Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
Génération de code et contraintes coniques pour la commande prédictive sur microcontrôleurs avec Conic-TinyMPC
RecherchearXiv cs.RO 

Génération de code et contraintes coniques pour la commande prédictive sur microcontrôleurs avec Conic-TinyMPC

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

Une équipe de chercheurs a publié Conic-TinyMPC, une extension du solveur embarqué TinyMPC qui ajoute le support des contraintes coniques du second ordre (SOCP) et la génération automatique de code C++ depuis Python, MATLAB et Julia. Sur microcontrôleurs à ressources limitées, le solveur atteint un gain de vitesse de 10,6x à 142,7x par rapport aux meilleurs solveurs embarqués existants sur des problèmes QP et SOCP, soit jusqu'à deux ordres de grandeur, tout en autorisant des problèmes un ordre de grandeur plus grands en mémoire. La validation matérielle a été conduite sur un quadrirotor Crazyflie de 27 grammes, en suivi de trajectoire avec des contraintes coniques actives sur le système réel, et le code est disponible en open source sur tinympc.org.

Ces résultats changent concrètement l'équation du déploiement du MPC sur matériel embarqué. Le contrôle prédictif de modèle (MPC) est la méthode de référence pour les systèmes robotiques sous contraintes, mais son exécution en temps réel reste difficile sur des microcontrôleurs à faible coût et faible consommation. Les contraintes coniques, plus expressives que les alternatives linéaires, alourdissent encore le calcul, rendant leur usage sur matériel léger quasi impraticable avec les solveurs actuels. Conic-TinyMPC contourne ce problème en exploitant une structure ADMM (Alternating Direction Method of Multipliers) avec des matrices mises en cache, réduisant drastiquement le coût de calcul à l'exécution. La génération de code automatique depuis Python, MATLAB ou Julia réduit également la friction d'intégration, rendant l'outil accessible à des équipes industrielles sans expertise poussée en optimisation convexe.

TinyMPC est né de travaux visant à porter des solveurs MPC rapides sur des plateformes embarquées contraintes, avec une première démonstration sur Crazyflie ayant établi la viabilité de l'approche sur des robots ultra-légers. Conic-TinyMPC en est l'évolution directe, intégrant les cônes du second ordre à un noyau déjà optimisé et se positionnant face à des solveurs comme OSQP, ECOS ou ACADOS, qui peinent à tenir dans les enveloppes mémoire et temporelles des microcontrôleurs bas de gamme. Les prochaines étapes naturelles consisteront à valider l'approche sur des systèmes plus complexes, bras manipulateurs ou robots bipèdes, où les contraintes coniques modélisent des cônes de friction ou des enveloppes de sécurité formelles.

À lire aussi

Au-delà de la prédiction du futur : le débruitage comme adaptation générative pour le contrôle des robots
1arXiv cs.RO 

Au-delà de la prédiction du futur : le débruitage comme adaptation générative pour le contrôle des robots

Des chercheurs publient sur arXiv (arXiv:2609.28339v1) une méthode baptisée NowWAM pour entraîner des politiques de contrôle robotique à partir de Diffusion Transformers (DiT) pré-entraînés sur de la génération d'images et de vidéos. Plutôt que de prédire des images futures pour transférer ce prior génératif vers le contrôle, comme le font la plupart des approches existantes, NowWAM débruite l'observation courante et prédit les actions du robot à partir du même flux visuel, sans cible visuelle future séparée. Sur le benchmark de simulation LIBERO-Plus, avec un backbone FLUX2-Klein, la méthode atteint 87,7 % de réussite, soit 6,1 points de plus qu'une base entraînée avec prédiction du futur, tout en divisant par deux le nombre de tokens visuels d'entraînement (784 à 392) et en réduisant le temps par étape de 2,85 à 1,63 seconde, un gain de vitesse de 1,8x. Avec un backbone texte-vers-image pur, Z-Image, sans capacité de génération vidéo ni d'édition d'image, NowWAM atteint 87,8 %. Le résultat central du papier est que restreindre l'entraînement au seul point d'arrivée débruité dégrade nettement la robustesse, alors que remplacer la cible future par la cible présente ne change quasiment rien aux performances. Cela suggère que ce n'est pas la prédiction du futur en tant que telle qui rend utile le prior génératif des DiT pour le contrôle, mais la trajectoire de débruitage elle-même, utilisée comme interface d'apprentissage. Pour le secteur des politiques robotiques de type VLA (vision-language-action), bâties sur des bases génératives comparables à celles derrière Pi-0 ou GR00T N2, ce travail remet en cause l'hypothèse répandue selon laquelle un module de prédiction vidéo du futur serait nécessaire pour exploiter un prior génératif. Il ouvre aussi une piste d'efficacité concrète: moitié moins de tokens visuels et un temps de calcul par étape quasi divisé par deux, un enjeu direct pour le contrôle temps réel embarqué. Ce travail s'inscrit dans la tendance à construire des politiques de contrôle sur des DiT pré-entraînés à grande échelle, une lignée qui inclut des modèles comme Pi-0 de Physical Intelligence ou GR00T N2 de NVIDIA, généralement adaptés via prédiction visuelle du futur. NowWAM se positionne comme une alternative de co-entraînement plus économe, comparée sous conditions contrôlées à une base "future prédiction" sur LIBERO-Plus, un environnement de simulation standard pour la manipulation, et non un déploiement sur robot réel. Les auteurs montrent que l'adaptation au contrôle ne dépend pas d'un backbone spécialisé en vidéo ou en édition d'image, élargissant les bases génératives exploitables en robotique. Publié en preprint, l'article ne mentionne aucun déploiement industriel ni partenariat commercial; ses conclusions restent à confirmer au-delà du benchmark simulé.

RechercheActu
1 source
D-SafeMPC : commande prédictive sûre par diffusion avec fonctions barrières de contrôle en temps discret
2arXiv cs.RO 

D-SafeMPC : commande prédictive sûre par diffusion avec fonctions barrières de contrôle en temps discret

Traduction et résumé en cours pour cet article de recherche sur D-SafeMPC. Des chercheurs présentent D-SafeMPC, une méthode qui combine modèles de diffusion et commande prédictive (MPC) pour générer des trajectoires robotiques à la fois sûres et faisables physiquement. Le problème de départ est connu : les modèles de diffusion, très utilisés en planification de mouvement, ne garantissent intrinsèquement ni la sécurité ni le respect des contraintes dynamiques, ce qui produit parfois des trajectoires irréalisables. Coupler diffusion et MPC existait déjà, mais l'approche restait instable, car une mauvaise initialisation de trajectoire par le modèle de diffusion empêchait le MPC de converger vers une solution correcte. D-SafeMPC guide le processus de diffusion inverse à l'aide de fonctions barrières de contrôle (CBF) et de fonctions de Lyapunov de contrôle (CLF), avec un schéma de projection itératif où le MPC affine la trajectoire à chaque étape de débruitage. Les tests ont porté sur un bras manipulateur Franka, en simulation sur quatre scénarios (un obstacle statique, trois configurations à obstacles dynamiques), puis en conditions réelles sur un robot Franka physique via une expérience de transfert sim-to-real. Le code source et les configurations expérimentales sont publiés sur GitHub (erdiphd/D-SafeMPC). L'intérêt de ces travaux dépasse le cas d'usage du bras manipulateur : ils s'attaquent directement à un point de friction connu entre planification générative et robotique déployable. Les modèles de diffusion produisent des trajectoires plausibles statistiquement, mais rien ne garantit qu'elles respectent les contraintes physiques d'un robot réel ou évitent des obstacles mobiles, un écart classique entre démonstration et fiabilité opérationnelle. En stabilisant l'interaction diffusion-MPC dès la phase de débruitage plutôt qu'en post-traitement, D-SafeMPC vise à fournir des points de démarrage fiables ("warm starts") au contrôleur, ce qui améliore selon les auteurs le taux de succès des tâches et l'efficacité de planification par rapport aux méthodes de référence de l'état de l'art. Pour les équipes travaillant sur la manipulation en environnement partagé avec des humains ou des obstacles mobiles, c'est un signal que les architectures hybrides génératif-contrôle progressent sur la sécurité formelle, un enjeu central pour toute certification industrielle. Ce travail s'inscrit dans une lignée de recherches cherchant à réconcilier planification par apprentissage profond et garanties de sécurité issues du contrôle classique, un axe actif depuis l'essor des politiques de diffusion en robotique (type Diffusion Policy). Les CBF et CLF sont des outils établis en commande sûre, mais leur intégration fine dans une boucle de diffusion itérative reste un domaine ouvert. La validation sim-to-real sur Franka, bras couramment utilisé en recherche académique, reste un test de complexité modérée comparé à des déploiements industriels ou humanoïdes ; la suite logique serait une extension à des plateformes à plus haute dimensionnalité ou à des tâches multi-obstacles plus denses.

RecherchePaper
1 source
ConFlow : apprentissage guidé par contraintes avec appariement de flux pour la génération de mouvement
3arXiv cs.RO 

ConFlow : apprentissage guidé par contraintes avec appariement de flux pour la génération de mouvement

ConFlow, un nouveau framework de génération de mouvement robotique par flow matching intégrant des contraintes dès l'entraînement, a été publié sur arXiv (2607.14424v1). Le flow matching est une méthode de modélisation générative reposant sur un échantillonneur neuronal basé sur des équations différentielles ordinaires (ODE), entraîné en régressant les champs de flux empiriques associés aux trajectoires observées. Le problème que ConFlow cherche à résoudre est simple à énoncer : la plupart des approches actuelles entraînent le modèle de flux sur des données brutes, puis appliquent des contraintes propres à la tâche uniquement au moment de l'inférence, via un guidage externe. Les auteurs proposent à la place d'injecter directement l'information de contrainte dans l'objectif d'entraînement, sous forme de fonctions de barrière ou de coût différentiables. Autre nouveauté technique : la distribution source gaussienne standard du flow matching est remplacée par un processus gaussien conditionnel, ce qui permet d'imposer des spécifications de conception comme la régularité ou les conditions aux limites. Le système exploite aussi des démonstrations infaisables comme supervision négative, sans nécessiter de données expertes supplémentaires. Sur une tâche de navigation impliquant deux robots, ConFlow affiche un taux de collision plus faible et une meilleure qualité de trajectoire que les baselines de flow matching standard, avec ou sans guidage à l'inférence. L'enjeu dépasse la simple performance chiffrée : ce travail questionne une hypothèse répandue dans la génération de mouvement par apprentissage, à savoir que le guidage à l'inférence suffit à faire respecter des contraintes physiques ou de sécurité à un modèle entraîné sans elles. En démontrant qu'intégrer les contraintes pendant l'entraînement referme l'écart entre entraînement et inférence, ConFlow apporte un argument concret pour les équipes qui développent des politiques de mouvement destinées à des robots opérant sous contraintes strictes (évitement de collision, limites articulaires, zones interdites), un enjeu central pour tout déploiement industriel ou multi-robot. Le flow matching s'est imposé ces dernières années comme alternative aux modèles de diffusion pour la génération de trajectoires robotiques, dans la même famille de méthodes que les architectures vision-langage-action (VLA) comme Pi-0 ou GR00T N2, qui reposent elles aussi sur des politiques génératives entraînées sur démonstrations. ConFlow se positionne comme une brique méthodologique complémentaire à ces systèmes plutôt qu'un produit concurrent : la validation reste pour l'instant limitée à un scénario de navigation à deux robots, sans indication d'extension à des tâches de manipulation plus complexes ou à un déploiement matériel réel.

RecherchePaper
1 source
DR-MPC : commande prédictive rapide et réalisable à dynamique relâchée pour la locomotion des robots à pattes
4arXiv cs.RO 

DR-MPC : commande prédictive rapide et réalisable à dynamique relâchée pour la locomotion des robots à pattes

Des chercheurs ont publié le 18 septembre 2026 sur arXiv (arXiv:2609.20035v1) un article présentant DR-MPC (dynamics-relaxed model prédictive control), une nouvelle formulation de commande prédictive pour la locomotion des robots à pattes, accompagnée d'un solveur de points intérieurs (IPM) conçu sur mesure. La méthode déplace les contraintes d'égalité de dynamique et les contraintes d'entrée affines dans des pénalités quadratiques, ne conservant que les contraintes de type boîte non vides, ce qui garantit la faisabilité de l'optimisation par construction. Le programme quadratique résultant présente une matrice hessienne en forme de bloc-flèche, permettant d'éliminer les directions d'état et de sortie affine via un complément de Schur ; le solveur ne factorise que le système de commande réduit, après élimination des forces de contact aux pattes en appui et un séquencement des mouvements aligné sur les contacts. Sur les implémentations testées avec la même formulation DR-MPC, la méthode affiche une accélération médiane de bout en bout de 16,0 fois par rapport au solveur HPIPM et de 4,4 fois par rapport à OSQP, pour des performances de locomotion comparables en simulation. Le temps de cycle médian embarqué atteint 4,4 millisecondes, validé sur un quadrupède Unitree Go1. Le code doit être publié en open source après parution de l'article. Pour l'industrie des robots à pattes, la vitesse d'exécution de la commande prédictive embarquée reste un goulot d'étranglement direct : un cycle de 4,4 ms permet des fréquences de contrôle plus élevées, des allures plus dynamiques et potentiellement du calcul embarqué moins coûteux. La comparaison n'est pas faite contre une démonstration marketing mais contre deux solveurs déjà largement utilisés dans la communauté robotique, HPIPM et OSQP, ce qui donne à ce gain de vitesse une valeur d'ingénierie concrète plutôt qu'une simple annonce. La validation reste toutefois limitée à la simulation et à un seul quadrupède de recherche, sans généralisation démontrée à des plateformes plus lourdes ni à des humanoïdes. Le travail s'inscrit dans la lignée des recherches en commande prédictive pour la locomotion à pattes, domaine où HPIPM et OSQP servent de références académiques établies depuis plusieurs années. Aucune entreprise n'est associée à cette publication, qui reste un travail de recherche académique sans calendrier de commercialisation annoncé. Le choix du Unitree Go1, plateforme quadrupède abordable très répandue en laboratoire, facilite la reproductibilité mais limite la portée immédiate des résultats à ce segment de robots légers.

RecherchePaper
1 source