Gazebo renforce la fiabilité de ses remises à zéro, une opération critique pour l’apprentissage par renforcement et les simulations robotiques répétées. Un audit mené dans le cadre du Google Summer of Code 2026 a ajouté une base de tests commune et corrigé plusieurs systèmes qui conservaient encore un état après le redémarrage d’un épisode.
Dans un simulateur, revenir au point de départ ne consiste pas seulement à replacer le robot. Les capteurs, contrôleurs, batteries et modèles physiques doivent eux aussi retrouver un état cohérent. Sans cela, le nouvel épisode peut hériter d’informations du précédent, fausser les données d’entraînement ou provoquer un comportement difficile à reproduire.
Un audit ciblé sur les composants les plus sensibles
Le projet a passé en revue les systèmes centraux de Gazebo, le simulateur open source utilisé avec ROS et dans de nombreux travaux de robotique. L’effort s’est concentré sur les entraînements, les capteurs, les modèles marins, les batteries, les contacts et les articulations, c’est-à-dire les briques les plus exposées aux remises à zéro fréquentes.
Les contributeurs ont d’abord créé des utilitaires de test partagés pour demander une remise à zéro, attendre son application et vérifier les messages ou l’état interne. Cette base évite à chaque composant de réinventer sa propre procédure et facilite l’ajout de tests de non-régression.
Une grande partie des systèmes examinés fonctionnait déjà correctement. Les contrôleurs de déplacement différentiel, de direction Ackermann et de roues Mecanum ont notamment reçu une couverture automatisée. Même résultat pour plusieurs capteurs, dont les caméras RGB-D, les centrales inertielles, les magnétomètres, les altimètres et les capteurs de force-couple.
Des états résiduels dans la batterie, les contacts et l’hydrodynamique
L’audit a néanmoins identifié plusieurs défauts concrets. Le système de flottabilité ne reconstruisait pas certaines données parce qu’il attendait l’apparition de nouvelles entités, alors que celles-ci existaient toujours après la remise à zéro. Le module hydrodynamique conservait des valeurs de courant et d’état antérieur, avec un risque d’incohérence lors du rechargement d’une scène.
Le modèle de batterie linéaire pouvait conserver son niveau de charge et son état de consommation. Le système de contact ne recréait pas correctement certains capteurs, ce qui affectait aussi le module tactile qui en dépend. Des états résiduels ont également été relevés dans les capteurs environnementaux, le système de vitesse Doppler et les articulations détachables.
La correction récurrente consiste à implémenter explicitement l’interface de remise à zéro, vider les structures utilisées pendant l’exécution, puis rescanner toutes les entités présentes. Cette dernière étape est importante : après un reset, les objets sont restaurés, mais ils ne sont pas nécessairement signalés comme nouveaux.
Un enjeu direct pour l’entraînement des robots
Pour l’apprentissage par renforcement, un épisode doit démarrer dans des conditions maîtrisées. Une batterie partiellement déchargée, un capteur de contact absent ou un état hydrodynamique hérité modifie l’expérience du robot et peut introduire un biais invisible dans les résultats. Ces défauts sont d’autant plus pénalisants que les campagnes d’entraînement enchaînent parfois des milliers de cycles.
Le travail ne couvre pas encore tous les plugins de Gazebo. Il fournit toutefois une méthode réutilisable pour étendre progressivement les contrôles aux autres modèles de véhicules, systèmes aériens, composants de communication et outils d’enregistrement. Au-delà des correctifs déjà intégrés, l’apport principal est donc une protection durable contre le retour de ces régressions.
Sources : Open Robotics Discourse, dépôt Gazebo Sim.
