RecherchearXiv cs.RO 30 avril 2026

Relier la planification discrète à l'exécution continue pour les robots redondants

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs publient sur arXiv (identifiant 2604.02021) un cadre de transition entre planification discrète et exécution continue pour bras manipulateurs redondants à 7 degrés de liberté. Le constat de départ est pratique : les trajectoires générées par apprentissage par renforcement sur grille voxel, exécutées directement via cinématique inverse numérique point par point, produisent du jitter de pas, des transitions articulaires brusques et des instabilités au voisinage de configurations singulières. La méthode proposée agit sur deux niveaux sans modifier le planificateur existant. Côté planification : des actions cartésiennes à 26 voisins normalisées en pas et un mécanisme de tie-breaking géométrique qui supprime les virages inutiles et les oscillations. Côté exécution : une couche TP-DLS (task-priority damped least-squares IK) où la position de l'effecteur terminal est traitée comme tâche primaire, le centrage articulaire et le contrôle de posture étant projetés dans l'espace nul comme tâches subordonnées, combinés à un clipping par région de confiance et des contraintes de vitesse articulaire. Sur un 7-DOF testé en environnements sparse, medium et dense générés aléatoirement : taux de succès en scène dense de 0,58 à 1,00, longueur de chemin de 1,53 m à 1,10 m, erreur d'effecteur inférieure à 1 mm, accélérations articulaires de pointe réduites de plus d'un ordre de grandeur.

L'intérêt opérationnel est la modularité : la couche TP-DLS s'insère comme un module plug-in sans retoucher le planificateur sous-jacent, abaissant le coût d'adoption pour les équipes qui disposent déjà d'un planificateur RL voxel-grid. La réduction des accélérations de pointe d'un facteur supérieur à 10 se traduit directement par moins d'usure mécanique, une moindre sollicitation des servomoteurs et une meilleure compatibilité avec les normes cobotiques (ISO/TS 15066). Le passage de 58 % à 100 % de succès en scènes denses est surtout un signal de diagnostic : il indique que le goulot d'étranglement n'était pas le planificateur RL mais bien la couche de conversion discret-continu, une hypothèse rarement testée explicitement dans la littérature. Limite à noter : tous les résultats restent en simulation sur environnements générés aléatoirement, sans validation sur hardware réel ni benchmark standardisé de la communauté.

La cinématique inverse DLS et la gestion par priorité de tâche sont des techniques classiques issues des travaux de Nakamura et Hanafusa (1986) et de Siciliano et Slotine (1991) ; la contribution ici est leur intégration calibrée dans un pipeline RL voxel-grid avec des heuristiques spécifiques à la discontinuité des actions discrètes. Les premiers concernés sont les intégrateurs et équipementiers utilisant des bras 7-DOF redondants tels que Franka Robotics (FR3), KUKA (LBR iiwa) ou Kinova (Gen3). Aucun partenariat industriel ni timeline de transfert technologique n'est annoncé dans le preprint. La suite logique serait une validation sur robot physique et une comparaison directe avec des planificateurs continus comme CHOMP ou TrajOpt, qui résolvent le problème de manière différente mais avec un coût computationnel nettement plus élevé.

Impact France/UE

KUKA (LBR iiwa) et Franka Robotics (FR3), deux fabricants européens de bras redondants 7-DOF explicitement ciblés, pourraient réduire leur coût d'intégration de planificateurs RL et améliorer leur conformité ISO/TS 15066 grâce à ce module plug-in, sous réserve de validation hardware.

Dans nos dossiers

arXiv cs.RO

À lire aussi

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

2arXiv cs.RO

Hydra : un modèle d'action pour la navigation combinant planification latente discrète et exécution par flow-matching continu

Des chercheurs présentent Hydra, un modèle "World Action Model" conçu pour la planification et le contrôle en temps réel de robots physiques, décrit dans un article publié le 28 août 2026 sur arXiv (référence 2608.28995v1). Le problème que Hydra cherche à résoudre est celui du décalage de représentation entre les modèles du monde, qui imaginent des futurs possibles à partir d'images, et les planificateurs, qui doivent aujourd'hui décoder chaque candidat de trajectoire en pixels haute dimension pour l'évaluer, une étape coûteuse qui freine le contrôle en temps réel. Hydra intègre le planificateur, à la fois l'échantillonneur et l'évaluateur, directement à l'intérieur du modèle, en construisant un espace latent unifié couvrant états visuels, poses physiques et actions de contrôle, compressé via des quantifications vectorielles en vocabulaires discrets d'intentions kinodynamiques et d'états visuels. Les candidats sont classés par un "Kinematic-Perceptual Cost" sans jamais repasser par l'espace des pixels, une approche que les auteurs nomment Discrete Latent Planning (DLP), couplée à du Flow Matching conditionnel pour transformer chaque intention discrète en trajectoire continue exécutable. Le système a été évalué sur deux plateformes robotiques physiques, sans que l'article ne précise leurs marques ou modèles. Pour l'industrie robotique, cette approche s'attaque directement à un goulot d'étranglement reconnu des architectures VLA (vision-language-action) et des modèles du monde génératifs: la latence introduite par la reconstruction pixel par pixel à chaque étape de planification. Si les résultats se confirment au-delà du cadre de cet article de recherche, ils suggèrent qu'un espace latent partagé et discret peut remplacer la recherche coûteuse en pixels sans sacrifier la qualité de l'exécution en boucle fermée, ce qui intéresserait directement les intégrateurs cherchant à déployer des politiques réactives sur du matériel embarqué à ressources limitées. Les auteurs affirment que Hydra dépasse les modèles du monde de référence en planification orientée objectif, tout en égalant ou dépassant les politiques réactives de type "foundation policy" les plus avancées, une comparaison à prendre avec prudence puisqu'elle provient des auteurs eux-mêmes et non d'une évaluation indépendante. Ce travail s'inscrit dans la lignée des efforts récents visant à combiner modèles du monde génératifs et politiques d'action, un axe de recherche exploré notamment par des familles de modèles comme Pi-0 ou GR00T N2 pour l'exécution réactive continue, mais où peu d'approches avaient jusqu'ici cherché à unifier explicitement planification discrète et exécution continue dans un même espace latent. L'article ne mentionne ni partenariat industriel, ni feuille de route de déploiement, ni acteur français ou européen; il s'agit à ce stade d'une contribution académique publiée en preprint, sans validation par les pairs ni pilote industriel annoncé.

RechercheOpinion

1 source

3arXiv cs.RO

PccDiffuser : planification de mouvement multi-solutions pour robots à corps continu

Une équipe de recherche présente PccDiffuser, un cadre de diffusion conditionnelle pour la planification de mouvement des robots continuum, dans un preprint arXiv publié en septembre 2026 (2609.09745v1). Le système apprend une distribution multimodale de trajectoires dans l'espace des configurations et génère plusieurs solutions candidates en parallèle, converties en trajectoire exécutable par allocation temporelle respectant les contraintes des actionneurs. Sa cinématique, modélisée par courbure constante par morceaux avec des coordonnées exponentielles, s'appuie sur un réseau de neurones sur graphe pour encoder un nombre variable d'obstacles et sur une cinématique différentielle analytique intégrée au débruitage pour améliorer précision et dégagement du corps entier. Sur un jeu de test allant de zéro à quatre obstacles, le taux de réussite atteint 91 %, supérieur aux méthodes par échantillonnage ou optimisation, avec un gain d'efficacité de calcul. Des essais sur un robot continuum à trois sections actionné par câbles confirment la planification multi-solutions et l'évitement d'obstacle du corps entier. Les robots continuum, structures souples et hyper-redondantes utilisées en chirurgie mini-invasive, en inspection de zones confinées et en recherche-sauvetage, restent difficiles à piloter automatiquement en raison d'un espace de configuration quasi infini et d'une cinématique non linéaire. Les méthodes classiques par échantillonnage ou optimisation peinent à capturer la multimodalité du problème, c'est-à-dire l'existence de plusieurs chemins valides distincts, et deviennent lentes quand l'environnement se complexifie. En atteignant 91 % de réussite tout en restant plus rapide que ces références, PccDiffuser démontre que les modèles de diffusion, déjà répandus pour les bras robotiques rigides, se transposent aux robots mous. Il s'agit toutefois d'un résultat de recherche en preprint, validé sur un seul robot de laboratoire et un environnement limité à quatre obstacles, et non d'un produit commercial ni d'un déploiement industriel. La planification des robots continuum s'appuyait jusqu'ici sur des solveurs de cinématique inverse et des planificateurs par échantillonnage adaptés au modèle de courbure constante par morceaux, une représentation standard depuis le milieu des années 2000. Les modèles de diffusion, popularisés pour les bras rigides, avaient jusqu'à présent peu été appliqués aux structures continues, faute d'encodage adapté à une cinématique non linéaire et à un nombre variable d'obstacles. Sans acteur industriel ni calendrier annoncé, ce travail de recherche ouvre la voie à des validations sur des robots continuum plus complexes et des environnements encombrés, avant tout transfert éventuel vers des applications comme la chirurgie robotisée ou l'inspection industrielle.

RecherchePaper

1 source

4arXiv cs.RO

LogLook : une mémoire ancrée dans l'exécution pour les planificateurs de robots à base de modèles de pointe

Des chercheurs publient sur arXiv (octobre 2026, version 1, sans relecture par les pairs) LogLook, un système de mémoire pour les planificateurs robotiques fondés sur des modèles vision-langage de pointe, utilisés sans entraînement spécifique à la tâche. Le principe est de ne plus laisser le modèle réécrire une note de synthèse à chaque pas. Le système conserve lui-même un journal d'exécution (actions réalisées, résultats) ainsi que les notes antérieures du modèle. Le modèle décide ensuite où regarder: des images ne lui sont renvoyées que là où il anticipe un changement, et les démonstrations sont d'abord parcourues en survol avant qu'il n'inspecte en détail les passages qu'il choisit. Sur le benchmark RoboMME, avec le planificateur de mouvement fourni par le benchmark, LogLook atteint le même taux de réussite qu'une mémoire à simple note, avec 43 % de tokens en moins et moins de la moitié des images. Il réduit aussi nettement les échecs imputables à ce qui a été mal mémorisé ou mal vu. En contrôle direct, il résout 93,5 % de l'ensemble de test de RoboMME. L'intérêt tient au coût et à la fiabilité. Chaque image consommée par un modèle de pointe coûte des tokens, donc de la latence et de l'argent, et la mémoire devient un poste de dépense central dès que les tâches s'allongent. Le travail suggère qu'une partie de l'amélioration vient de l'architecture (qui conserve la trace des faits) plutôt que d'un modèle plus gros. Pour un intégrateur, cela rend plus crédible l'usage d'un planificateur généraliste sur des tâches séquentielles, comme les tâches où il faut se souvenir de ce qui a déjà été manipulé. Les réserves sont claires: c'est un résultat de benchmark, vraisemblablement en simulation, sans déploiement physique annoncé. Le gain de 43 % est relatif à une base de comparaison précise, et l'écart entre les résultats avec planificateur de mouvement et en contrôle direct reste à examiner dans l'article complet. Le contexte est celui d'une course où les politiques VLA (vision-langage-action) comme Pi-0 ou Helix excellent surtout sur des comportements réactifs, tandis que les tâches à mémoire longue restent un point faible connu. Deux voies s'affrontent: intégrer la mémoire dans le modèle appris, ou la confier à un orchestrateur externe, ce que choisit LogLook. Le benchmark RoboMME, dédié à la mémoire en manipulation, sert désormais de terrain de comparaison. La suite logique serait des essais sur robots réels et des comparaisons avec des politiques à mémoire intégrée, mais aucune échéance n'est annoncée.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source