← Retour aux actualitésUn mur en béton aura une marge de sécurité réduite (risque faible). Un enfant en mouvement nécessitera une marge plus large (risque élevé). Éviter les collisions (sécurité). Acquérir des observations utiles pour améliorer la carte (perception). Enforce la sécurité comme une contrainte dure (le robot ne peut pas violer la marge de sécurité). Relâche la perception via des variables d’écart (slack variables) lorsque la sécurité est menacée. Cela permet au robot de ralentir ou de dévier sa trajectoire pour prioriser la sécurité, tout en continuant à améliorer sa carte dans les zones sûres. Une réduction significative des risques de collision par rapport aux méthodes classiques (comme SAFER-Splat), avec des marges de sécurité jusqu’à 30 % plus grandes dans les environnements encombrés. Un temps de calcul divisé par 30 à 50 grâce à l’utilisation de l’AV@R, qui simplifie les calculs de risque par rapport aux approches probabilistes classiques. Une adaptation sémantique des trajectoires : le robot évite plus largement les zones à haut risque (ex : près d’un enfant) et privilégie les observations dans les zones incertaines mais sûres. Dépendance à la qualité de la sémantique : Si la segmentation des objets est erronée, les poids de risque seront mal appliqués. Coût calculatoire : Bien que réduit, l’AV@R reste plus gourmand qu’une marge de sécurité géométrique pure. Validation en conditions réelles : Les tests actuels incluent des dynamiques Ackermann, mais des validations sur des robots humanoïdes ou des drones en mouvement rapide restent à faire. L’article complet est disponible sur arXiv:2609.19330. Les codes et données devraient être publiés sur GitHub une fois acceptés à SeMaNa 2026 (IROS 2026). Pour une introduction aux 3D Gaussian Splatting, voir le dépôt officiel.
📑 Sommaire
- → Le problème : naviguer en sécurité dans un monde incertain
- → La solution : SemSafe-3DGS, une navigation guidée par le risque sémantique
- → Les résultats : des trajectoires plus sûres et plus informatives
- → Pourquoi c’est important ?
- → En pratique : comment ça s’intègre ?
- → Limites et perspectives
- → Pour aller plus loin
💡 En 3 points clés
- Un mur en béton aura une marge de sécurité réduite (risque faible).
- Un enfant en mouvement nécessitera une marge plus large (risque élevé).
- Éviter les collisions (sécurité).
Le problème : naviguer en sécurité dans un monde incertain
Un robot autonome évolue dans un environnement où les données de sa carte 3D sont incomplètes ou imprécises. Pour éviter les collisions, les algorithmes classiques se basent sur la géométrie des obstacles : distance, forme, vitesse relative. Pourtant, cette approche ignore un paramètre critique : le sens des objets. Un mur et un enfant peuvent avoir la même apparence géométrique dans une carte 3D, mais leur dangerosité n’a rien à voir.
C’est ce que soulignent les travaux récents sur la navigation active, où le robot doit non seulement éviter les obstacles, mais aussi choisir ses observations pour améliorer sa carte en temps réel. Jusqu’ici, les méthodes optimisaient soit la sécurité, soit la perception, mais rarement les deux simultanément.
La solution : SemSafe-3DGS, une navigation guidée par le risque sémantique
L’équipe à l’origine de SemSafe-3DGS propose un cadre unifié qui intègre trois innovations clés :
1. Une carte 3D enrichie de sémantique
Les environnements sont représentés sous forme de 3D Gaussian Splatting (3DGS), une technique de rendu 3D qui modélise la scène comme un ensemble de primitives gaussiennes pondérées par des attributs sémantiques (ex : "mur", "enfant", "chaise"). Ces attributs permettent de distinguer un obstacle inoffensif d’un danger potentiel, même si leur géométrie est similaire.
2. Un modèle de risque pondéré par la sémantique
Au lieu d’appliquer une marge de sécurité uniforme, SemSafe-3DGS utilise un modèle de risque basé sur l’Average Value-at-Risk (AV@R). Ce modèle ajuste la marge de sécurité en fonction de la classe sémantique de l’objet. Par exemple :
Les poids de risque sont appris ou définis manuellement pour chaque classe, et intégrés dans une fonction barrière composite qui combine géométrie et sémantique.
3. Un compromis dynamique entre sécurité et perception
La navigation active impose souvent un arbitrage entre :
SemSafe-3DGS résout ce conflit avec une formulation d’optimisation sous contraintes (CBF-QP) qui :
Les résultats : des trajectoires plus sûres et plus informatives
Les auteurs ont testé SemSafe-3DGS dans des simulations et sur un robot réel avec dynamique Ackermann (typique des véhicules autonomes). Les résultats montrent :
Pourquoi c’est important ?
Les robots autonomes (drones, véhicules, bras manipulateurs) doivent aujourd’hui naviguer dans des environnements partagés avec des humains, où la géométrie seule ne suffit plus pour garantir la sécurité. SemSafe-3DGS montre qu’en intégrant la sémantique dans les algorithmes de navigation, on peut concilier efficacité, sécurité et apprentissage continu.
Cette approche ouvre la voie à des robots capables de comprendre leur environnement au-delà des simples obstacles, une étape clé pour leur déploiement dans des contextes réels comme les hôpitaux, les usines ou les villes.
En pratique : comment ça s’intègre ?
Pour un développeur de robots autonomes, SemSafe-3DGS s’intègre comme suit :
1. Carte 3DGS : Utiliser une bibliothèque comme 3D Gaussian Splatting pour représenter l’environnement.
2. Attributs sémantiques : Annoter les primitives gaussiennes avec des classes d’objets (via un modèle de segmentation 3D comme Mask3D).
3. Modèle de risque : Définir des poids de risque pour chaque classe (ex : `risque_enfant = 2.0`, `risque_mur = 0.5`).
4. Optimisation CBF-QP : Implémenter la formulation d’optimisation avec des solveurs comme OSQP ou FORCES Pro.