrait, le gain de calcul obtenu. Ce travail s'inscrit dans la tendance qui consiste à réutiliser des modèles multimodaux généralistes comme base de la navigation, plutôt que d'entraîner des politiques dédiées. R2R-CE et RxR-CE, versions en environnement continu des benchmarks Room-to-Room et Room-across-Room, sont des références habituelles de ce champ. Le texte ne fournit ni comparaison chiffrée avec des méthodes concurrentes, ni robot, ni calendrier de déploiement : il s'agit d'une publication de recherche, pas d'un produit. La suite logique serait de mesurer le système sur davantage d'environnements réels et de quantifier précisément l'économie de contexte apportée par la compression.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

2arXiv cs.RO

DSCD-Nav : débat coopératif à double posture pour la navigation vers un objet

Le robot d'assistance domestique orienté navigation vient d'être testé sur trois jeux de données de référence, HM3Dv1, HM3Dv2 et MP3D, avec un nouveau mécanisme baptisé DSCD-Nav (Dual-Stance Cooperative Debate Navigation). Le principe : au lieu de faire évaluer chaque action candidate par un seul passage de scoring, comme le font les systèmes actuels bâtis sur des modèles vision-langage, la méthode confronte deux points de vue construits sur des objectifs complémentaires. Le premier, appelé TSU (Task-Scene Understanding), privilégie la progression vers l'objectif à partir d'indices de disposition de la scène. Le second, SIB (Safety-Information Balancing), met l'accent sur le risque et la valeur informationnelle de chaque choix. Ces deux "postures" débattent en confrontant leurs meilleures candidates avec des arguments ancrés dans l'observation, puis un agent d'arbitrage nommé NCA (Navigation Consensus Arbitration) synthétise les raisons des deux camps et peut déclencher une micro-vérification légère en cas de doute persistant. Les auteurs rapportent des gains constants en taux de réussite et en efficacité de trajectoire, avec une réduction de l'exploration redondante sur les trois benchmarks. L'enjeu dépasse la seule performance chiffrée : il touche à un problème connu des systèmes de navigation basés sur des VLA (vision-language-action), le fait qu'un scoring en un seul passage produit une confiance excessive et des erreurs qui s'accumulent sur des trajectoires longues, dans des environnements observés seulement partiellement. En reformulant la décision comme un débat entre postures antagonistes plutôt qu'un score unique, DSCD-Nav s'attaque directement à ce biais de surconfiance, un sujet critique pour tout intégrateur voulant déployer des robots domestiques ou de service dans des environnements réels non cartographiés au préalable. Si l'approche tient à l'échelle au-delà des benchmarks académiques, elle offre une piste concrète pour fiabiliser la prise de décision des robots autonomes sans nécessiter de re-entraînement lourd du modèle de perception sous-jacent. Le papier s'inscrit dans la lignée des travaux récents sur la navigation zero-shot en environnement intérieur inconnu, un axe de recherche actif depuis l'essor des modèles vision-langage capables de raisonner sur des scènes jamais vues. Contrairement aux approches à score unique dominantes dans la littérature actuelle, DSCD-Nav mise sur une architecture multi-agents délibérative, une tendance émergente dans plusieurs sous-domaines de l'IA où la confrontation de perspectives remplace l'inférence directe. Le texte, republié en version 3 sur arXiv, ne précise pas de déploiement matériel réel ni de partenaire industriel : il s'agit à ce stade d'une contribution méthodologique validée en simulation, dont la prochaine étape naturelle serait un test sur plateforme robotique physique pour confirmer que les gains observés en simulation se transposent au monde réel.

RecherchePaper

1 source

3arXiv cs.RO

REACT : Architecture adaptative pour la navigation en formation continue de robots mobiles à roues

Des chercheurs ont déposé sur arXiv (réf. 2605.18441, mai 2026) un article décrivant REACT (Real-time Environment-Adaptive architecture for Continuous formation navigaTion), une architecture hiérarchique pour la navigation en formation de robots mobiles à roues (WMR). L'architecture se divise en deux couches : une couche supérieure qui génère des formations adaptées à l'environnement en temps réel et calcule des affectations robot-cible sans conflits via l'algorithme TCF-R2T (Trajectory-Conflict-Free Robot-to-Target assignment), dont la complexité est garantie polynomiale ; et une couche inférieure où chaque robot exécute JSTP (Joint Spatio-Temporal trajectory Planning), une méthode qui optimise simultanément positions spatiales et durées temporelles pour maintenir la formation en continu. L'ensemble a été validé en simulation et lors d'expériences en conditions réelles, dont les séquences vidéo sont publiées sur le site du projet. La contribution principale de REACT face à l'existant est son adaptabilité dynamique : la grande majorité des travaux publiés sur la navigation en formation impose des configurations prédéfinies, incapables de réagir aux obstacles dynamiques ou à des environnements non balisés. Pour les applications industrielles visées (logistique de transport, surveillance environnementale, opérations de secours), cette rigidité constitue le principal frein au déploiement réel. La garantie polynomiale de TCF-R2T est particulièrement significative sur le plan de la scalabilité : elle indique que le calcul des affectations reste tractable à mesure que la taille de la flotte augmente, contrairement aux approches combinatoires qui deviennent rapidement inextricables. La coordination spatio-temporelle de JSTP réduit par ailleurs les risques de collisions inter-agents lors des transitions de formation, un point de friction classique dans les systèmes multi-robots. La commande de formation de robots mobiles est un champ de recherche actif depuis les années 2000, avec des approches classiques basées sur le suivi de leader, les structures virtuelles ou les champs de potentiel. REACT s'inscrit dans une tendance plus récente vers des architectures hybrides centralisé/distribué, une direction explorée tant dans les milieux académiques que par des éditeurs de flottes AMR tels qu'Exotec ou Balyo côté européen. L'article reste toutefois au stade de la preuve de concept : aucune entreprise partenaire ni timeline de commercialisation n'est mentionnée, et la taille des flottes testées en conditions réelles n'est pas précisée dans le résumé. La prochaine étape logique serait un pilote à plus grande échelle en entrepôt ou en environnement de secours structuré, pour valider le passage à des flottes de taille industrielle.

UELes acteurs européens de flottes AMR comme Exotec et Balyo pourraient bénéficier de cette architecture adaptative si elle est validée à l'échelle industrielle, réduisant un frein clé au déploiement réel de flottes multi-robots.

RecherchePaper

1 source

4arXiv cs.RO

HM3D-M3 : un benchmark pour la navigation multi-agents, multimodale et multi-objets vers un but

Des chercheurs publient HM3D-M3, un benchmark de navigation par objectifs qui réunit pour la première fois, dans un même épisode, trois dimensions jusqu'ici étudiées séparément: plusieurs agents, plusieurs modalités et plusieurs objets. Une équipe de K agents démarre depuis des positions dispersées dans une scène intérieure photoréaliste et doit retrouver un ensemble non ordonné de M objets. Chaque objectif est donné sous l'une de trois formes: une catégorie en vocabulaire ouvert, une image d'instance ou une description textuelle d'instance. Le jeu comprend 1 000 épisodes de validation couvrant 3 926 objectifs répartis sur 379 catégories, ainsi que 100 000 échantillons d'entraînement d'assignation observation-objectif. Deux métriques d'équipe sont proposées: un taux de réussite (SR) au niveau de chaque objectif et un SPL normalisé par le makespan, c'est-à-dire par le temps total nécessaire à l'équipe pour finir. Les auteurs fournissent deux références. HiGA est un assigneur hiérarchique d'objectifs entraîné, posé sur une politique de navigation en vocabulaire ouvert gelée. LaViRA-M3 est une équipe d'agents à base de modèles vision-langage (VLM), sans entraînement, qui partagent cartographie et analyse de progression. Les méthodes multi-robots et zero-shot adaptées plafonnent entre 16 et 27 % de SR, contre 38 à 41 % pour les deux références, avec des forces complémentaires et des modes d'échec distincts. LaViRA-M3 a aussi été déployé sur une équipe hétérogène de trois robots. Aucune précision n'est donnée dans le résumé sur les plateformes, l'environnement ni les résultats de ce test physique. L'intérêt tient à l'écart entre ce que promettent les démonstrations de robots de service et ce que mesurent les benchmarks. Une flotte réelle reçoit des demandes mélangées (une photo, un nom d'objet, une consigne parlée) et doit répartir le travail, ce que les évaluations actuelles ne testent pas. Avec moins de 41 % de réussite en simulation, le résultat rappelle que la coordination multi-robots pilotée par langage reste loin d'un niveau exploitable en production. Le fait qu'une approche sans entraînement rivalise avec une approche apprise suggère que le raisonnement des VLM est déjà compétitif sur l'allocation de tâches, mais sans régler la fiabilité. Il s'agit d'un travail académique en simulation (base HM3D), avec une seule démonstration physique, et non d'un produit ni d'un déploiement commercial. Le benchmark servira surtout à comparer des méthodes futures, notamment les systèmes de navigation en vocabulaire ouvert et les architectures vision-langage-action orientées équipes.

RecherchePaper

1 source