Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
Diffusion hybride pour la planification symbolique et continue simultanée
RecherchearXiv cs.RO 

Diffusion hybride pour la planification symbolique et continue simultanée

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

Des chercheurs ont publié sur arXiv (identifiant 2509.21983, version 2) une méthode baptisée "Hybrid Diffusion" qui combine génération de trajectoires continues et planification symbolique de haut niveau pour les robots accomplissant des tâches complexes et longues. Le constat de départ est empirique : les modèles de diffusion purement continus, pourtant plébiscités pour générer des trajectoires robotiques, échouent sur les tâches à long horizon. En pratique, ils confondent différents modes de comportement, enchaînant des séquences d'actions incompatibles qui provoquent des échecs en cascade. La solution proposée consiste à diffuser simultanément deux types de variables : des variables discrètes formant un plan symbolique de haut niveau, et des variables continues décrivant la trajectoire physique du robot. Ce double processus, mélange inédit de diffusion discrète et continue, surpasse significativement les baselines selon les auteurs, et permet également de conditionner la génération d'actions sur des conditions symboliques partielles ou complètes.

Ce travail s'attaque au "long-horizon planning gap", un verrou fondamental de la robotique cognitive : l'incapacité des systèmes actuels à enchaîner de nombreuses étapes cohérentes. Les approches purement continues, notamment les Visual Language Action models (VLA), souffrent d'une absence de structure symbolique explicite, les rendant fragiles face aux tâches multi-étapes structurées. En générant conjointement un plan symbolique, le modèle maintient une représentation explicite de ce qu'il doit faire et dans quel ordre, réduisant les confusions de modes. Cela dit, le papier est un preprint arXiv non encore soumis à peer review ; les résultats sur robots physiques réels restent à valider de manière indépendante.

Les modèles de diffusion pour la robotique ont émergé comme alternative à l'imitation learning classique, notamment via Diffusion Policy (Chi et al., 2023). Hybrid Diffusion s'inscrit dans une tendance combinant raisonnement symbolique (TAMP, planification PDDL) et apprentissage par données, un terrain également exploré par Google avec SayCan et RT-2, ainsi que par les architectures utilisant des LLM comme planificateurs de haut niveau couplés à des policies continues. La prochaine étape naturelle sera la validation sur plateformes physiques, manipulateurs industriels ou robots mobiles, dans des environnements non contrôlés, ce que ce travail, centré sur des expériences en simulation, ne démontre pas encore.

Dans nos dossiers

OpenVLA / RT-XarXiv cs.RO

À lire aussi

Qu'est-ce qui fait un bon symbole pour la planification hybride discrète-continue ?
1arXiv cs.RO 

Qu'est-ce qui fait un bon symbole pour la planification hybride discrète-continue ?

Des chercheurs publient sur arXiv (2610.23010) une étude sur ce qui rend un symbole utile en planification hybride discrète-continue, c'est-à-dire en planification où l'on combine des choix discrets (modes de contact, primitives d'action) et des variables continues. Les auteurs ne s'appuient ni sur des jeux de symboles définis à la main, ni sur des symboles extraits de supervision linguistique. Ils proposent un critère centré sur l'algorithme d'inférence: un bon symbole expose les engagements discrets qui simplifient la résolution du problème de planification d'origine. Ils formalisent cette idée sous le nom de « symbolisation suffisante pour le solveur » (solver-sufficient symbolization). Le cadre est d'abord établi pour des systèmes affines par morceaux à horizon fini, où cette suffisance se caractérise exactement, avec un algorithme d'invention de symboles guidé par contre-exemples. Il est ensuite étendu à des objectifs d'optimisation paramétrés par des réseaux de neurones servant de fonctions d'énergie. Les symboles sont alors induits à partir du paysage d'optimisation continu. Les expériences, en simulation et sur robot réel, indiquent une baisse du coût de résolution à qualité de solution préservée, avec une meilleure interprétabilité et une meilleure pilotabilité (steerability). Le résumé ne donne ni gains chiffrés, ni noms de robots, ni liste de tâches, et ces points restent à vérifier dans l'article complet. L'enjeu est surtout méthodologique, mais il touche un point sensible de la robotique actuelle. Les approches de planification de tâche et de mouvement (TAMP) et les politiques apprises, de type VLA (vision-langage-action), reposent souvent sur des abstractions choisies par intuition humaine ou dictées par un modèle de langage. Ce travail pose la question autrement: une abstraction se juge à ce qu'elle apporte au solveur, pas à sa lisibilité pour un humain. Pour les intégrateurs et les équipes qui déploient de la manipulation riche en contacts, cela offre une grille d'évaluation, et peut-être à terme une méthode pour générer des abstractions adaptées à un solveur donné au lieu de les écrire à la main. Les auteurs avancent aussi que leur cadre explique pourquoi certains symboles conçus par des humains fonctionnent bien. Il faut toutefois rester prudent: les garanties exactes ne valent que pour la classe affine par morceaux, et le passage aux fonctions d'énergie neuronales relève de l'induction. Rien n'indique non plus que la méthode tienne à l'échelle d'une production industrielle. Ce travail s'inscrit dans une longue tradition d'invention de prédicats et de symboles pour la planification, avec des approches de TAMP à symboles manuels, des méthodes d'apprentissage d'abstractions et des travaux récents où les modèles de langage proposent des symboles. Les auteurs se démarquent de ces deux dernières familles en privilégiant l'utilité computationnelle. Il s'agit d'une préimpression (v1, annonce de type « new »), sans relecture par les pairs à ce stade. Aucun produit ni déploiement n'est annoncé. La suite logique serait une validation sur des tâches plus longues et plus variées, puis une intégration avec les modèles de fondation de robotique actuels.

UEPas d\'impact direct sur la France/UE

RecherchePaper
1 source
Sélection et planification simultanées des contacts pour la manipulation riche en contacts par optimisation en cascade
2arXiv cs.RO 

Sélection et planification simultanées des contacts pour la manipulation riche en contacts par optimisation en cascade

Des chercheurs ont publié sur arXiv (référence 2605.27972) un cadre d'optimisation en cascade baptisé SCSP, pour Simultaneous Contact Selection and Planning, dédié à la manipulation robotique en contact riche. Ce type de manipulation regroupe les tâches où le bras doit gérer plusieurs points de contact dynamiques : pivotement d'objet, manipulation en main, assemblage serré. Le système repose sur deux modules séquentiels : CSO (Contact Selection Optimization), qui détermine automatiquement les localisations de contact optimales sur l'objet cible, et CPO (Contact Planning Optimization), qui génère ensuite les trajectoires de manipulation correspondantes en temps réel pour des bras redondants à sept degrés de liberté ou plus. Les auteurs valident l'approche en simulation et sur robot physique, sur des tâches décrites comme complexes, sans que l'abstract ne fournisse de métriques de temps de cycle ou de taux de succès chiffrés. Le verrou que SCSP prétend lever est structurant pour la manipulation autonome : la quasi-totalité des méthodes contact-implicit existantes suppose que la séquence de points de contact est définie à l'avance par l'opérateur. Le robot optimise la trajectoire, pas l'endroit où il entre en contact. CSO contourne les deux obstacles qui rendaient la sélection active difficile, à savoir la complémentarité dans la dynamique de contact et les gradients parcimonieux, en substituant un modèle de contact approché et différentiable au modèle physique discontinu, couplé à une optimisation discrète-continue. CPO exploite ensuite ces localisations comme prior pour planifier en temps réel. Si le comportement se généralise hors simulation, le framework permettrait d'aborder des tâches de manipulation substantiellement plus complexes sans paramétrage manuel des modes de contact, ce qui est aujourd'hui l'un des goulots d'étranglement principaux en intégration industrielle. Le champ de la manipulation en contact riche est partagé entre deux grandes familles : l'optimisation classique (contact-implicit trajectory optimization, MPC) et l'apprentissage (VLA, diffusion policies), portées notamment par Physical Intelligence avec Pi-0, Covariant et Figure AI. SCSP s'inscrit dans la ligne optimisation, plus interprétable et potentiellement plus robuste hors distribution que les approches end-to-end. L'identité institutionnelle des auteurs n'apparaît pas dans l'abstract arXiv, ce qui complique l'évaluation de la maturité et du soutien financier derrière le travail. Les démonstrations vidéo disponibles sur le site projet constitueront le vrai test de crédibilité avant tout positionnement industriel.

RecherchePaper
1 source
NEXUS : apprentissage continu de contraintes symboliques pour une planification incarnée sûre et robuste
3arXiv cs.RO 

NEXUS : apprentissage continu de contraintes symboliques pour une planification incarnée sûre et robuste

NEXUS est un cadre modulaire présenté en mai 2026 sous forme de preprint arXiv (2605.09387), conçu pour l'apprentissage continu de contraintes symboliques dans les agents incarnés. Son objectif central : combler l'écart fondamental entre l'incertitude probabiliste des grands modèles de langage (LLM) et les exigences de déterminisme strict requises dans le monde physique. Le framework dissocie explicitement deux dimensions : la faisabilité physique, améliorée par des retours d'exécution en boucle fermée, et les spécifications de sécurité, ancrées dans des contraintes dures déterministes formant une défense pré-action. Évalué sur le benchmark SafeAgentBench, NEXUS affiche des taux de succès supérieurs aux approches existantes, refuse efficacement les instructions non sûres, résiste aux attaques adversariales, et améliore progressivement son efficacité de planification par accumulation de connaissances symboliques. La pertinence du cadre réside dans son traitement architectural d'un problème structurel : les LLM, malgré leurs performances en planification, restent des systèmes probabilistes susceptibles de produire des comportements dangereux en environnement physique contraint. NEXUS transforme les artefacts symboliques, jusqu'ici utilisés comme de simples interfaces statiques dans les travaux antérieurs, en vecteurs d'évolution de la connaissance. L'ancrage déterministe des risques est particulièrement utile pour les intégrateurs industriels : un agent peut apprendre à reconnaître et refuser des séquences d'actions dangereuses, y compris face à des instructions adversariales délibérément construites. Pour les décideurs envisageant le déploiement d'agents autonomes en entrepôts ou en production, la distinction entre défense réactive et défense pré-action constitue un avantage concret sur le plan de la certification et de la traçabilité. Ce travail s'inscrit dans la continuité de cadres comme SayCan (Google DeepMind) ou Code as Policies, qui ont posé les bases de la planification incarnée par LLM mais traitaient la sécurité comme une contrainte externe figée. NEXUS la rend évolutive via l'apprentissage continu, ce qui le distingue architecturalement. SafeAgentBench, utilisé pour la validation, s'impose progressivement comme référence pour évaluer la robustesse sécuritaire des agents incarnés. Il convient de noter qu'il s'agit à ce stade d'un preprint sans déploiement industriel annoncé ni validation terrain confirmée. La séparation faisabilité/sécurité que propose NEXUS pourrait néanmoins influencer les prochaines générations de middleware robotique, notamment dans les contextes où la traçabilité réglementaire des décisions autonomes est requise.

UELe cadre NEXUS, en rendant les décisions autonomes traçables et auditables via des contraintes symboliques déterministes, pourrait faciliter la mise en conformité avec l'AI Act pour les intégrateurs européens déployant des agents autonomes en environnement industriel.

RecherchePaper
1 source
CSymPlan : planification symbolique et contrôle certifiés pour manipulateurs à haut degré de liberté
4arXiv cs.RO 

CSymPlan : planification symbolique et contrôle certifiés pour manipulateurs à haut degré de liberté

Un article publie fin aout 2026 sur arXiv (2608.22983v1) présente CSymPlan, un framework de planification et de contrôle symbolique certifie pour bras manipulateurs a haut nombre de degrés de liberté. Il propose deux versions: une implémentation hors ligne qui precalcule des politiques de rétroaction certifiées pour atteindre une cible en évitant les obstacles, et une implémentation en ligne qui synthétisé ces politiques en temps réel via l'outil pFaces. La version hors ligne modélise le bras comme un double intégrateur perturbe, traite couple, mesure et modèle comme des incertitudes bornées, et l'affine pour un bras Franka FR3 par quantification et réalisation du couple. En simulation et sur le FR3 réel, les deux versions complètent leurs taches sans violation de sécurité, le robot s'arrêtant ou replanifiant en l'absence d'action certifiée. Ce travail vise un point de friction classique de la robotique manipulatrice: séparer planification de trajectoire et contrôle bas niveau produit des références difficiles a suivre fidèlement sous contraintes d'actionneurs, erreurs de suivi et faibles marges avec les obstacles. Pour les intégrateurs et décideurs industriels, une garantie de zero violation de sécurité, vérifiée en simulation comme sur bras physique, pèse plus qu'une démonstration isolée et répond au doute récurrent du secteur sur l'écart entre démos et fiabilité réelle. En imposant au robot de s'arrêter plutôt que d'exécuter une commande non garantie, CSymPlan propose une alternative certifiable aux approches de contrôle par apprentissage de bout en bout, dont les garanties restent difficiles a prouver. Le choix du Franka FR3 comme plateforme de validation s'inscrit dans une pratique académique courante: ce bras collaboratif, conçu par l'entreprise allemande Franka Robotics, est un standard de recherche en manipulation en Europe pour sa transparence de couple et son écosystème logiciel ouvert. CSymPlan s'appuie sur pFaces, un moteur de synthèse de contrôleurs symboliques déjà mobilise dans des travaux antérieurs sur la planification certifiée, ce qui situe la contribution dans la lignée du contrôle formel plutôt que des approches VLA qui dominent l'actualité humanoïde. Il s'agit a ce stade d'une contribution de recherche sans partenariat commercial ni calendrier de déploiement annonce; la suite logique serait une extension a des taches et espaces plus complexes, avec comparaison aux pipelines classiques.

UELe framework est valide sur le bras collaboratif Franka FR3, conçu par l'entreprise allemande Franka Robotics, standard de recherche européen en manipulation, sans impact direct sur le marche ou la réglementation UE.

RecherchePaper
1 source