Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
STAR-Filter : approximation convexe efficace de l'espace libre par filtrage d'ensembles étoilés en environnements bruités
RecherchearXiv cs.RO 

STAR-Filter : approximation convexe efficace de l'espace libre par filtrage d'ensembles étoilés en environnements bruités

1 source couvre ce sujet·Source originale ↗·
Résumé IASource uniqueImpact UE

Une équipe de chercheurs a soumis sur arXiv en avril 2026 (référence 2604.26626) STAR-Filter, un framework algorithmique léger pour l'approximation de l'espace libre en milieu encombré et bruité. Le problème ciblé est central en planification robotique : représenter rapidement l'espace navigable sous forme de polytopes convexes exploitables par des optimiseurs, même lorsque les données capteurs sont imparfaites. La méthode repose sur la construction de "starshaped sets" (ensembles étoilés), une structure géométrique dans laquelle tout point peut être "vu" depuis un centre, utilisée comme filtre pour identifier les contraintes actives, c'est-à-dire les points obstacles qui définissent réellement la frontière du polytope, en éliminant les calculs redondants. Les auteurs valident le framework sur la génération de Safe Flight Corridors (SFC) et la planification agile de quadrotors en environnement bruité à large échelle.

L'enjeu pour les intégrateurs est concret : la génération de régions convexes en temps réel est un goulot d'étranglement pour tout robot naviguant dans des environnements dynamiques ou reconstruits par LiDAR avec bruit de mesure. Les méthodes d'inflation itératives existantes, dont IRIS développé au MIT, voient leur temps de calcul augmenter fortement à mesure que la densité d'obstacles croît, et restent sensibles à l'initialisation. STAR-Filter réduit cette complexité en filtrant en amont les contraintes pertinentes, sans sacrifier la faisabilité ni la sécurité. Les simulations présentées affichent le temps de calcul le plus bas parmi les méthodes comparées, avec des polytopes moins conservateurs, ce qui se traduit par des trajectoires plus proches des obstacles réels et donc plus efficaces énergétiquement. Pour un opérateur déployant des drones en entrepôt ou des robots mobiles en environnement industriel non structuré, c'est un gain direct en réactivité.

La planification par corridors convexes est un axe de recherche actif depuis une décennie, structuré autour des travaux de Russ Tedrake au MIT et des pipelines drone de l'équipe de Vijay Kumar à UPenn. STAR-Filter s'inscrit dans cette tradition en visant le passage à l'échelle sur des données réelles bruitées, là où les méthodes académiques butent souvent sur l'écart sim-to-real. Côté références concurrentes, les outils de décomposition convexe tels que Decomp Util et MRSL restent des standards, mais sans gestion native du bruit capteur. L'article ne mentionne aucun partenariat industriel, ni timeline de commercialisation : il s'agit d'une contribution de recherche pure, sans produit ou déploiement associé à ce stade.

Dans nos dossiers

arXiv cs.RO

À lire aussi

GCS-Bridging : restaurer la connectivité des ensembles convexes déconnectés pour la planification de mouvement par graphe d'ensembles convexes
1arXiv cs.RO 

GCS-Bridging : restaurer la connectivité des ensembles convexes déconnectés pour la planification de mouvement par graphe d'ensembles convexes

Les chercheurs derrière GCS-Bridging (arXiv:2608.22326v1, preprint récent) proposent une méthode qui corrige une faille pratique des planificateurs de trajectoire bases sur les Graph-of-Convex-Sets (GCS). L'approche GCS découpe l'espace de configuration libre de collision d'un robot en un ensemble fini de régions convexes, puis calcule directement une trajectoire a travers ce graphe, ce qui simplifie nettement le calcul par rapport aux planificateurs par échantillonnage classiques. Le problème: les méthodes GCS existantes supposent une connectivité suffisante entre régions et échouent purement et simplement quand la zone de départ et la zone d'arrivée appartiennent a deux composantes distinctes de la carte initiale. GCS-Bridging relie ces ilots disjoints en traçant d'abord un chemin de points libres de collision entre eux, puis en "gonflant" ce chemin pour créer de nouvelles régions convexes qui comblent la discontinuité. Teste sur plusieurs algorithmes de la famille IRIS et de multiples scenarios simules, le procédé restaure la connectivité départ-arrivée manquante avec un taux de succès de 99,8%. Une validation matérielle a également été réalisée sur un bras robotique Franka a un seul bras, dans un scenario réel présentant initialement des régions de départ et d'arrivée déconnectées. Pour les intégrateurs qui déploient des bras manipulateurs en environnement encombre (entrepôts, lignes d'assemblage, cellules robotisées), ce correctif s'attaque a une limite concrète: la génération automatique de régions convexes via des outils comme IRIS laisse parfois des "trous" entre zones franchissables, ce qui bloquait jusqu'ici la planification des qu'un objectif tombait dans un ilot sépare du point de départ, obligeant a réinitialiser la carte ou a basculer vers un planificateur par échantillonnage plus lent. Un taux de succès de 99,8% en simulation, appuyé par une démonstration matérielle même limitée, indique que ce problème de connectivité peut être traite comme une étape de prétraitement automatisable plutôt que comme un échec a gérer au cas par cas, ce qui renforce la viabilité des méthodes GCS face aux planificateurs traditionnels pour des usages industriels ou fiabilité et temps de calcul comptent autant que l'optimalité de la trajectoire. Les méthodes GCS s'appuient généralement sur des algorithmes de décomposition convexe comme IRIS (Iterative Regional Inflation by Semidefinite programming) pour construire automatiquement la carte de régions a partir de l'espace de configuration d'un robot, une famille d'outils que les auteurs utilisent justement comme référence dans leurs tests. Le travail s'inscrit dans un effort plus large pour rendre l'optimisation de trajectoire par ensembles convexes exploitable en conditions réelles, au-delà des démonstrations en environnement simple et entièrement connecte. Un site de projet dédié (zhouxk1997.github.io/GCS_Bridging) présente les résultats. La suite logique, non détaillée dans le résume, consisterait a étendre la validation matérielle a des bras multiples ou des scenarios avec davantage d'obstacles dynamiques, pour vérifier que le taux de succès observe en simulation se maintient quand la complexité de l'environnement augmente.

UEImpact indirect: le bras robotique Franka utilise pour la validation matérielle est produit par une entreprise allemande, mais aucun acteur français ou européen n'est directement implique dans cette recherche.

RecherchePaper
1 source
PathCover : une décomposition convexe rapide le long d'un chemin par partitionnement itératif aléatoire de l'espace (RISP) sur des nuages de points
2arXiv cs.RO 

PathCover : une décomposition convexe rapide le long d'un chemin par partitionnement itératif aléatoire de l'espace (RISP) sur des nuages de points

Des chercheurs présentent PathCover, un framework de génération de corridors convexes pour la navigation autonome de robots, construit autour de RISP (Randomized Iterative Space Partitioning), un algorithme randomisé qui construit des polytopes convexes directement depuis des nuages de points bruts, en temps linéaire attendu. Face à des générateurs existants souvent trop lents pour suivre la cadence des capteurs, RISP produit des polytopes chevauchants et sans obstacle pour contraindre les modules de MPC et d'optimisation de trajectoire, avec une garantie de terminaison en temps fini. Sur des données LiDAR synthétiques et réelles, la méthode gagne un ordre de grandeur en vitesse sur l'état de l'art, à volume de corridor comparable, et a été validée en simulation quadrirotor puis déployée sur un robot quadrupède naviguant en environnement contraint avec du LiDAR en direct. La génération de corridors sans obstacle est un goulot d'étranglement classique des pipelines de navigation: un module MPC doit recevoir une représentation de l'espace libre recalculée à chaque acquisition capteur, et beaucoup de méthodes de décomposition convexe deviennent le facteur limitant quand la fréquence LiDAR augmente. En traitant le nuage de points brut en complexité linéaire, PathCover rapproche la fréquence de replanification de celle de la perception, un enjeu direct pour les intégrateurs de drones et de robots à pattes en environnement encombré. Le passage réussi de la simulation à un déploiement physique sur quadrupède est notable, car beaucoup de méthodes de ce type publiées restent cantonnées à la simulation. La décomposition convexe le long d'un chemin s'inscrit dans une lignée de travaux sur les corridors sûrs pour la planification de trajectoire, un problème classique en robotique où des méthodes comme IRIS ont posé les bases mais souffrent d'un coût de calcul croissant avec la densité du nuage de points. PathCover se positionne explicitement contre l'état de l'art sur ce critère de vitesse, en revendiquant un gain d'un ordre de grandeur sans sacrifier le volume de corridor. Le travail reste une publication de recherche déposée sur arXiv début août 2026, sans indication d'intégration commerciale, et la validation physique se limite à un seul robot quadrupède, laissant ouvertes les questions de généralisation à d'autres plateformes comme les drones ou les AMR à roues.

RecherchePaper
1 source
Allocation de tâches et planification du mouvement en environnements dynamiques encombrés via CBBA et graphes d'ensembles convexes
3arXiv cs.RO 

Allocation de tâches et planification du mouvement en environnements dynamiques encombrés via CBBA et graphes d'ensembles convexes

Une équipe de chercheurs a publié sur arXiv (référence 2506.18516) un système de planification combinant deux algorithmes complémentaires pour coordonner des agents mobiles dans des environnements encombrés et dynamiques : le CBBA (Consensus-Based Bundle Algorithm) pour l'allocation distribuée des tâches, et les GCS (Graphs of Convex Sets) pour l'optimisation des trajectoires. L'approche repose sur un espace de configuration en 4D (3D spatial plus axe temporel), ce qui permet de modéliser simultanément la géométrie de l'environnement et le timing des rendez-vous mobiles. Les agents doivent non seulement se répartir les tâches, mais également estimer précisément quand et où ils pourront les atteindre, compte tenu des obstacles et des autres agents. Les résultats sont démontrés exclusivement en simulation, avec des scénarios incluant des tâches statiques et des objectifs de rendez-vous dynamiques. L'apport technique principal réside dans le couplage explicite entre allocation et planification, deux sous-problèmes généralement traités séparément dans la littérature sur les systèmes multi-robots. En pratique, la plupart des architectures industrielles de type AMR (Autonomous Mobile Robot) utilisent un planificateur de chemin découplé du système de dispatch, ce qui introduit des erreurs d'estimation temporelle et des conflits de ressources. En intégrant les GCS dans la boucle CBBA, le système produit des enchères basées sur des trajectoires réellement faisables plutôt que sur des heuristiques de distance euclidienne. Pour un intégrateur ou un décideur B2B, cela signifie potentiellement moins de recalculs coûteux en exécution et une meilleure fiabilité des estimations de temps de cycle dans des entrepôts ou ateliers denses. Il faut néanmoins noter que les GCS, bien que performants en optimisation convexe, restent computationnellement lourds à grande échelle, et que l'article ne fournit pas de données de timing comparatives. Les GCS ont été popularisés principalement par les travaux de Tobia Marcucci et Russ Tedrake au MIT via la librairie Drake, avec des applications initiales en manipulation et locomotion. Le CBBA est issu des travaux du MIT Lincoln Laboratory (Choi et al., 2009) et reste une référence en coordination décentralisée pour drones et robots terrestres. Cette combinaison s'inscrit dans un effort plus large pour combler le fossé entre planification géométrique et coordination multi-agent, un problème actif dans des labos comme Stanford ASL, CMU Robotics Institute, ou côté français l'INRIA et le LAAS-CNRS. Les prochaines étapes naturelles seraient une validation sur matériel réel, une évaluation de la scalabilité au-delà d'une dizaine d'agents, et une comparaison quantitative avec des approches basées sur MILP ou MAPF (Multi-Agent Path Finding).

UEL'INRIA et le LAAS-CNRS sont explicitement cités comme acteurs actifs sur cette problématique, positionnant la recherche française en bonne place pour contribuer ou collaborer autour de cette méthodologie de planification multi-agents.

RecherchePaper
1 source
Apprentissage d'unions d'ensembles convexes par décomposition latente invertible pour la planification de trajectoires
4arXiv cs.RO 

Apprentissage d'unions d'ensembles convexes par décomposition latente invertible pour la planification de trajectoires

Une équipe de chercheurs publie sur arXiv (référence 2606.12027) ILD, pour Invertible Latent Decomposition, un framework de planification de trajectoires sans collision dans des espaces de configuration encombrés. ILD apprend conjointement un mapping inversible et un ensemble de polytopes convexes explicites dans l'espace latent correspondant : la planification s'effectue sur ces convexes latents, et le mapping inversible retraduit les chemins vers l'espace d'origine en préservant la faisabilité vis-à-vis des régions sûres explicites. Le framework intègre également VGS (Visibility-Guided Sampling), une méthode d'échantillonnage guidée par la visibilité conçue pour maintenir la connectivité entre ensembles convexes lors de la planification. Les évaluations couvrent la navigation 2D, un manipulateur à 6 degrés de liberté (DOF) et un bras bimanuel à 14-DOF. Sur ce dernier, les auteurs démontrent une planification temps réel avec un affinement à l'exécution (test-time refinement) s'adaptant aux changements de géométrie de scène, confirmé sur un bras 6-DOF réel. Zéro faux positif n'est observé après cet affinement, contre des taux non nuls pour les méthodes de référence testées. L'enjeu industriel est la résolution d'un arbitrage fondamental en robotique de manipulation : les représentations explicites comme les unions de polytopes convexes s'intègrent directement dans les planificateurs à base d'optimisation comme contraintes dures, garantissant l'absence de collision, mais leur complexité de paramétrage explose avec la dimension de l'espace de configuration. Les représentations implicites passent mieux à l'échelle géométrique mais n'offrent pas ces garanties formelles. ILD combine les deux avantages. Pour un intégrateur ou un responsable de production, la planification temps réel sur 14-DOF avec adaptation dynamique à la scène représente un seuil d'utilisabilité concret en environnement industriel, à condition que les performances tiennent hors des conditions contrôlées de laboratoire, point sur lequel les auteurs restent prudemment ouverts. La planification sous contraintes de collision est un problème adressé depuis des décennies par des planificateurs probabilistes (RRT, PRM) et des méthodes d'optimisation convexe comme IRIS et GCS (Graph of Convex Sets), issus en particulier des travaux de Russ Tedrake au MIT CSAIL. ILD s'inscrit dans la tendance récente qui hybride apprentissage profond et garanties formelles plutôt que d'opposer les deux approches. Le preprint ne mentionne ni partenaire industriel ni calendrier de commercialisation, restant au stade académique. Les extensions attendues concernent la robustesse sur des scènes plus dynamiques et le passage à des espaces de configuration supérieurs à 14-DOF, en vue des manipulateurs humanoïdes à bras multiples dont les architectures dépassent souvent 28-DOF.

RecherchePaper
1 source