RecherchearXiv cs.RO 11 mai 2026

DynaRetarget : un retargeting dynamiquement réalisable par optimisation de trajectoire par échantillonnage

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs ont publié en février 2026 sur arXiv (2602.06827v2) une méthode baptisée DynaRetarget, un pipeline complet visant à adapter automatiquement des mouvements humains en politiques de contrôle exécutables par des robots humanoïdes. Le coeur du système est un cadre d'optimisation de trajectoire par échantillonnage (Sampling-Based Trajectory Optimization, SBTO) qui transforme des trajectoires cinématiques imparfaites en mouvements dynamiquement faisables. La particularité technique de SBTO réside dans l'avancement incrémental de l'horizon d'optimisation, ce qui permet de traiter des tâches longues sans exploser en complexité computationnelle. Les auteurs rapportent avoir validé l'approche sur des centaines de démonstrations impliquant des interactions humanoïde-objet, avec des taux de succès supérieurs à l'état de l'art. Le pipeline se montre également capable de généraliser à des objets aux propriétés variables (masse, taille, géométrie) sans nécessiter de réentraînement spécifique. L'article ne fournit pas de métriques chiffrées dans son résumé (cycles de temps, charges utiles, DOF exploités) : les détails quantitatifs sont réservés au corps du papier.

L'enjeu industriel est direct : collecter des données de loco-manipulation en conditions réelles reste le bottleneck principal pour entraîner les politiques d'imitation learning ou les modèles VLA (Vision-Language-Action) sur des humanoïdes. En permettant de générer des datasets synthétiques à grande échelle à partir de démonstrations humaines retargetées, DynaRetarget contourne partiellement la contrainte de la télé-opération coûteuse et de la capture de mouvement sur robot physique. La capacité à maintenir la faisabilité dynamique (et pas seulement cinématique) est un progrès concret : un humanoïde physique peut tomber ou violer ses limites d'actionneurs si la trajectoire n'est pas dynamiquement cohérente, un problème que les approches purement cinématiques ignorent.

Le retargeting de mouvement humain vers robot humanoïde est un champ de recherche actif depuis une décennie, mais l'accélération actuelle est portée par la course aux données pour entraîner des politiques généralisables. Physical Intelligence (Pi-0), NVIDIA (GR00T N2) et Google DeepMind investissent massivement dans des méthodes de génération de données synthétiques et de sim-to-real. DynaRetarget s'inscrit dans cette dynamique en proposant une brique d'infrastructure, sans acteur commercial spécifique identifié dans le papier : c'est une contribution académique, probablement destinée à alimenter des pipelines d'entraînement amont plutôt qu'un produit déployable en l'état. Aucun partenariat industriel ni timeline de déploiement n'est annoncé.

Dans nos dossiers

NVIDIA GR00T Physical Intelligence — π0 arXiv cs.RO

À lire aussi

1arXiv cs.RO

LIPP : planification de trajectoire informative sensible à la charge, par échantillonnage physique

Une équipe de recherche en robotique présente LIPP (Load-aware Informative Path Planning), une nouvelle formulation de la planification de trajectoire informative pour les robots qui collectent des échantillons physiques plutôt que de simples mesures numériques comme des images ou des relevés de radiation. Le problème identifié est concret : dans les formulations classiques (C-IPP), le coût de déplacement d'un robot reste constant peu importe quand une mesure est prise, ce qui convient aux capteurs numériques mais ignore un phénomène physique réel pour les missions de prélèvement d'échantillons, où chaque échantillon collecté ajoute de la masse et alourdit le coût énergétique de tous les déplacements suivants. Les chercheurs modélisent LIPP comme un programme quadratique en nombres mixtes entiers (MIQP) qui optimise simultanément l'emplacement des visites, leur ordre, et le nombre d'échantillons prélevés à chaque site, sous une contrainte de budget énergétique. Ils démontrent aussi des bornes théoriques sur l'allongement de trajectoire de LIPP par rapport à C-IPP, et valident l'approche sur 2 000 scénarios de mission simulés. Pour les concepteurs de robots mobiles autonomes, notamment dans les missions d'exploration planétaire, de surveillance environnementale ou de prélèvement géologique, ce travail répond à une lacune pratique : ignorer le couplage entre gain d'information et coût de charge produit des plans efficaces en distance mais sous-optimaux en énergie, ce qui se traduit concrètement par moins d'échantillons collectés que ce que le budget énergétique permettrait. Les simulations montrent que l'avantage de LIPP sur les approches classiques augmente à mesure que la masse des échantillons croît, ce qui en fait un candidat pertinent pour les rovers ou drones dont la charge utile évolue significativement pendant la mission. LIPP se positionne comme une généralisation stricte du C-IPP, ce dernier étant retrouvé comme cas particulier lorsque la masse des échantillons est nulle, ce qui garantit une compatibilité avec les formulations existantes de planification de trajectoire informative. L'article, publié sur arXiv, s'inscrit dans un courant de recherche en robotique de terrain cherchant à mieux modéliser les contraintes physiques réelles des missions de collecte, un axe distinct des approches purement perceptuelles dominantes dans la littérature IPP.

RecherchePaper

1 source

2arXiv cs.RO

Optimisation de trajectoire dynamiquement cohérente pour robots à pattes via décomposition des points de contact

Une équipe de recherche publie sur arXiv (référence 2510.24069, version 2, qui remplace une soumission antérieure) un article intitulé "Dynamically-Consistent Trajectory Optimization for Legged Robots via Contact Point Decomposition". La méthode proposée est une optimisation de trajectoire par phases qui garantit, sur l'ensemble du mouvement, la faisabilité de la dynamique de translation ainsi que le respect des contraintes de cône de friction. Elle exploite les propriétés de superposition des équations différentielles linéaires pour découpler la dynamique de translation de chaque point de contact, chacun suivant sa propre séquence de phases d'appui et de vol. Les auteurs utilisent ensuite la matrice de différentiation des polynômes de Bézier pour établir une relation analytique directe entre position du robot et forces appliquées, puis la propriété d'enveloppe convexe de ces mêmes polynômes pour contraindre le frottement tout au long de la trajectoire. Le framework est validé sur un modèle de robot quadrupède, avec code source et matériel complémentaire publiés sur une page de projet dédiée. Pour la robotique à pattes, ce travail s'attaque à un goulot d'étranglement connu : calculer simultanément la séquence de contacts et une trajectoire dynamiquement valide est coûteux en calcul, et de nombreux optimiseurs existants ne vérifient la dynamique qu'en des instants discrets, laissant passer des violations entre ces points. En assurant une satisfaction continue et analytique des contraintes plutôt qu'une approximation par échantillonnage, l'approche vise des trajectoires plus fiables sur des allures variées (marche, trot, saut) sans recalcul correctif coûteux après coup. Pour des intégrateurs travaillant sur des plateformes quadrupèdes du type Spot, Unitree ou ANYmal, ce genre de méthode pourrait alimenter des planificateurs embarqués plus robustes. Il s'agit toutefois d'un résultat académique validé en simulation sur un seul modèle de robot, pas d'un produit commercial ni d'un déploiement de terrain. Cette contribution s'inscrit dans la lignée des recherches sur l'optimisation de trajectoire à contacts implicites et le contrôle prédictif corps entier pour robots légers, un domaine où dominent depuis plusieurs années des méthodes fondées sur la programmation quadratique séquentielle ou l'intégration numérique directe, qui peinent à garantir la cohérence dynamique entre les points d'échantillonnage. La publication d'une version 2 sur arXiv signale une révision après une première soumission, probablement liée à un processus d'évaluation par les pairs. Aucun partenariat industriel, calendrier de pilote ou passage au matériel réel n'est mentionné à ce stade : les auteurs renvoient uniquement vers leur page de projet et le code source pour toute reproduction ou prolongement des résultats.

RecherchePaper

1 source

3arXiv cs.RO

Planification de trajectoire cinodynamique quasi optimale par grille, itérée rapidement

Une équipe de recherche a mis au point le RDG (Rapidly-iterating kinoDynamic Grid), un nouvel algorithme de planification de mouvement kinodynamique, décrit dans un preprint publié le 22 septembre 2026 sur arXiv (arXiv:2609.22733v1). Contrairement aux méthodes classiques de recherche du plus proche voisin, RDG s'appuie sur une décomposition en grille de l'espace des états pour sélectionner les nœuds, propager la dynamique et réviser le graphe de trajectoires en temps constant, indépendamment du nombre de nœuds dans l'arbre. Les auteurs démontrent, via une preuve d'induction par séquence de boules couvrantes, que l'algorithme est asymptotiquement quasi optimal et probabilistiquement complet. Testé en simulation sur des environnements complexes allant jusqu'à 10 degrés de liberté (DOF), RDG améliore la qualité moyenne des solutions finales de 104% par rapport à SST (Stable Sparse RRT) et de 40% par rapport à DIRT, deux algorithmes de référence pour la planification kinodynamique éparse avec garanties d'optimalité. Il maintient également un taux de réussite de 100%, y compris sur le cas de test à 10 DOF où SST et DIRT échouent partiellement. Ce résultat concerne un problème central pour toute la robotique mobile et manipulatrice : planifier des trajectoires qui respectent non seulement les contraintes géométriques (éviter les obstacles) mais aussi les contraintes physiques du système (vitesse, accélération, couple, inertie), typiques des bras robotiques industriels, des drones ou des véhicules autonomes à haute dimensionnalité. Un gain de convergence plus rapide vers des trajectoires de meilleure qualité, à complexité constante par nœud, intéresse directement les intégrateurs qui doivent faire tourner ces calculs en temps réel, sur des systèmes embarqués aux ressources limitées. Il s'agit toutefois d'un travail académique validé uniquement en simulation, pas d'un produit ou d'un déploiement matériel : la portée réelle du gain reste à confirmer sur du hardware physique et dans des environnements moins contrôlés qu'un banc de test simulé. RDG s'inscrit dans la lignée des algorithmes dérivés de RRT (Rapidly-exploring Random Tree), dont SST et DIRT sont les variantes kinodynamiques les plus citées en recherche de robotique. En comparant systématiquement ses sous-composants (sélection de nœuds, biais d'exploration) à ces méthodes basées sur la recherche de voisins, l'étude cherche à isoler la source du gain de performance plutôt que de se contenter d'un résultat global. Les prochaines étapes attendues, non détaillées dans ce preprint, seraient une validation sur plateformes robotiques réelles et une extension à des espaces de dimensionnalité encore plus élevée.

RecherchePaper

1 source

4arXiv cs.RO

Convex-Neural RRT* : échantillonnage guidé par apprentissage pour une planification de trajectoire robotique rapide et fiable

Une équipe de recherche a publié en mai 2026 sur arXiv (réf. 2605.25006) les travaux sur Convex-Neural RRT, une variante de l'algorithme de planification de chemin RRT intégrant un guidage neuronal pour accélérer la recherche de trajectoires optimales. Le principe : un réseau de neurones prédit des régions "waypoints" prometteuses autour des chemins de haute qualité, puis des zones convexes sont extraites de ces prédictions pour concentrer l'exploration sur les zones géométriquement pertinentes tout en maintenant une couverture globale de l'espace. Évalué sur 18 cartes de benchmark réparties en 3 types d'environnements, l'algorithme réduit le temps de calcul de 30 à 75 % par rapport aux variantes neurales existantes (Neural RRT, Neural Informed RRT), et de 88 à 98 % par rapport à LTA. La longueur des chemins produits diminue en moyenne de 5 % par rapport au RRT classique, avec des gains plus marqués dans les environnements complexes. Le taux de succès reste supérieur à 99 % quelle que soit la densité d'obstacles. Ces résultats s'attaquent à un goulot d'étranglement bien documenté du planning probabiliste : les méthodes à base d'échantillonnage sont théoriquement complètes mais lentes à converger vers des solutions de qualité, ce qui freine leur déploiement embarqué où le temps de réponse est critique (robots mobiles, bras industriels, véhicules autonomes). L'utilisation de zones convexes comme proxy des prédictions neuronales est une décision d'ingénierie notable : elle préserve les garanties de convergence de RRT* tout en rendant l'heuristique géométriquement tractable, évitant les dérives habituelles des méthodes purement apprises qui échouent hors distribution. À noter que les gains de 5 % en longueur de chemin restent modestes et que les benchmarks sont réalisés en simulation ; aucune validation sur robot physique n'est rapportée. RRT (Rapidly-exploring Random Tree Star), introduit par Karaman et Frazzoli en 2011, est devenu un standard en planification de mouvement robotique. Ses variantes neurales récentes ont cherché à apprendre des heuristiques d'échantillonnage depuis des données de trajectoires, mais au prix d'une surcharge computationnelle qui annulait souvent le bénéfice. Convex-Neural RRT s'inscrit dans cette lignée en ajoutant une contrainte géométrique qui assainit les prédictions. Les concurrents directs incluent LTA, IRRT et les approches par diffusion (Motion Planning Diffusion). Cette publication préliminaire ne mentionne aucun déploiement industriel ; les prochaines étapes attendues sont une validation sur robots physiques et une extension aux espaces de configuration de haute dimension, notamment les bras 6-7 DOF et les humanoïdes.

RecherchePaper

1 source