RecherchearXiv cs.RO 7 mai 2026

Sûreté par invariance, vivacité par raffinement : contrats hétérogènes pour la co-conception du contrôle multicouche

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs présentent, dans un preprint arXiv déposé en mai 2026 (arXiv:2605.04222), un cadre formel pour la co-conception d'architectures de contrôle en couches (LCA). L'article identifie trois lacunes persistantes dans la littérature sur les LCA : l'absence de langage de spécification unifié entre la planification discrète et l'exécution continue, l'absence de garanties formelles lors de l'interconnexion de sous-systèmes opérant à des échelles de temps hétérogènes, et l'absence de séparation compositionnelle entre les couches due au recours à des lois de filtrage d'entrée naïves. Pour y répondre, les auteurs importent la décomposition sécurité-vivacité dans un cadre assume-guarantee hétérogène : la sécurité est garantie par invariance à la couche temps-continu, tandis que la vivacité est assurée par raffinement à la couche temps-discret. La coordination inter-couches est formalisée via des conditions de raffinement vertical et de compatibilité temporelle. Le framework est instancié avec une architecture concrète combinant un planificateur MPC (Model Predictive Control), un contrôleur bas niveau à stabilisation entrée-état (ISS), et un pont de type reference governor, puis validé sur un système hybride de stockage d'énergie (HESS) composé d'une batterie et d'un supercondensateur.

L'apport principal est de nature théorique mais avec des implications pratiques directes pour les systèmes autonomes embarqués. En offrant des garanties formelles compositionnelles, le framework permet aux ingénieurs de concevoir chaque couche indépendamment tout en conservant des propriétés de sécurité bout-en-bout, ce qui réduit la complexité de vérification dans les systèmes à contraintes temps-réel mixtes. Le recours au reference governor comme pont entre MPC et contrôleur bas niveau est une contribution notable : il préserve les contraintes de sécurité sans saturation abrupte des actionneurs, un problème classique dans les architectures hiérarchiques industrielles.

Ce travail s'inscrit dans un courant actif qui cherche à réconcilier les méthodes formelles issues du génie logiciel (contrats assume-guarantee, logique temporelle) avec la théorie du contrôle non linéaire (CBF, ISS, MPC). Les approches concurrentes incluent les QP basés sur les Control Barrier Functions (CBF-CLF) et les architectures de sécurité par filtrage de type "safety filter". La validation sur HESS, plutôt que sur un système robotique, suggère un positionnement orienté gestion d'énergie embarquée et systèmes cyber-physiques industriels ; une extension aux robots mobiles ou aux bras manipulateurs, domaines où la coexistence sécurité-vivacité est critique, constituerait une suite naturelle.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

Contrôle de formation haute précision pour systèmes multi-robots hétérogènes via apprentissage par renforcement profond hiérarchique et hybride, informé par la physique

Des chercheurs proposent un nouveau cadre de contrôle pour la formation de flottes de robots hétérogènes, baptisé HHy-PIDRL (hierarchical hybrid physics-informed deep reinforcement learning), publié sur arXiv début juillet 2026. L'architecture repose sur deux couches. La couche supérieure gère la navigation autonome d'un robot leader à direction Ackermann via un algorithme Soft Actor-Critic (SAC), une méthode de deep reinforcement learning reconnue pour sa stabilité d'entraînement. La couche inférieure combine trois briques pour les robots suiveurs omnidirectionnels : un contrôleur physique feed-forward haute-fidélité, un correcteur proportionnel-dérivé (PD) classique, et un contrôleur résiduel adaptatif par apprentissage par renforcement, l'ensemble formant une politique hybride baptisée HM-DRL. Une fonction de récompense hiérarchique spécifique a été conçue pour guider l'apprentissage des suiveurs vers une politique de contrôle stable et affinée. Selon les auteurs, les taux de réussite atteignent 100% aussi bien pour la navigation du leader que pour le maintien de formation des suiveurs, des résultats validés par des expériences d'ablation. Ce travail s'attaque à un problème concret pour l'industrie robotique multi-agents : les méthodes de contrôle classiques exigent des modèles physiques précis et tiennent mal face aux incertitudes de modélisation et aux perturbations externes, tandis que les approches de reinforcement learning bout-en-bout souffrent traditionnellement d'une faible efficacité d'échantillonnage et de convergences instables. En hybridant modèle physique et apprentissage résiduel, l'équipe cherche à concilier la robustesse théorique du contrôle classique avec l'adaptabilité du RL, un enjeu direct pour les opérateurs de flottes de robots mobiles autonomes (AMR) en entrepôt ou en logistique, où l'hétérogénéité des plateformes (Ackermann versus omnidirectionnel) complique la coordination de formation. Cette publication s'inscrit dans une lignée de recherches visant à combiner physics-informed learning et RL pour dépasser les limites respectives des approches purement analytiques ou purement data-driven, une tendance déjà explorée pour la locomotion de robots humanoïdes et le contrôle de bras manipulateurs. Les auteurs annoncent des expériences d'ablation pour isoler la contribution de chaque module, mais les résultats à 100% de réussite, obtenus en simulation selon toute vraisemblance, restent à confirmer en conditions réelles avant tout déploiement industriel.

RecherchePaper

1 source

2arXiv cs.RO

D-VLC : collaboration vision-langage décentralisée pour systèmes multi-robots incarnés hétérogènes en environnements inconnus

Un article de recherche publié sur arXiv (arXiv:2607.29009v1) présente D-VLC (Decentralized Vision-Language Collaboration), un framework destiné aux essaims de robots hétérogènes évoluant dans des environnements inconnus, sans carte préétablie. Contrairement aux approches classiques qui s'appuient sur une prise de décision centralisée et synchronisée, D-VLC combine un raisonnement décentralisé et asynchrone, un partage d'informations léger entre robots, une collaboration tenant compte des capacités spécifiques de chaque plateforme, et une interface d'action unifiée. Le système permet à des modèles vision-langage (VLM) généralistes de générer des actions adaptées à chaque robot, exécutées ensuite par des modules experts sans apprentissage ni entraînement spécifique à la tâche ou au robot. Testé sur plusieurs scénarios et plusieurs VLM différents, le framework atteint des taux de réussite supérieurs à 70%, avec un temps d'exécution réduit jusqu'à 55,8% par rapport à une méthode de référence gloutonne géométrique. Ce travail s'attaque à une limite bien identifiée des systèmes multi-robots pilotés par LLM ou VLM: leur dépendance à des cartes connues et à une coordination centralisée, qui freine leur généralisation à des flottes hétérogènes et à des tâches inédites. En s'affranchissant de ces contraintes, D-VLC apporte un argument concret au débat sur la capacité des VLM à raisonner et coordonner sans entraînement dédié, un enjeu central pour la logistique, l'entreposage automatisé et les essaims industriels mêlant robots à roues, bras manipulateurs et drones. Le gain de temps de complétion suggère un passage à l'échelle plus réaliste que les démonstrations centralisées habituelles, même si les résultats restent issus d'expériences en environnement contrôlé et non d'un déploiement industriel. D-VLC s'inscrit dans la vague récente de recherches combinant grands modèles de langage et perception visuelle pour la robotique collaborative, après plusieurs générations d'approches à base de règles jugées trop rigides pour des instructions sémantiques complexes. Aucun acteur industriel n'est associé à cette publication à ce stade: il s'agit d'un travail académique, dont la prochaine étape logique serait une validation sur des flottes physiques réelles, hétérogènes, au delà des scénarios expérimentaux actuels.

RecherchePaper

1 source

3arXiv cs.RO

Fonctions de barrière de contrôle sur graphe conditionnées par les capacités pour une navigation sûre sans apprentissage préalable d'équipes hétérogènes de robots mobiles

Des chercheurs proposent CC-HGCBF (Capability-Conditioned Heterogeneous Graph Control Barrier Function), une méthode de contrôle sécurisé décentralisé pour des flottes de robots mobiles hétérogènes, décrite dans un preprint arXiv (2610.41214v1). Elle vise à permettre le transfert « zero-shot » vers des modèles de robots jamais vus à l'entraînement. Le cadre définit la sécurité dans un espace opérationnel commun, un point de référence du second ordre, ce qui donne une représentation géométrique partagée entre robots tout en conservant leur dynamique propre et leurs limites de commande admissibles. Sa pièce centrale est le Radial Capability Field (RCF), une représentation compacte, de dimension fixe, de l'ensemble des vitesses atteignables par chaque robot sur un horizon fini, selon son état. La barrière de sécurité partagée et la politique décentralisée sont conditionnées par ce champ, et non par une identité de robot prédéfinie. L'entraînement conjoint repose sur un étiquetage proactif de la sécurité et une supervision par CBF-QP neuronal. Les tests portent sur des équipes mixtes de modèles connus et inconnus, puis sur des robots physiques, sans réentraînement. L'enjeu est pratique pour les intégrateurs de flottes mixtes, par exemple des AMR différentiels, des plateformes omnidirectionnelles et des véhicules à cinématique contrainte, qui cohabitent dans un même entrepôt. Les méthodes GCBF existantes supposent souvent une dynamique homogène. Celles qui encodent la classe du robot distinguent les types connus, mais elles ne modélisent pas les capacités de mouvement qui dépendent de l'état et elles généralisent mal aux nouveaux modèles. Décrire un robot par ce qu'il peut faire à un instant donné, plutôt que par ce qu'il est, permettrait d'intégrer un nouveau modèle ou une variante aux limites de commande modifiées sans nouvelle phase d'entraînement ni requalification complète. Le résumé reste toutefois qualitatif, sans taux de collision, nombre de robots, vitesses ni comparaison chiffrée. L'ampleur des essais physiques (nombre de modèles, densité du trafic) n'est pas précisée, et les garanties de sécurité d'une barrière apprise restent empiriques, pas formelles. Ce travail prolonge la ligne GCBF, qui a fait de la sécurité multi-robot décentralisée un problème d'apprentissage sur graphe, avec des barrières neuronales apprises et des contrôleurs de type CBF-QP. Sa limite historique était l'hypothèse d'homogénéité. Les approches par identité de classe ou de modèle ont ensuite traité l'hétérogénéité, mais seulement sur des types vus à l'entraînement. Le preprint arrive à un moment où les flottes mixtes se banalisent en logistique et en industrie. Il s'agit d'une contribution de recherche, sans produit ni pilote annoncé. La suite logique serait une validation à plus grande échelle, avec davantage de robots, des environnements dynamiques et la prise en compte du bruit de perception, puis une comparaison avec les méthodes de planification et de coordination utilisées dans les gestionnaires de flotte industriels.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

4arXiv cs.RO

Un filtre de récupérabilité de secours tenant compte des capacités pour la navigation multi-robots hétérogènes

Des chercheurs proposent un filtre de sécurité baptisé CA-BRF (Capability-Aware Backup-Recoverability Filter), destiné à la navigation décentralisée d'équipes de robots hétérogènes. Le travail, publié sur arXiv (2610.41188), est validé en simulation avec jusqu'à 30 robots hétérogènes, puis en expérimentation avec des robots issus de cinq classes cinématiques différentes. Le principe consiste à ne laisser un robot exécuter une commande de navigation que si elle lui conserve l'accès à une manœuvre de récupération certifiée, c'est-à-dire un freinage ou un virage de secours qui maintient la sécurité par paires jusqu'à l'arrêt complet. Chaque manœuvre respecte les contraintes cinématiques et d'actionnement du robot concerné, ce qui rend le certificat dépendant de ses capacités réelles. Le problème visé est concret pour tout site mêlant AMR, chariots, manipulateurs mobiles ou humanoïdes. Les robots ne freinent ni ne tournent de la même façon, et un robot lourd peut avoir moins de marge de réaction qu'un voisin agile. Quand plusieurs interactions surviennent simultanément, une seule commande doit satisfaire plusieurs contraintes d'évitement de collision. Les contraintes locales deviennent alors incompatibles avec les commandes admissibles, et le contrôleur de sécurité décentralisé n'a plus d'action faisable. Les approches classiques par optimisation sous contraintes échouent précisément dans ce cas. Les auteurs affirment établir la faisabilité récursive et la sécurité du système en boucle fermée en temps discret, même lorsque l'optimisation nominale devient infaisable. Il s'agit d'une garantie formelle, sous les hypothèses du modèle, et non d'une preuve de robustesse en conditions industrielles. Pour les intégrateurs et les responsables d'exploitation, l'intérêt tient à la gestion de flottes mixtes sans coordination centrale, un point souvent traité par des règles de priorité ou des zones d'exclusion conservatrices qui coûtent en débit. Le filtre agit comme une couche de sécurité posée sur n'importe quel planificateur : il choisit des interpolations admissibles entre la commande candidate et l'action de secours, en conservant le plus possible de l'intention initiale, et coordonne ce choix entre toutes les interactions simultanées. Plusieurs réserves s'imposent. Les résultats restent académiques, sans donnée de débit, de latence de calcul ni de comparaison chiffrée détaillée dans le résumé. Le seuil de 30 robots est modeste face à des entrepôts de centaines d'unités, et les hypothèses sur la perception, la communication et les modèles dynamiques conditionnent la portée des garanties. Le travail s'inscrit dans la lignée des fonctions barrières de contrôle et des filtres de sécurité, déjà étudiés pour des robots homogènes, et rejoint les besoins des flottes multi-fournisseurs. Aucun calendrier de transfert industriel n'est annoncé.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source