Physical Artificial Intelligence newsPAI news
← Retour aux actualités
10 Août 2026Niveau : Essentiel

CrossTracer : quand les robots naviguent ensemble malgré leurs différences

📑 Sommaire
💡 En 3 points clés
  • Basé sur un modèle Vision-Language-Action (VLA), il génère une trajectoire initiale dans l’espace image (pixel-space).
  • Cette trajectoire est sémantiquement cohérente : elle évite les obstacles visibles et suit une logique de déplacement intuitive (ex. : contourner un obstacle).
  • Exemple : Si la porte est à droite, la trajectoire partira vers la droite, même si le robot à pattes doit faire un détour pour éviter un escalier.

Imaginez un robot à roulettes qui doit traverser une pièce encombrée de cartons. Maintenant, imaginez un robot à pattes qui doit faire la même chose. Leur façon de se déplacer est radicalement différente : l’un glisse, l’autre marche. Pourtant, les deux doivent comprendre la même consigne : « Va jusqu’à la porte ».

C’est le cœur du problème que résout CrossTracer, un nouveau modèle de navigation conçu pour les robots aux embodiments (corps physiques) variés. Contrairement aux approches classiques, qui optimisent chaque robot individuellement, CrossTracer propose une représentation unifiée des trajectoires, compréhensible par tous les types de robots.

Comment ça marche ? Une recette en 3 étapes

1. Le traceur sémantique (VL-Tracer)

  • Basé sur un modèle Vision-Language-Action (VLA), il génère une trajectoire initiale dans l’espace image (pixel-space).
  • Cette trajectoire est sémantiquement cohérente : elle évite les obstacles visibles et suit une logique de déplacement intuitive (ex. : contourner un obstacle).
  • Exemple : Si la porte est à droite, la trajectoire partira vers la droite, même si le robot à pattes doit faire un détour pour éviter un escalier.

    • 2. L’adaptateur d’embodiment (CE-Adapter)

  • Ce module corrige la trajectoire en fonction des contraintes physiques du robot.
  • Il prend en compte :
  • La traversabilité du terrain (sol glissant ? escaliers ?).
  • L’identité du robot (roues, pattes, etc.).
  • La trajectoire initiale proposée par VL-Tracer.
  • Résultat : La trajectoire finale est physiquement réalisable pour le robot concerné.

    • 3. *L’entraînement sans annotation manuelle (CE-RRT)**

  • Pour éviter de devoir annoter manuellement des milliers de trajectoires, les chercheurs utilisent un algorithme de planification de mouvement (RRT*) qui génère automatiquement des trajectoires optimales.
  • Ces trajectoires sont ensuite utilisées pour entraîner CE-Adapter.

    • Des résultats impressionnants

    Sur le benchmark NaviTrace (qui teste la navigation de robots aux embodiments variés), CrossTracer obtient un score de 45,68/100, soit 28 % de mieux que le meilleur modèle généraliste (Gemini-2.5-Pro).

  • En simulation :
  • Meilleure adaptation aux contraintes physiques.
  • Moins d’erreurs de trajectoire.
  • En conditions réelles (sur des robots à roues et à pattes) :
  • Taux de réussite accru (le robot atteint son objectif plus souvent).
  • Efficacité énergétique améliorée (moins de mouvements inutiles).

    • Pourquoi c’est une avancée majeure ?

  • Généralisation : Un seul modèle peut être utilisé pour n’importe quel robot, sans réentraînement spécifique.
  • Robustesse : La représentation unifiée des trajectoires permet une meilleure collaboration entre robots aux morphologies différentes.
  • Scalabilité : Pas besoin de données d’entraînement coûteuses pour chaque nouveau robot.

    • Hype-mètre : 4,5/5

    ✅ Potentiel disruptif : CrossTracer pourrait devenir un standard pour la navigation multi-robots.

    ⚠️ Limites : Nécessite encore des tests à grande échelle en environnement réel complexe.

    Source : [arxiv.org/abs/2608.06688](https://arxiv.org/abs/2608.06688)