Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
GATO : optimisation de trajectoire accélérée par GPU et par lots pour la commande prédictive par modèle embarquée et évolutive
RecherchearXiv cs.RO 

GATO : optimisation de trajectoire accélérée par GPU et par lots pour la commande prédictive par modèle embarquée et évolutive

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

Une équipe de chercheurs a publié sur arXiv (identifiant 2510.07625v2) GATO, un solveur open source conçu pour accélérer massivement les calculs de trajectoire en temps réel dans les systèmes de contrôle prédictif par modèle (MPC). Concrètement, GATO cible le régime de lots modérés, soit des dizaines à quelques centaines de problèmes d'optimisation de trajectoires non linéaires résolus simultanément à chaque cycle de contrôle. Les benchmarks sur simulateur affichent des gains de 18 à 21 fois par rapport aux solveurs CPU de référence, et de 1,4 à 16 fois par rapport aux approches GPU existantes selon la taille des lots. Le solveur a été validé sur matériel réel via un bras manipulateur industriel, ce qui dépasse le stade de la démonstration purement simulée.

Ce résultat comble un angle mort persistant dans l'écosystème MPC pour la robotique : les approches GPU actuelles parallélisent efficacement une seule résolution, ou traitent de très grands lots à des cadences sous temps réel, mais aucune ne couvre bien le régime intermédiaire où opèrent de nombreuses applications avancées, notamment la planification de mouvement pour bras industriels, la locomotion d'humanoïdes ou la navigation d'AMR en environnement dynamique. GATO co-conçoit l'algorithme, le logiciel et l'architecture matérielle en exploitant le parallélisme à trois niveaux : bloc, warp et thread CUDA. Les études de cas montrent une meilleure rejection des perturbations et une convergence accélérée, deux métriques directement pertinentes pour les intégrateurs industriels et les équipes de contrôle embarqué.

Le MPC est un standard de facto en robotique et en contrôle de procédés, mais son coût computationnel a longtemps limité son usage aux systèmes à dynamique lente ou aux architectures avec CPU puissants dédiés. Les GPU embarqués, désormais présents sur les plateformes robotiques modernes (Jetson, Orin), rendent ce type de co-design pertinent pour le déploiement edge. Aucun acteur industriel nommé n'est associé à ce travail, qui reste pour l'instant une contribution académique ouverte, sans annonce de commercialisation ni partenariat industriel déclaré. La mise à disposition en open source vise à favoriser la reproductibilité et l'adoption par les équipes de recherche et développement, avec un potentiel d'intégration dans des frameworks MPC existants comme Crocoddyl ou ALTRO.

Impact France/UE

Crocoddyl, l'un des frameworks MPC cibles d'intégration mentionnés, est développé au LAAS-CNRS (Toulouse, France), ce qui rend GATO directement pertinent pour les équipes de recherche françaises en contrôle de robots.

Dans nos dossiers

arXiv cs.RO

À lire aussi

cuNRTO : optimisation de trajectoires robustes non linéaires accélérée par GPU
1arXiv cs.RO 

cuNRTO : optimisation de trajectoires robustes non linéaires accélérée par GPU

Des chercheurs ont mis en ligne sur arXiv (réf. 2603.02642v2) cuNRTO (CUDA Nonlinear Robust Trajectory Optimization), un framework GPU pour l'optimisation de trajectoire robuste sous incertitude bornée. Ces problèmes mènent typiquement à des contraintes de programmation conique du second ordre (SOCP), dont la résolution est très coûteuse sur CPU. Les auteurs proposent deux architectures : NRTO-DR, basée sur le splitting de Douglas-Rachford pour paralléliser les projections SOCP et les résolutions directes creuses, et NRTO-FullADMM, une variante inédite exploitant l'ADMM (Alternating Direction Method of Multipliers) pour améliorer la scalabilité en tirant parti de la structure du problème. L'implémentation repose sur des kernels CUDA personnalisés pour les projections SOC et des chaînes cuBLAS GEMM pour les mises à jour des gains de retour d'état. Testées en simulation sur un modèle unicycle, un quadrirotor et le bras manipulateur Franka Emika, les deux architectures atteignent des accélérations allant jusqu'à 139,6x par rapport aux solveurs CPU de référence. L'enjeu est concret pour les équipes robotique et les intégrateurs : l'optimisation de trajectoire robuste en temps réel reste aujourd'hui hors de portée des architectures CPU pour la plupart des applications embarquées, les solveurs classiques étant cantonnés à une planification hors ligne ou à très basse fréquence. Un gain de 139,6x ouvre la voie à une réplanification en boucle fermée sur des manipulateurs industriels et des drones opérant sous incertitudes réelles (charges variables, perturbations mécaniques). Nuance importante : l'ensemble des benchmarks est produit en simulation. Le gap sim-to-real sur GPU embarqués, où la latence mémoire et la bande passante sont significativement plus contraintes que sur un serveur de calcul, reste entièrement à valider avant tout déploiement opérationnel. Ce travail s'inscrit dans la continuité des efforts d'accélération GPU pour le contrôle optimal, dont cuRobo (NVIDIA) et les variantes GPU de l'MPPI sont les exemples les plus connus. L'optimisation robuste avec contraintes SOCP reste un angle peu couvert par ces frameworks, les formulations quadratiques classiques étant structurellement plus simples à paralléliser. Le papier est un preprint arXiv en version v2, pas encore évalué par une conférence de référence comme ICRA, IROS ou RSS. Le code sera rendu public via cunrto.github.io, ce qui permettra des comparaisons indépendantes. La prochaine étape logique serait une validation hardware sur GPU embarqués de type NVIDIA Jetson Orin, représentatifs du déploiement cible en robotique autonome.

RecherchePaper
1 source
TurboMPC : commande prédictive par modèle rapide, évolutive et différentiable sur GPU
2arXiv cs.RO 

TurboMPC : commande prédictive par modèle rapide, évolutive et différentiable sur GPU

Le Toyota Research Institute (TRI) a publié le 24 juin 2026 TurboMPC, un solveur MPC (commande prédictive par modèle) différentiable fonctionnant entièrement sur GPU. Implémenté en JAX-CUDA, il combine programmation quadratique séquentielle (SQP), solveur interne ADMM et différentiation implicite, tout en supportant contraintes d'inégalité sur états et contrôles, intégrateurs implicites, coûts couplés temporellement et variables de slack. Les gains de performance atteignent jusqu'à 15x par rapport aux solveurs CPU différentiables de référence et jusqu'à 58x face aux meilleurs solveurs GPU existants. Validé en simulation sur planification contrainte, imitation learning pour humanoïde et apprentissage par renforcement à fonction de coût neuronale, TurboMPC a également été testé sur un véhicule réel en conduite à temps minimal. L'optimisation bayésienne des paramètres MPC, rendue possible par le traitement par lots sur GPU, y produit des vitesses nettement supérieures au réglage manuel. Le solveur tient jusqu'à 8 000 points de trajectoire sans perdre le contrôle du véhicule. Le code est mis en open source sur GitHub (ToyotaResearchInstitute/turbompc). L'apport central est la réconciliation entre pipelines GPU d'apprentissage profond et solveurs MPC traditionnellement CPU-centric, une friction qui forçait des transferts mémoire coûteux et une hétérogénéité matérielle pénalisante en production. En restant entièrement sur GPU et en étant différentiable de bout en bout, TurboMPC s'intègre directement dans des boucles d'entraînement par gradient, ce qui valide à grande échelle l'hypothèse des "differentiable MPC" longtemps discutée dans la littérature. La démonstration sur imitation learning humanoïde est particulièrement significative: elle montre que des formulations MPC expressives peuvent rivaliser avec les approches purement apprises pour des robots à haute dimensionnalité, sans abandonner les garanties de planification. TRI, branche recherche de Toyota dédiée à la robotique et aux véhicules autonomes, publie face à des alternatives établies comme Crocoddyl du LAAS-CNRS (Toulouse, France), ALTRO (Stanford/CMU) et Theseus (Meta AI), tous majoritairement CPU-centric ou partiellement GPU. La présence de Crocoddyl dans ce paysage concurrentiel donne une visibilité directe au laboratoire toulousain, dont les travaux seront mis en compétition par ces nouveaux benchmarks. La mise en open source facilite l'intégration dans des simulateurs parallèles comme Isaac Lab ou Genesis. Les prochaines étapes probables incluent des évaluations sur plateformes humanoïdes réelles et une adoption dans des pipelines robotiques industriels.

UELe LAAS-CNRS (Toulouse) voit son solveur Crocoddyl directement mis en compétition par TurboMPC sur les benchmarks GPU, ce qui expose la recherche française en commande prédictive robotique à une comparaison défavorable sur les critères de performance.

RecherchePaper
1 source
VIGOR-MPC : commande prédictive par modèle à régulation d'objectifs guidée par la vision
3arXiv cs.RO 

VIGOR-MPC : commande prédictive par modèle à régulation d'objectifs guidée par la vision

VIGOR-MPC est un cadre de commande publié sur arXiv (2610.20333) qui s'attaque à un problème classique de la robotique mobile: piloter un agent dont la seule perception de l'environnement vient de caméras embarquées. Les auteurs proposent une architecture modulaire de type élève-enseignant, indépendante du pipeline de perception. L'enseignant est un MPC (commande prédictive par modèle) à long horizon, exécuté en simulation avec connaissance complète de l'état. Il intègre la contrainte de champ de vision grâce à une formulation multi-trajectoires qui garantit que l'agent reste dans son champ de vision. L'élève est un MPC à horizon court, dont les paramètres de coût sont déterminés en ligne à partir de la vision par une application récurrente multi-niveaux. Il ne voit que le contexte bruité, de longueur variable et partiellement occulté fourni par le module de perception. Les tests portent sur la course autonome basée sur la vision, en simulation puis sur matériel. Sur des circuits jamais vus à l'entraînement, la méthode s'approche des temps au tour de l'enseignant privilégié tout en réduisant le calcul par pas de plus de 90 %. L'intérêt tient à un goulot d'étranglement très concret: sur un robot réel, la puissance de calcul embarquée est partagée entre perception et commande, ce qui limite l'horizon de planification exécutable en temps réel. Au lieu de remplacer le MPC par une politique apprise de bout en bout, difficile à certifier, VIGOR-MPC conserve un optimiseur classique et n'apprend que ses paramètres de coût. Cette approche garde une structure interprétable et des contraintes explicites, ce qui compte pour les intégrateurs qui doivent justifier le comportement d'un système. La réduction de plus de 90 % du calcul laisse de la marge pour d'autres tâches sur le même processeur. Il faut toutefois relativiser: la validation se limite à la course, un cadre où la piste est structurée, et l'abstract ne donne ni vitesses, ni plateforme matérielle, ni écart chiffré avec l'enseignant. La formule « s'approche des temps au tour » reste donc qualitative. Le travail est une preuve de concept académique, sans produit ni déploiement industriel. Le travail s'inscrit dans la lignée des méthodes qui distillent un expert privilégié, entraîné avec information complète en simulation, vers une politique n'utilisant que des capteurs embarqués. Cette stratégie est déjà courante en locomotion et en vol de drones de course. L'originalité ici est de distiller vers les paramètres d'un MPC plutôt que vers des commandes directes. Les concurrents conceptuels sont les politiques de bout en bout par apprentissage par renforcement et les MPC à long horizon alimentés par une cartographie explicite, plus coûteux en calcul. Les suites naturelles seraient des tests sur des tâches de navigation hors course, comme des environnements encombrés ou des robots mobiles d'entrepôt, et des campagnes de mesures plus détaillées sur matériel. L'article n'annonce aucun calendrier.

UEPas d\'impact direct sur la France/UE

RecherchePaper
1 source
TRACE : optimisation ergodique de trajectoire pour la reconstruction active de scène
4arXiv cs.RO 

TRACE : optimisation ergodique de trajectoire pour la reconstruction active de scène

Des chercheurs du Spike Lab de l'université Johns Hopkins publient sur arXiv (arXiv:2608.02304v1) TRACE, un système de planification de trajectoire pour la reconstruction active de scènes en 3D par Gaussian splatting. Le constat de départ : les systèmes existants sélectionnent leur prochaine vue caméra au coup par coup, selon le principe du « next-best-view » (NBV), puis relient chaque vue choisie par une planification de chemin à courte portée. Cette approche ignore la structure globale de l'information disponible sur la scène et produit des trajectoires inefficaces, où le capteur perd du temps de déplacement entre les points de vue retenus. TRACE reformule le problème comme une couverture ergodique : la statistique spatiale moyennée dans le temps de la trajectoire du capteur doit correspondre à une distribution cible d'information, calculée en continu à partir de l'incertitude et de la visibilité de la carte en cours de construction. Le calcul des trajectoires repose sur un planificateur à horizon dit « kernel-ergodique », combinant flux de gradient et déplétion d'empreinte, ce qui boucle directement cartographie et optimisation de trajectoire. Sur le jeu de données Replica, TRACE améliore le PSNR de 1,5 dB par rapport aux méthodes NBV de référence ; le code est publié sur GitHub (spikelab-jhu/trace-active-reconstruction). Ce résultat s'attaque à un angle mort classique de la cartographie active en robotique : la plupart des pipelines (drones d'inspection, robots mobiles équipés de caméras, capture pour jumeaux numériques) traitent la sélection de vue et la planification de chemin comme deux problèmes séparés résolus l'un après l'autre, ce qui sacrifie l'efficacité globale de la mission à des décisions locales optimales à chaque étape. En unifiant les deux dans un seul problème de couverture ergodique, TRACE ouvre une piste pour réduire le temps de vol ou de déplacement nécessaire pour atteindre une qualité de reconstruction donnée, un paramètre critique pour l'autonomie énergétique d'un drone ou le temps d'immobilisation d'un site industriel en cours de numérisation. Le gain de 1,5 dB reste toutefois mesuré sur un seul jeu de données (Replica, surtout des scènes intérieures synthétiques) face à un nombre limité de baselines NBV : la généralisation à des environnements réels, bruités et à grande échelle n'est pas encore démontrée. Le travail s'inscrit dans la lignée des méthodes de prochaine meilleure vue, d'abord développées pour la cartographie robotique puis adaptées aux représentations neuronales de scène, NeRF d'abord, Gaussian splatting depuis 2023, qui ont remis le placement de caméra au centre du problème puisque la qualité de reconstruction dépend directement de la couverture obtenue. L'approche ergodique elle-même n'est pas neuve en robotique, elle a déjà servi à la recherche et à la surveillance distribuée, mais son couplage direct avec une carte Gaussian-splatting incertaine constitue l'apport revendiqué ici. Publié comme un article de recherche pur, sans annonce produit ni partenaire industriel cité, TRACE appelle désormais des tests sur robots réels et des comparaisons avec d'autres planificateurs actifs récents ; le code ouvert sur GitHub devrait faciliter une réplication rapide par la communauté.

RecherchePaper
1 source