RecherchearXiv cs.RO 12 mai 2026

Planification d'inspection évolutive par programmation linéaire en nombres entiers à base de flots

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Une équipe de chercheurs a publié sur arXiv (2603.16593v2) une méthode MILP (programmation linéaire mixte en nombres entiers) pour résoudre la planification d'inspection robotique à grande échelle. L'objectif est de calculer le chemin le plus court permettant à un robot d'inspecter un ensemble de points d'intérêt (POI) via ses capteurs, problème central en robotique industrielle et médicale. En reformulant les contraintes de couverture et de connectivité du problème de planification sur graphe (GIP) comme un flux réseau, les auteurs construisent des modèles MILP efficaces associés à un solveur Branch-and-Cut spécialisé. Les résultats sur benchmarks médicaux et d'infrastructure montrent une réduction des écarts d'optimalité de 30 à 50 % et une capacité à traiter des instances comportant jusqu'à 15 000 sommets et des milliers de POI, là où les méthodes précédentes s'épuisaient en mémoire ou ne fournissaient aucune garantie significative.

L'enjeu opérationnel est direct pour les intégrateurs industriels : la planification d'inspection devient un goulot d'étranglement dès que le nombre de POI dépasse quelques centaines, seuil couramment franchi lors de l'inspection de soudures en usine, de turbines éoliennes ou de structures de génie civil. En rendant le problème structurellement exploitable par les solveurs modernes, cette approche combine garanties d'optimalité et passage à l'échelle, deux propriétés que les méthodes par échantillonnage (RRT, PRM) ne pouvaient pas fournir simultanément. Une réduction de 30 à 50 % des écarts d'optimalité se traduit directement en chemins plus courts, donc en temps de cycle réduits et coûts d'exploitation plus faibles, sans sacrifier la couverture complète des points critiques.

Le problème de planification d'inspection est apparenté au problème du voyageur de commerce (TSP) et à ses variantes couverture-connectivité. Les approches dominantes reposaient jusqu'ici sur l'échantillonnage de l'espace (RRT, PRM) pour construire un graphe discret, puis sur des heuristiques ou des formulations MILP moins performantes pour le résoudre. Cette contribution s'inscrit dans un mouvement plus large vers les formulations exactes, rendu possible par la progression des solveurs commerciaux comme Gurobi et CPLEX ainsi qu'open-source comme SCIP. Il s'agit pour l'instant d'une publication académique sans déploiement commercial annoncé, mais le cadre s'applique naturellement à l'inspection d'infrastructure (ponts, pipelines, éoliennes offshore) et à la robotique médicale (endoscopie, radiothérapie guidée par robot). Les extensions attendues concernent l'intégration de contraintes dynamiques du robot et de la perception en temps réel dans le modèle d'optimisation.

Impact France/UE

Cette méthode MILP pourrait améliorer l'efficacité des robots d'inspection d'infrastructures européennes (éoliennes offshore, ponts, pipelines) en réduisant les temps de cycle de 30 à 50 %, mais aucun déploiement ou partenariat européen n'est annoncé à ce stade.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

Graphes de faisceaux de trajectoires pour la planification de mouvement non linéaire

Des chercheurs présentent sur arXiv (2610.32365) la méthode Graphs of Trajectory Bundles (GTB), dédiée à la planification de mouvement pour des systèmes à dynamique non linéaire, voire de type boîte noire. L'approche combine trois briques : planification par échantillonnage, optimisation de trajectoire et recherche dans un graphe. Elle part d'une décomposition de l'espace de travail en graphe d'ensembles convexes (GCS). GTB construit ensuite, de façon itérative, un graphe de « faisceaux de trajectoires » qui capture la dynamique locale du système en chaque sommet. Un problème de plus court chemin résolu sur ce graphe produit des itérés « maximalement faisables dynamiquement ». Ils satisfont la dynamique du système à la limite, tandis que les contraintes d'évitement de collision, de sécurité ou de spécification sont respectées par construction du graphe sous-jacent. Il s'agit d'une prépublication : l'extrait disponible ne fournit ni benchmark chiffré, ni temps de calcul, ni validation sur matériel. L'intérêt pour la robotique tient à la difficulté qu'elle cherche à lever. Les planificateurs par optimisation exigent en général un modèle différentiable et se heurtent aux minima locaux. Les planificateurs par échantillonnage gèrent mal les dynamiques instables ou fortement contraintes. Si les auteurs tiennent leurs promesses, GTB permettrait de planifier avec un simulateur ou un modèle appris traité comme boîte noire, sans linéarisation manuelle. Ce serait utile pour des humanoïdes, des drones ou des manipulateurs dont la dynamique est difficile à modéliser analytiquement. Le fait que les contraintes de sécurité soient garanties par construction, et non pénalisées, répond à une attente des intégrateurs et des décideurs industriels qui doivent certifier des trajectoires. Reste à vérifier le passage à l'échelle en grande dimension et le coût de calcul, deux points que le résumé ne documente pas. La convergence « à la limite » ne garantit pas non plus un temps de réponse compatible avec le temps réel. Ce travail prolonge la lignée des graphes d'ensembles convexes, popularisée par le groupe de Russ Tedrake au MIT et utilisée pour la planification de trajectoires sans collision. Ces méthodes restaient toutefois centrées sur des dynamiques linéaires ou simplifiées. GTB rejoint aussi les planificateurs de type RRT et PRM, ainsi que les approches par optimisation de trajectoire (MPC, iLQR), et les approches apprises (politiques de diffusion, VLA) qui contournent la modélisation explicite mais n'offrent pas les mêmes garanties de contraintes. Les prochaines étapes à surveiller sont la publication du code, des comparaisons avec ces méthodes de référence, puis des essais sur robots réels pour mesurer l'écart entre la théorie et les contraintes de terrain.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

2arXiv cs.RO

Planification de fabrication additive robotisée par IA à base d'agents fondée sur la cinématique

Une équipe de recherche présente dans un preprint publié sur arXiv (2609.19347v1) un système baptisé A-RAM, pour "agentic robotic additive manufacturing", conçu pour planifier automatiquement les processus de fabrication additive exécutés par un bras robotique plutôt que par une imprimante 3D classique à portique cartésien. Le système combine un grand modèle de langage, chargé d'interpréter les objectifs et contraintes de fabrication exprimés par l'utilisateur et de les traduire dans un schéma structuré, avec un agent de planification déterministe qui construit le plan de recherche correspondant, et des outils spécialisés qui calculent des preuves quantitatives sur le découpage (slicing), le placement de la pièce, la cinématique inverse, le minutage de la trajectoire, le jerk de l'axe 6 et l'extrusion. Le framework a été testé sur une cellule robotisée équipée d'un bras six axes, à travers quatre scénarios : planification spécifiée par un expert, planification à partir du seul objectif, criblage du remplissage (infill) selon l'objectif visé, et sélection de l'orientation et du placement selon la géométrie de la pièce. Les plans retenus par le système réduisent jusqu'à 53,5% le jerk maximal sur l'axe 6 et jusqu'à 48,3% le jerk moyen absolu par rapport aux candidats valides les moins favorables, tandis que le criblage d'infill orienté objectif raccourcit les temps de complétion du plan de mouvement jusqu'à 40,1% et les trajectoires d'extrusion jusqu'à 12,7%. L'enjeu pointé par les auteurs est concret pour les intégrateurs industriels : un plan de découpage jugé bon dans le référentiel de la pièce peut devenir irréalisable ou mécaniquement défavorable une fois transposé sur un manipulateur robotique, car l'orientation de la pièce et son placement dans l'espace de travail influencent directement la faisabilité cinématique. Les outils existants, qu'il s'agisse des slicers classiques, des systèmes d'aide à la décision basés sur des LLM ou des jumeaux numériques, n'évaluent pas ces décisions couplées avant l'exécution. A-RAM illustre une tendance plus large où le LLM sert de couche de raisonnement et de traduction d'intention plutôt que de générateur direct de trajectoires, la validation restant confiée à des outils déterministes. Il s'agit d'un travail de recherche académique évalué en laboratoire sur une cellule unique, sans annonce de déploiement industriel, de partenariat commercial ni de calendrier de mise sur le marché. Le papier se positionne explicitement face à trois catégories d'outils jugées insuffisantes : les chaînes de slicing traditionnelles, les assistants de décision fondés sur des LLM, et les systèmes de jumeau numérique, aucun ne proposant selon les auteurs une évaluation pré-exécution intégrée des décisions de découpage, de placement et de cinématique.

RecherchePaper

1 source

3arXiv cs.RO

Vers une relaxation convexe plus fine des programmes mixtes en nombres entiers : le flux de réseau logique pour la planification tâche-mouvement

Des chercheurs en robotique ont mis à jour sur arXiv (2509.24235) "Logic Network Flow", un framework de planification de tâches et de mouvements (task and motion planning, TAMP) fondé sur l'optimisation, qui intègre la logique temporelle dans des programmes en nombres mixtes. Inspirée de la formulation Graph-of-Convex-Sets, la méthode encode les contraintes temporelles comme des contraintes polyédriques sur les arêtes d'un modèle de flux réseau, plutôt qu'entre les nœuds comme dans les formulations classiques dites Logic Tree, et ajoute une élimination de Fourier-Motzkin qui supprime les variables continues sans perdre en finesse de relaxation convexe. Sur des tests de routage de véhicules, de coordination multi-robots et de contrôle de systèmes dynamiques (modèles point-mass et pendule inversé linéaire), elle affiche des accélérations de calcul allant jusqu'à plusieurs ordres de grandeur et une consommation mémoire réduite. Une démonstration matérielle sur robots quadrupèdes valide une capacité de replanification en temps réel face à des conditions environnementales changeantes, avec code et détails disponibles sur logicnetworkflow.github.io. Ce travail cible un goulot d'étranglement connu du secteur robotique: la planification combinée tâches-mouvements sous contraintes temporelles devient vite trop lente pour du temps réel dès que le nombre de variables entières croît, ce qui limite le déploiement de robots mobiles ou à pattes dans des environnements changeants. Des relaxations convexes plus serrées et moins de contraintes réduisent directement le coût de résolution des solveurs en nombres mixtes, un frein majeur à la mise à l'échelle des méthodes de planification formelle face aux approches data-driven de type VLA. Les gains annoncés, jusqu'à plusieurs ordres de grandeur en vitesse, restent toutefois issus de benchmarks contrôlés, avec une validation matérielle limitée à des quadrupèdes en conditions de laboratoire plutôt qu'à un déploiement industriel à grande échelle. La méthode prolonge les travaux sur Graph-of-Convex-Sets, une formulation d'optimisation convexe pour la planification de trajectoires devenue courante en robotique ces dernières années, en l'étendant à la logique temporelle. Elle se positionne face aux formulations Logic Tree traditionnelles du TAMP et aux méthodes de synthèse de contrôleurs par logique temporelle signal (STL), couramment employées en robotique formelle. Publiée en version 2 sur arXiv sans partenariat industriel ni feuille de route commerciale annoncée, cette contribution reste académique, avec code et démonstrations mis à disposition sur le site du projet pour en faciliter la reproductibilité.

RecherchePaper

1 source

4arXiv cs.RO

Contrôle prédictif non linéaire par programmation convexe séquentielle pour l'amarrage drone-à-drone

Des chercheurs publient sur arXiv (arXiv:2608.10542v1) un nouveau cadre de contrôle prédictif non linéaire pour l'amarrage autonome en vol de drones multirotors, une tâche rendue difficile par un mouvement de cible perturbé par le vent. Le problème est formulé comme un contrôle optimal à horizon fini, appuyé sur un modèle non linéaire d'ordre réduit augmenté d'états de perturbation, puis résolu par programmation convexe séquentielle (SCP) dans un schéma à horizon glissant. Un module d'estimation d'état gère des mesures bruitées pour prédire le mouvement relatif entre les deux appareils. Les essais, menés en simulation haute fidélité sous MuJoCo pour des cibles fixes ou à vitesse constante, montrent des violations du cône d'amarrage quasi nulles, des erreurs terminales dans les tolérances prescrites, un amarrage fiable jusqu'à des demi-angles de cône de 10 degrés, et une robustesse conservée face à des perturbations de vent d'écart-type allant jusqu'à 0,5. Ce travail s'attaque à un verrou technique central pour toute flotte de drones autonomes appelée à se recharger, se ravitailler ou s'assembler en vol sans intervention humaine, un prérequis pour les missions longue durée, l'inspection d'infrastructures ou les opérations en essaim. En démontrant qu'un contrôleur optimisé en temps réel peut garantir une capture géométrique fiable même avec une cible mobile et du vent, l'étude illustre que l'amarrage aérien devient un problème d'ingénierie de contrôle tractable plutôt qu'un obstacle fondamental non résolu. La validation s'arrête toutefois à la simulation: aucun vol réel n'est rapporté, ce qui limite pour l'instant la portée des chiffres annoncés à un cadre contrôlé et idéalisé, loin des conditions d'un déploiement opérationnel. L'amarrage drone-à-drone s'inscrit dans une lignée de travaux sur la commande prédictive appliquée à la robotique aérienne, où la programmation convexe séquentielle s'est imposée ces dernières années comme alternative rapide aux solveurs non linéaires classiques pour générer des trajectoires dynamiquement faisables en temps réel. L'approche se distingue par l'intégration explicite d'états de perturbation et de bruit de mesure directement dans la boucle de contrôle, plutôt que de les traiter en aval par un simple asservissement correctif. Les auteurs ne précisent aucun calendrier de transfert vers du matériel réel ni de partenaire industriel; la prochaine étape logique resterait une démonstration physique confirmant ces marges de robustesse hors simulation.

RecherchePaper

1 source