On vous laisse le temps d’arriver à Paris. Petit-déjeuner pour vous réveiller lors de la distribution des badges.

Mot d’accueil du directeur de l’ISIR, Stéphane Doncieux.

Bien que YASKAWA propose déjà une solution compatible ROS2: MOTOROS2; celle-ci ne dispose pas de certaines fonctionnalité comme la compatibilité avec un controleur ROS2 control. Par ailleurs, nous avions besoin d’un outil de correction de trajectoire pour développer une solution de seam-tracking pour des applications de soudage. C’est dans ce contexte que l’IRT Jules Verne a décidé de développer sa propre solution.

Construit sur la librairie Motoplus, il est conçu dans l’esprit du RSI de Kuka pour un controlleur YRC1000. Basé sur UDP, à une fréquence de cycle de 250hz, il permet de faire du controle en position articulaire ou de la correction cartésienne de trajectoire d’un robot YASKAWA 6 axes.

Son utilisation, son fonctionnement et la présentation de la première release seront détaillés lors de l’exposé.

Kinematics and Dynamic Library (KDL) est une bibliothèque utilisée pour calculer les modèles directs et inverses des robots à chaîne cinématique sérielle. Cette bibliothèque, très utile dans l’écosystème ROS, est capable de construire ces modèles en parsant le fichier de description du robot (URDF). Elle est notamment utilisée par moveit pour le contrôle et par robot_state_publisher pour le calcul et la publication des tf entre les différents corps constituant le robot.

Dans le cas de robots présentant une ou plusieurs chaînes fermées, KDL n’est pas capable de calculer ces modèles nativement. Il existe bien la possibilité de créer des arbres mais les solveurs de KDL ne les utilisent pas.

Cette présentation aura pour but d’expliquer comment nous avons contourné KDL pour contrôler avec ros2_control un robot à structure parallèle, simulé ou réel.

Continuum robots deform continuously, conversely to conventional robots composed of rigid links and discrete joints. Their slender and curvilinear shape makes them well suited for applications in constrained environment, such as minimally invasive surgery. However, their unique structure presents a number of challenges, such as modeling, design, or control. In order to tackle some of these challenges, the CAMI team of the TIMC laboratory develops a continuum robotics platform. Our robotics platform pools several continuum robots to conduct research across various axes. This platform is also in line with the open science movement, and we aim to publish our code and data as open access (https://github.com/TIMClab-CAMI). Our platform comprises four robots: a 1-segment Tendon-Actuated Continuum Robot (TACR), a 3-segment TACR, a dual-arm Concentric Tube Continuum Robot, and a Continuum Concentric Push-Pull Robot. For each robot, a corresponding digital twin is developed. Aiming for standardization and ease of use for the users, the different continuum robots of the platform are integrated into a ROS 2 environment, and their control is implemented using the ros2_control framework. Perspectives of our work includes sharing our code (simulations, controllers, drivers), generating and publishing both simulation and experimental data to develop data-based approaches, and implementation of real-time control.

Dans ce document, nous présentons une architecture ROS pour la saisie d’objets avec un bras Franka. Les positions de saisie sont définies dans le repère de l’objet hors-ligne via un algorithme évolutionnaire. Au moment du déploiement, la position 6-dimensionnelle de l’objet est estimée en utilisant la caméra RGBD du robot. Ensuite, les positions de saisie sont projetées dans le repère du robot et une position de saisie est choisie en utilisant une heuristique basée sur la diversité des saisies déployées et l’accessibilité. Enfin, le robot atteint une position de pré-saisie en contrôle compliant, puis rejoint la position de saisie via un mouvement cartésien. Une fois la pince fermée, l’effecteur terminal remonte pour valider la saisie.

Les travaux présentés portent sur l’intégration ROS2 de trajectoires expertes apprises en simulation. Ils permettent la manipulation robotique d’objets articulés dans un environnement ouvert. L’architecture proposée s’appuie sur deux méthodologies complémentaires. Tout d’abord, un module préliminaire d’apprentissage hors ligne qui génère des primitives de trajectoires à l’aide du simulateur physique Genesis. Ensuite, un module en ligne sélectionne et exécute la trajectoire simulée optimale pour résoudre une tâche donnée dans un scénario réel spécifique. Ce document comprend également les résultats et observations issus du déploiement expérimental de cette approche.

Cette présentation porte sur la téléopération sécurisée d’une plateforme robotique bimanuelle dans une perspective d’apprentissage par imitation, en s’appuyant sur LeRobot, MoveIt et IsaacSIM. L’objectif est de permettre à des infirmières et à des médecins, sans formation préalable en robotique, de faire réaliser directement au robot des tâches jugées utiles dans leur pratique, sans avoir à programmer. L’enjeu est donc de placer l’expertise métier du côté des utilisateurs, afin qu’ils puissent eux-mêmes définir les gestes et scénarios pertinents à enseigner au robot.

Le système robotique X-Trainer de Dobot se compose de deux bras manipulateurs Nova2. Dans ce contexte, la téléopération doit impérativement garantir un haut niveau de sécurité, notamment en évitant les collisions avec l’environnement, mais aussi les auto-collisions entre les deux bras. Pour répondre à ces contraintes, nous présentons un framework permettant de positionner les bras de manière flexible, grâce à une procédure automatique de calibration, puis d’assurer une supervision prédictive des mouvements. Cette supervision s’appuie sur des modèles intégrés dans MoveIt et IsaacSIM pour anticiper les configurations à risque et empêcher les collisions avant qu’elles ne se produisent. La présentation détaillera enfin les composants développés ainsi que leur intégration au sein d’une architecture unifiée fondée sur ROS 2.

Repas fournis par Ethik à table.

Session dédiée à nos deux orateurs invités, Denis Stogl et Francesco Ferro.

Pour discuter des présentations de nos orateurs invités.

Dans ce talk, nous vous emmènerons dans les coulisses du stack complet d’iXi, le chariot de golf du futur. De la navigation autonome avec Nav2 aux comportements haut niveau, de la simulation sous Gazebo au déploiement conteneurisé sur BalenaOS avec Docker, en passant par le monitoring de flotte via Telegraf et Grafana et les interfaces utilisateur développées en React Native - vous découvrirez comment toutes ces briques s’assemblent en un système complexe basé sur ROS 2.

Nous montrerons comment ROS 2 tourne sur un NVIDIA Jetson Orin Nano, et comment nous avons relevé les défis liés à la robotique sur terrains extérieurs semi-connus.

Developers building robot behaviors today must independently integrate foundation models, action policies, monitoring and recovery logic, writing custom glue code for every combination of robot and task. Without a shared programming model, each of these integrations remains a bespoke R&D project that cannot transfer across platforms.

EMOS (The Embodied Operating System) is an open-source, MIT-licensed Physical AI stack built on pure ROS2 that solves this by unifying perception, reasoning, navigation, manipulation, and self-recovery into a single programming model for general-purpose robots. Its layered architecture provides event-driven composition primitives at the runtime level, model-agnostic foundation model integration at the cognitive level, and GPU-accelerated autonomous navigation at the action level, all sharing the same primitives so cognitive and action capabilities coordinate seamlessly.

Temps libre pour aborder un sujet. 1 slide, 5min max par présentation.

Table ronde sur les usages et perspectives de ROS pour les applications robotiques industrielles, animée par le Comité Robotique France.

Dans cette présentation, nous reviendrons sur les évolutions de la stack de navigation autonome de Dexory qui ont permis de supporter des sites indoor de tailles croissantes : de 1 000 m² pour notre environnement de développement initial, à 10 000 m² pour le premier déploiement, jusqu’à 220 000 m² pour notre plus grand site actuel, plus d’1 km de long.

Le tout sans compromis sur la résolution de la carte, et tout en maintenant une planification en espace libre bidirectionnelle sur l’intégralité de sa surface. Nous détaillerons les verrous techniques que nous avons levés et les contributions apportées au middleware et à l’écosystème ROS, en particulier à Nav2.

Nous aborderons également le défi d’éviter les régressions liées à la problématique des grands sites lors des mises à jour, ainsi que les processus mis en place pour s’en prémunir : de la CI aux tests en environnements réels.

Enfin, nous ouvrirons la discussion sur les pistes pour aller encore plus loin.

Héraclès Robotics développe des engins de terrassement autonomes opérant en coactivité avec des humains et des camions sur des chantiers réels. Quand un opérateur ou un véhicule entre dans la zone de travail du robot, celui-ci doit se mettre en pause, puis reprendre sa mission sans recommencer depuis le début. Certaines actions ne peuvent pas simplement être annulées puis relancées. Par exemple, un robot arrêté à mi-chemin dans un dock de chargement a besoin de prendre de l’élan pour terminer son chargement : il doit d’abord reculer, vider son godet, puis reprendre sa course. Notre solution : un Behavior Tree enrichi d’un mécanisme de pause où chaque sous-tâche porte sa propre procédure de reprise. Cette approche, validée en production, est directement réutilisable sur d’autres projets ROS 2.

Votre système ROS 2 est fonctionnel. Le middleware est stable, les drivers sont intégrés, la navigation est validée en environnement contrôlé. Vient alors l’étape du déploiement industriel réel — en présence d’opérateurs, hors du laboratoire — et avec elle, une question incontournable : quel est le niveau de sécurité fonctionnelle de ce système ?

C’est l’obstacle auquel se heurtent aujourd’hui la majorité des équipes travaillant sur ROS 2. La sécurité fonctionnelle n’est pas une propriété que l’on ajoute en fin de développement : elle conditionne les choix d’architecture dès la conception. Sur ce sujet, l’écosystème ROS 2 offre peu de guidance structurée.

Cette présentation part de ce constat. À travers des retours d’expérience issus de projets industriels en robotique mobile, nous examinerons comment articuler ROS 2 avec des automates de sécurité certifiés, quels outils open source mobiliser, et comment établir une séparation rigoureuse entre ce que ROS 2 orchestre — et ce qui doit impérativement lui échapper.

Destinée aux chercheurs et ingénieurs qui visent la mise en production, au-delà de la preuve de concept.

Dans le cadre de l’amélioration des procédés de soudage, les caméras infrarouges de XIRIS Automation permettent d’obtenir un retour visuel en ligne sur un procédé de soudure qui serait autrement difficile à observer et à mesurer. Au sein de l’IRT Jules Verne, nous avons développé un driver ROS2 qui permet d’acquérir des images d’une caméra Xiris en utilisant la bibliothèque du fournisseur (WeldSDK) et de paramétrer en ligne les réglages de la caméra (fréquence, ROI, etc.).

Cette présentation traite, dans un premier temps, du développement et de l’architecture du driver, puis, dans un second temps, d’applications générales et d’exemples de résultats obtenus avec ce driver.

Deux ans après la ROSCon FR 2024, et à la suite d’une première présentation de l’approche de Naval Group concernant l’utilisation de ROS 2, nous proposons de dresser un bilan de son usage dans les développements R&D du laboratoire de robotique, dédiés à l’amélioration des procédés de fabrication, à travers plusieurs exemples concrets. Nous présenterons également les développements en cours ainsi que les perspectives futures.

Pour se remettre de l’évènement social.

LidarView est un logiciel open source, basé sur ParaView, qui propose un ensemble riche de briques algorithmiques dédiées au traitement de données LiDAR, en bénéficiant des capacités d’analyse scientifique de ParaView. Il est notamment utilisé dans l’industrie des capteurs LiDAR comme visualisateur par les constructeurs, et dans des workflows de traitement avancé comme des applications de SLAM et d’analyse de données 3D.

Depuis peu, un pont avec ROS2 a été implémenté et permet à l’application de communiquer avec des nœuds ROS2 via le protocole FastDDS et de lire des fichiers au format MCAP. LidarView peut alors être vu comme une alternative à RViz apportant des capacités avancées d’analyse et de traitement de données LiDAR et multi-capteurs, au-delà de la simple visualisation. Il peut permettre de traiter des données acquises sous ROS2 en dehors de l’environnement de ROS2, rendant l’accès à ces données plus simples pour les développeurs et utilisateurs en dehors de cet écosystème.

Nous présenterons les différentes fonctionnalités de LidarView, et comment le logiciel peut être utilisé pour les utilisateurs ROS2 traitant des données LiDAR avec les briques existantes, et d’introduire leur propres traitements dans une application dédiée à la visualisation, en temps réel ou en relecture de données.

Comparaison de différents algorithmes d’odométrie visuelle utilisant des données LIDAR issues d’un robot de maintenance ferroviaire.

La navigation autonome tout-terrain nécessite une perception 3D fiable pour détecter et éviter les obstacles en terrain non structuré. Les capteurs LiDAR fournissent des mesures précises mais sont coûteux et énergivores, tandis que les caméras stéréo souffrent d’une portée limitée et de mauvaises performances sur les surfaces peu texturées. Les avancées récentes en estimation monoculaire de profondeur zero-shot offrent une alternative légère prometteuse, mais leur intégration dans des systèmes de navigation tout-terrain reste peu explorée. Cet article présente un système de navigation open-source prenant en charge la perception 3D par LiDAR et par vision monoculaire, sans entraînement spécifique, généralisable à diverses plateformes robotiques.

Les contributions sont :

1. un système open-source prêt à l’emploi pour la navigation réactive tout-terrain, adaptable sans réentraînement ;
2. l’intégration de l’estimation monoculaire de profondeur aux côtés du LiDAR ;
3. une évaluation en simulation photoréaliste et en environnements réels.

Les vidéos présentant les performances de navigation ainsi que le code sont disponibles sur la page de notre projet : https://lariad.github.io/Offroad-Nav/

ROS 2 a été conçu pour être indépendant de son middleware de communication sous-jacent. Un choix architectural puissant, mais source de complexité et de surcoût.

En travaillant sur rmw_zenoh, une question revenait sans cesse : et si on rationalisait les couches de ROS 2 pour construire une stack Rust-native, de Zenoh jusqu’à l’API RCL ? Cela améliorerait-il les performances ? Serait-ce plus facile à étendre ? Et pourrait-on toujours supporter les packages RCL-C/C++/Python existants via des bindings C ?

C’est ce qui nous a conduits à développer ROS-Z, une stack RCL Rust/Zenoh-native, pleinement inter-opérable avec ROS 2 via rmw_zenoh. Dans cette présentation, nous explorerons nos choix de conception, partagerons des résultats de performance, et mettrons en lumière quelques fonctionnalités inédites qui repoussent encore les limites de l’innovation.

Repas fournis par Ethik à table.

Temps libre pour aborder un sujet. 1 slide, 5min max par présentation.

Nous proposons de partager notre retour d’expérience sur la création d’une plate-forme “low cost” pour l’expérimentation multi-robots. Cette arène consiste en une dizaine de robots simples (architecture différentielle autour d’un ESP32), localisés par des caméras (traitement fait sur des cartes raspberry pi). Les capteurs des robots sont simulés et une zone de traitement permet de calculer la commande des robots en fonction des données capteurs et de l’environnement. Nous présenterons sa dernière version utilisant une communication Zenoh avec les robots.

Dans ce talk je présenterai les outils utilisés à Centrale Nantes pour simplifier le flux de développement dans ROS 2.

Ces outils sont un ensemble de raccourcis pour :

• compiler un package ou un workspace
• configurer le comportement réseau (localhost, interface, discovery)
• compiler et exécuter du code C++ depuis un IDE

Ils sont particulièrement adaptés à un public découvrant ROS 2 et préférant se concentrer sur le fond et moins sur l’aspect configuration. Les bonnes pratiques sous forme de script bash.

Dans les projets robotiques complexes, des machines à états robustes sont essentielles pour gérer des comportements sophistiqués. Cette présentation décrit comment intégrer Stateflow (l’environnement de conception de machines à états de Simulink) dans des systèmes basés sur ROS, en offrant une approche visuelle de haut niveau pour orchestrer la logique des robots.

Grâce à Stateflow, il est possible de modéliser visuellement des comportements réactifs et les simuler avec des données ROS en temps réel ou des fichiers rosbag pour une validation approfondie. Cette approche permet également la génération automatique de code C++ pour les nœuds ROS à partir du modèle, garantissant que la logique validée de la machine à états puisse être déployée directement sur le robot réel.

Ce processus de développement basé sur des modèles réduit les erreurs de codage manuel et accélère le prototypage, en permettant de se concentrer sur le comportement du système plutôt que sur l’infrastructure bas niveau.

La présentation démontrera, à travers des exemples concrets, comment l’intégration de Stateflow avec ROS permet de gérer des tâches complexes pilotées par événements, montrant comment une conception de machines à états basée sur des modèles améliore la fiabilité et la maintenabilité des systèmes robotiques sous ROS.

Le logiciel commence généralement à l’état d’un dépôt de source, accompagné d’instructions de construction.

Pour faciliter son utilisation, il peut ensuite être empaqueté au sein d’un index, et/ou d’une distribution.

Cet ordre des choses est naturellement perçu comme linéaire: on parle d’upstream ou de producer pour la source, et de downstream ou consumer pour la distribution.

Mais si on regarde de plus près, il est clair qu’avant même de commencer à développer, il y avait au préalable l’utilisation d’une distribution, au moins pour la chaine de construction, et souvent pour les dépendances.

Il nous parait donc intéressant de refermer la boucle, et d’intégrer au mieux la distribution dans la source. Nous verrons que cela facilite à son tour l’intégration de la source dans la distribution dans une boucle vertueuse, et améliore plusieurs aspects du développement, de la maintenance, et de l’utilisation des logiciels.

ROS a déjà certaines fonctionnalités qui ressemblent à cette idée, mais l’expérience développeur, les fonctionnalités et la reproductibilité ne sont pas au rendez-vous.

Nous présenterons donc Flakoboros (https://github.com/Gepetto/flakoboros), qui implémente ce concept à travers Nix et ses Flakes. Cela nous permettra de démontrer les avantages de cette approche dans des cas concrets, notamment dans le cas de workspaces et meta-paquets ROS.

ROS has become the de facto open‑source middleware for robotics, yet many universities and early innovation teams still face practical challenges when moving from introductory examples to reproducible, deployable edge robotics systems. Hardware selection, AI deployment, and integration into courses, labs, and student projects remain key hurdles.

In this 30‑minute session, we present the Qualcomm University Platforms Program and how Dragonwing‑based platforms, including Ventuno Q, are used to support applied robotics education and experimentation built around ROS 2. The focus is on platform enablement, integration into academic environments, and concrete collaboration feedback.

We introduce a multi‑platform approach commonly adopted in university settings, combining Dragonwing platforms for Linux‑based ROS 2 robotics and perception workloads with entry‑level embedded systems for sensors and TinyML projects.

The talk is grounded in academic and early‑stage innovation collaborations, for example an autonomous racing car course at ENS Paris‑Saclay leveraging edge AI, semantic segmentation at the edge with KAUST, and exploratory 3D LiDAR SLAM work with the startup Exwayz, illustrating ROS‑based integration. We also explore the opportunity to involve Edge Impulse to illustrate practical data‑to‑model workflows for AI at the edge.

Attendees will leave with a clear reference architecture and practical integration checkpoints for robotics education and early prototyping.

Clotûre de la conférence et remerciements à nos différents sponsors.