💻 computer science

NeSAM: Neuro-Symbolic Kinodynamics with Soil Adaptation for Off-Road Mobility

L'article présente NeSAM, un cadre neuro-symbolique qui intègre la terramécanique de Bekker-Wong différentiable avec des dynamiques résiduelles apprises et l'estimation en ligne des paramètres du sol afin d'améliorer significativement la précision de la prédiction kinodynamique des véhicules tout-terrain et les performances de navigation sur des terrains déformables.

Auteurs originaux : Chenhui Pan, Tong Xu, Francesco Cancelliere, Xuesu Xiao

Publié 2026-08-24

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Chenhui Pan, Tong Xu, Francesco Cancelliere, Xuesu Xiao

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Conduire un véhicule sur une route pavée et plate est une affaire prévisible. Les roues accrochent la surface, le moteur les fait tourner, et la voiture avance exactement comme les lois de la physique sur une surface dure le dictent. Mais retirez ce même véhicule du pavage pour l'amener sur un champ de terre meuble, de sable fin ou de boue irrégulière, et les règles changent instantanément. Le sol n'est plus une scène solide mais un participant vivant et mouvant. Lorsqu'une roue appuie, elle s'enfonce dans la terre ; lorsqu'elle tourne, elle cisaille le sol latéralement. Ces déformations créent des forces qui tirent le véhicule hors de sa trajectoire, provoquant des glissements, des inclinaisons ou des blocages que de simples commandes de direction ne peuvent pas facilement corriger. Pour que les robots et les véhicules autonomes puissent naviguer dans ces environnements accidentés en toute sécurité, ils doivent être capables de prédire non seulement où ils vont, mais aussi comment le sol sous eux réagira à leur poids et à leur mouvement. Sans cette prévoyance, un véhicule pourrait planifier un chemin qui semble dégagé sur une carte, mais qui mène à une ornière profonde ou à une perte soudaine de contrôle au moment même où il touche le sol.

Les chercheurs tentent depuis longtemps de résoudre ce problème en utilisant deux approches différentes. Une méthode repose sur des équations de physique classique qui décrivent comment le sol se comporte sous la pression, en utilisant des paramètres tels que la rigidité et le frottement pour calculer les forces. Bien que ces modèles soient ancrés dans la mécanique réelle, ils peinent souvent à capturer la réalité complexe et désordonnée de la suspension d'un véhicule, de la déformation des pneus et des particularités spécifiques d'une parcelle de terrain donnée. L'autre méthode utilise l'intelligence artificielle pour apprendre à partir de données, observant comment un véhicule se déplace et essayant de deviner l'étape suivante. Ces modèles basés sur l'apprentissage sont flexibles mais agissent souvent comme des « boîtes noires », offrant peu d'indices sur la raison pour laquelle un véhicule glisse ou s'enfonce, et ils peuvent échouer face à des conditions de sol qu'ils n'ont jamais rencontrées auparavant. Aucune de ces approches, prise isolément, n'a été suffisante pour fournir à la fois une grande précision et une compréhension claire des forces physiques en jeu.

Pour combler cette lacune, une équipe de chercheurs a développé un nouveau système appelé NeSAM, qui signifie Neuro-Symbolic Soil Adaptive Mobility (Mobilité Adaptative au Sol Neuro-Symbolique). Ce cadre ne choisit pas entre la physique et l'apprentissage ; il les tisse ensemble en un modèle unique et cohérent. Le système fonctionne en observant d'abord le terrain devant lui, en utilisant des caméras pour voir à la fois la forme du sol et le type de matériau dont il est composé, comme l'herbe, la terre ou le sable. Il utilise ensuite un composant spécialisé basé sur la mécanique des sols établie pour estimer l'enfoncement des roues et la résistance du sol au mouvement du véhicule. Cela fournit une base solide, basée sur la physique, pour la prédiction. Cependant, parce que les conditions réelles sont rarement parfaites, le système emploie également un modèle « résiduel » basé sur l'apprentissage. Considérez cela comme un mécanisme de réglage fin qui apprend les différences systématiques et subtiles entre ce que les équations physiques prédisent et ce que le véhicule fait réellement, corrigeant l'estimation pour l'ajuster à la réalité.

Le véritable pouvoir de NeSAM réside dans sa capacité à s'adapter en temps réel. À mesure que le véhicule se déplace, le système compare constamment ses prédictions avec le mouvement réel observé. Si le véhicule s'enfonce plus profondément que prévu ou glisse plus que le modèle ne l'avait prédit, le système utilise un filtre mathématique pour mettre à jour sa compréhension interne des propriétés du sol. Il se demande efficacement : « Si le sol se comporte ainsi, quels doivent être les paramètres du sol ? » et ajuste son modèle en conséquence. Cela permet au véhicule d'apprendre les spécificités du sol qu'il traverse au fur et à mesure, affinant ses prédictions pour les quelques secondes de trajet suivantes. Les chercheurs ont testé ce système de deux manières : d'abord, dans une simulation informatique hautement détaillée qui imite la physique complexe de l'interaction entre le sol et le véhicule, et ensuite, sur un robot physique à quatre roues parcourant un parcours de test réel avec des terrains variés.

Les résultats ont montré que cette approche hybride surpassait de manière significative les méthodes existantes. Dans les simulations informatiques, NeSAM a réduit les erreurs de prédiction jusqu'à 30 % par rapport aux meilleurs modèles alternatifs. Lors des tests sur le robot physique, il a amélioré la précision de près de 29 %. Plus important encore, le système a prouvé sa valeur lorsque le véhicule devait naviguer sur un chemin où les conditions du sol étaient différentes de celles pour lesquelles il avait été entraîné. Dans ces scénarios difficiles, la version du système sans adaptation au sol n'a pas réussi à terminer le parcours lors de la plupart des essais, perdant souvent le contrôle ou restant bloquée. En revanche, la version adaptative a terminé avec succès la vaste majorité de ses passages, maintenant le véhicule beaucoup plus près de sa trajectoire prévue et conservant une orientation plus stable. En combinant la fiabilité des lois physiques avec la flexibilité de l'apprentissage automatique, NeSAM offre une manière robuste pour les véhicules autonomes de comprendre et de naviguer dans le monde imprévisible et déformable du voyage hors route.

Résumé Technique : NeSAM – Kinodynamique Neuro-Symbolique avec Adaptation au Sol pour la Mobilité Tout-Terrain

Énoncé du Problème
La prédiction précise du mouvement d'un véhicule tout-terrain sur un terrain déformable est complexe en raison des interactions impliquant l'enfoncement, le glissement et la traction, qui varient selon les conditions locales du sol. Les modèles cinématiques plans conventionnels ne parviennent pas à rendre compte de l'enfoncement dépendant de la pression et de la déformation par cisaillement, ce qui entraîne des écarts entre le mouvement prédit et le mouvement réalisé. Bien que les modèles de terramécanique classique (par exemple, Bekker-Wong) offrent une interprétabilité physique, ils reposent sur des relations constitutives prescrites qui peuvent ne pas capturer les effets spécifiques au véhicule (comme la compliance de la suspension ou la déformation des pneus), et leurs paramètres de sol sont difficiles à estimer et varient selon des terrains hétérogènes. À l'inverse, les modèles cinodynamiques purement basés sur l'apprentissage peuvent capturer des non-linéarités complexes mais traitent souvent le terrain comme rigide, manquent de représentation explicite de la mécanique des sols et offrent une interprétabilité physique limitée, rendant l'adaptation en ligne difficile.

Méthodologie
Les auteurs proposent NeSAM (Neuro-Symbolic Soil Adaptive Mobility), un cadre qui intègre une terramécanique différentiable avec des représentations de terrain apprises et un modèle de dynamique résiduelle basé sur un Transformer. Le système fonctionne via les composants suivants :

Architecture Neuro-Symbolique :
- Entrée : Le modèle prend en entrée les états du véhicule ( $x_t$ ), les commandes ( $u_t$ ) et les observations locales du terrain ( $m_t$ ), consistant en des patchs d'élévation ( $m^e_t$ ) et des patchs sémantiques ( $m^s_t$ ).
- Encodage du Terrain : Des auto-encodeurs U-Net distincts traitent les données d'élévation et sémantiques pour produire des représentations latentes. Une tête de priorité sémantique du sol ( $h_\theta$ ) mappe les caractéristiques sémantiques vers les paramètres de sol nominaux ( $\bar{\theta}_t$ ).
- Encodeur Transformer : Un Transformer causal traite une séquence de jetons d'interaction (combinant les états passés, les commandes et les contextes de terrain) pour capturer les dépendances temporelles.
- Prédiction à Double Tête :
  - Tête d'Enfoncement (Sinkage Head) : Prédit l'enfoncement des roues ( $\hat{s}_t$ ) basé sur l'historique d'interaction, fournissant les variables de déformation requises par le modèle de terramécanique.
  - Tête de Résidu d'État (State-Residual Head) : Prédit une correction au niveau du châssis ( $\Delta x^{res}_t$ ) pour tenir compte des erreurs systématiques non capturées par les modèles analytiques (par exemple, la dynamique de la suspension, le transfert de charge).
- Terramécanique Différentiable : Les enfoncements prédits, les vitesses angulaires des roues et les estimations de sol actuelles instancient un modèle de Bekker-Wong différentiable pour calculer les forces de contact roue-terrain ( $f^{BW}_{i,t}$ ).
- Propagation Newton-Euler : Ces forces sont agrégées et propagées à travers les équations de Newton-Euler pour générer un incrément d'état basé sur la physique ( $\Delta x^{NE}_t$ ).
- Prédiction Finale : Le prochain état est calculé comme $\hat{x}_{t+1} = x_t + \Delta x^{NE}_t + \Delta x^{res}_t$ .
Adaptation du Sol en Ligne :
- Pendant le déploiement, les composants neuronaux appris restent fixes.
- Un filtre de Kalman étendu (EKF) met à jour les paramètres du sol ( $\theta$ ) en ligne.
- L'EKF utilise un tampon de vitesses de véhicules observées par rapport aux vitesses prédites pour affiner la correction du sol ( $\Delta \theta$ ), permettant au système de s'adapter aux écarts entre la priorité sémantique du sol et les conditions réelles du terrain.

Contributions Clés

Cadre Neuro-Symbolique : Une architecture novatrice intégrant la terramécanique de Bekker-Wong différentiable, des représentations de terrain apprises et une dynamique résiduelle par Transformer pour la prédiction de mouvement à long terme sur six degrés de liberté (6-DoF).
Adaptation en Ligne : Une méthode basée sur l'EKF qui met à jour les paramètres de terramécanique physiquement interprétables en utilisant l'écart entre le mouvement prédit et mesuré, permettant l'adaptation à des sols hétérogènes sans réentraînement du réseau neuronal.
Évaluation Complète : Validation à la fois dans le simulateur Chrono-based Verti-Bench et sur une plateforme physique Verti-4-Wheeler, démontrant des améliorations par rapport aux bases de comparaison (baselines) de l'état de l'art basées sur l'apprentissage et confirmant la nécessité de la branche résiduelle et de la prédiction d'enfoncement via des études d'ablation.

Résultats Expérimentaux
L'article évalue NeSAM par rapport à des prédicteurs Transformer de bout en bout purs et à des variantes de Terrain-Attentive Learning (TAL) :

Simulation (Verti-Bench) : NeSAM a réduit les erreurs de prédiction jusqu'à 30 % par rapport aux meilleures bases de comparaison. Plus précisément, il a réduit les erreurs x, y et z à 0,80 m, 0,78 m et 0,06 m respectivement, et l'erreur de lacet (yaw) à 4,18°.
Expériences Physiques (Verti-Arena) : NeSAM a amélioré la précision de la prédiction de 29 % sur des données réelles par rapport aux bases de comparaison, réduisant les erreurs x, y et z de 17,1 %, 15,7 % et 36,8 % respectivement par rapport à une base de comparaison Transformer.
Contrôle en Boucle Fermée : Lorsqu'il est intégré à un contrôleur de type Model Predictive Path Integral (MPPI) sous des conditions de sol hors distribution (OOD) :
- Simulation : L'adaptation du sol en ligne a augmenté le taux de complétion de trajectoire de 0/5 à 4/5 et a réduit la distance de Hausdorff par rapport à la trajectoire de référence de 69,4 %.
- Physique : Les taux de complétion se sont améliorés de 1/5 à 3/5, avec une réduction des erreurs moyennes absolues de roulis et de tangage de 21,2 % et 23,0 % respectivement.

Signification et Revendications
Les auteurs affirment que NeSAM répond aux limites des méthodes existantes en modélisant explicitement la mécanique des sols tout en conservant la flexibilité de l'apprentissage piloté par les données. La signification réside dans la capacité de :

Fournir des prédictions physiquement interprétables qui tiennent compte des effets de terrain déformable (enfoncement, cisaillement) que les modèles de surfaces rigides ignorent.
Permettre l'adaptation en ligne des paramètres du sol, permettant au véhicule de maintenir un suivi de trajectoire précis même lorsque les propriétés réelles du sol diffèrent de la priorité sémantique (conditions OOD).
Atteindre une précision de prédiction à long terme supérieure dans les scénarios de simulation et de monde réel, facilitant une planification prédictive plus fiable pour la mobilité tout-terrain.

L'article reconnaît une limite : le cadre suppose que les interactions roue-terrain peuvent être adéquatement représentées par la formulation de Bekker-Wong. Bien que les paramètres puissent être adaptés, les relations constitutives sous-jacentes ne peuvent pas être modifiées, ce qui pourrait limiter les performances sur des terrains s'écartant significativement de ces hypothèses. Des travaux futurs sont suggérés pour explorer des modèles de terrain différentiables plus riches.

Résumé Technique : NeSAM – Kinodynamique Neuro-Symbolique avec Adaptation au Sol pour la Mobilité Tout-Terrain

Articles similaires