Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
Remarques sur le clonage stochastique et le filtrage à états différés
RecherchearXiv cs.RO 

Remarques sur le clonage stochastique et le filtrage à états différés

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

Un article de recherche publié sur arXiv (identifiant 2508.21260, version 2) remet en question une pratique établie dans les systèmes de navigation et de robotique : le clonage stochastique (SC, stochastic cloning). Cette technique, utilisée pour traiter les mesures dépendant d'états antérieurs comme l'odométrie, qui quantifie le déplacement relatif d'un robot entre deux instants, repose sur l'augmentation du vecteur d'état afin de capturer les corrélations avec les estimations passées. Les auteurs démontrent qu'une alternative plus ancienne, le filtre de Kalman à états différés (DSKF, delayed-state Kalman filter), correctement dérivée, produit exactement les mêmes mises à jour d'état et de covariance que le SC, sans nécessiter d'augmentation du vecteur d'état. Deux formulations équivalentes du DSKF sont présentées, offrant des perspectives complémentaires sur le traitement de ces corrélations dans le cadre du filtre de Kalman généralisé.

Ce résultat est significatif pour les ingénieurs qui conçoivent des systèmes de navigation embarqués, de SLAM (Simultaneous Localization and Mapping) ou d'intégration IMU/odométrie. Le clonage stochastique, bien qu'efficace, alourdit le vecteur d'état à chaque mesure différée, ce qui représente un coût mémoire et computationnel non négligeable sur des plateformes contraintes comme les drones, rovers ou robots mobiles AMR. Les auteurs montrent que les deux approches sont équivalentes en complexité asymptotique, et qu'une des formulations DSKF offre une réduction des coûts arithmétiques et de stockage pour certaines configurations dimensionnelles. Le papier corrige également un préjugé persistant dans la communauté : l'idée que les variantes du filtre de Kalman sont intrinsèquement incapables de traiter des mesures corrélées à des états passés.

Le filtre de Kalman reste un pilier de la théorie de l'estimation depuis les années 1960, et ses extensions (EKF, UKF) sont omniprésentes en robotique et aérospatiale. Le clonage stochastique a été popularisé dans les années 2000, notamment via les travaux de Roumeliotis sur la navigation vision-inertielle, précurseurs du filtre MSCKF aujourd'hui au coeur de systèmes comme OpenVINS. En réhabilitant le DSKF comme alternative algorithmiquement compétitive, ce travail invite les équipes de recherche et de développement à reconsidérer leur outillage, en particulier pour les applications embarquées à ressources limitées. Il s'agit pour l'instant d'un preprint sans implémentation publique ni validation industrielle annoncée.

Dans nos dossiers

arXiv cs.RO

À lire aussi

Robot manipulateur rigide en série : filtrage stochastique invariant sur SE(3) pour l'estimation d'état inertielle-encodeur
1arXiv cs.RO 

Robot manipulateur rigide en série : filtrage stochastique invariant sur SE(3) pour l'estimation d'état inertielle-encodeur

Une équipe de chercheurs publie sur arXiv (référence 2607.00026v1) un nouveau filtre de Kalman étendu invariant (IEKF) destiné à l'estimation d'état de bras manipulateurs rigides série, quel que soit leur nombre de segments (liens). La formulation repose entièrement sur le groupe de Lie SE(3), l'espace mathématique qui décrit position et orientation dans l'espace 3D. Grâce à la propriété dite "group-affine" des équations cinématiques, la dynamique de l'erreur linéarisée devient autonome, ce qui permet à l'équation de Riccati de décrire la covariance d'erreur réelle plutôt qu'une simple approximation locale, un gain de précision théorique par rapport aux filtres classiques. Le modèle de bruit sépare physiquement les capteurs : l'accéléromètre fournit la vitesse de translation via une intégration compensée de la gravité, avec une covariance de mesure qui s'ajuste à l'intervalle d'échantillonnage, tandis qu'un terme de bruit de Coriolis, dépendant de l'état, capture la propagation du bruit gyroscopique à travers la dynamique non linéaire, un bruit qui s'annule à l'arrêt et croît avec la vitesse angulaire du bras. Sur le plan industriel, l'apport principal tient à l'architecture modulaire du filtre : chaque segment du bras dispose de son propre IEKF, et la covariance prédite d'un lien ne dépend de son prédécesseur que via une transformation adjointe du résultat précédent, ce qui donne un coût de calcul linéaire par rapport au nombre de liens plutôt qu'exponentiel. Pour les intégrateurs de bras robotiques à nombreux degrés de liberté (DOF), typiquement les bras industriels à 6 ou 7 axes ou les manipulateurs redondants, cela signifie une estimation d'état embarquable en temps réel sans explosion du calcul quand la chaîne cinématique s'allonge. Les auteurs démontrent aussi une garantie de stabilité, l'"exponential ultimate boundedness in mean square", établie via une fonction de Lyapunov sur l'algèbre de Lie, avec des bornes par segment chaînées via la norme de l'opérateur adjoint. Ce type de certificat mathématique est directement exploitable pour des applications nécessitant une validation de sûreté, comme la robotique collaborative ou médicale, là où une simple performance empirique ne suffit pas. Le travail s'inscrit dans la lignée des filtres invariants sur groupes de Lie, une approche qui a gagné du terrain ces dernières années en navigation inertielle et en robotique mobile car elle offre des garanties de convergence plus fortes que les EKF classiques, sujets à des divergences en cas de fortes non-linéarités. L'extension aux manipulateurs série à N liens comble un vide identifié par les auteurs : jusqu'ici, la plupart des applications d'IEKF ciblaient des corps rigides uniques (drones, véhicules) plutôt que des chaînes articulées. Les résultats présentés restent pour l'instant numériques, en simulation, sans validation sur bras physique ni comparaison chiffrée avec des filtres commerciaux existants, une étape que la communauté robotique attendra avant d'évaluer l'intérêt pratique de la méthode pour des applications embarquées.

RecherchePaper
1 source
Filtrage stochastique pour la détection de quorum dans les essaims de robots en communication anonyme
2arXiv cs.RO 

Filtrage stochastique pour la détection de quorum dans les essaims de robots en communication anonyme

Recherche menée par [auteurs non précisés dans l'abstract, arXiv:2607.14262v1] sur la détection de quorum (Quorum Sensing, QS) dans les essaims robotiques, publiée en juillet 2026. Le QS permet à un groupe de robots d'estimer collectivement la taille ou la densité de la population active, une capacité clé pour synchroniser des comportements de groupe sans coordination centralisée. Les chercheurs s'intéressent aux protocoles de communication anonyme, où chaque robot échange des informations locales avec ses voisins sans révéler son identité, ce qui préserve le passage à l'échelle du système mais introduit un biais : sans identifiant, les messages répétés d'un même émetteur peuvent être comptés plusieurs fois, faussant l'estimation du quorum. L'étude compare trois approches : un protocole de référence anonyme (AN), rapide et économe en ressources mais peu précis à cause de ce double comptage ; une variante randomisée (ANT) qui améliore la précision mais souffre d'inertie informationnelle, ralentissant la convergence ; et un nouveau protocole de filtrage stochastique (ANTk), inspiré de l'échantillonnage par priorité k, qui filtre activement le tampon de messages pour stabiliser l'estimation. Ces résultats éclairent un compromis central pour tout essaim robotique décentralisé, drones, robots mobiles ou systèmes IoT distribués, entre vitesse, précision et stabilité de l'estimation collective. Le protocole AN illustre les limites d'une approche anonyme naïve dès qu'un mécanisme de correction du biais fait défaut. ANT montre qu'améliorer la précision seule ne suffit pas si le système devient trop lent à réagir aux changements réels de quorum. ANTk, en filtrant activement les messages redondants, réduit les erreurs transitoires et stabilise l'estimation, mais au prix d'un temps de récupération plus long après une erreur, un arbitrage que les concepteurs de systèmes multi-robots devront calibrer selon leur cas d'usage. Ce travail s'inscrit dans la lignée des recherches en essaims robotiques bio-inspirées, où le quorum sensing s'appuie sur des mécanismes observés chez les insectes sociaux ou les bactéries. La communication anonyme y est étudiée depuis plusieurs années comme réponse aux contraintes de scalabilité et de simplicité matérielle des essaims de grande taille. En comparant systématiquement un protocole de base à deux variantes correctives au sein d'une même étude, les auteurs posent un cadre de référence pour de futures évaluations, potentiellement suivies de validations sur essaims physiques plutôt que purement simulés.

RecherchePaper
1 source
pdSTL : logique temporelle de signal probabiliste et différentiable pour les systèmes stochastiques
3arXiv cs.RO 

pdSTL : logique temporelle de signal probabiliste et différentiable pour les systèmes stochastiques

Des chercheurs ont déposé en juin 2026 sur arXiv pdSTL (probabilistic differentiable Signal Temporal Logic), un cadre formel pour robots autonomes opérant dans des environnements stochastiques. Le système étend la Signal Temporal Logic (STL), formalisme standard pour spécifier des propriétés de sécurité et temporelles dans les systèmes dynamiques, en combinant deux capacités jusqu'ici dissociées : la différentiabilité permettant l'optimisation de trajectoires par gradient, et la sémantique probabiliste appliquée aux trajectoires de croyances (belief trajectories), c'est-à-dire la distribution d'états estimée à partir de capteurs bruités. pdSTL calcule des bornes de satisfaction conservatrices via des sémantiques à intervalles propagées compositionnellement, et formule l'évaluation de la robustesse temporelle comme un dépliage récurrent de style LSTM pour une surveillance en temps linéaire. Les expériences couvrent des scénarios simulés d'évitement d'obstacles et de changement de voie, ainsi que des vols réels avec le nano-drone Crazyflie de Bitcraze soumis à des perturbations aérodynamiques. L'apport central est de résoudre simultanément deux lacunes concurrentes des approches existantes. La STL différentiable déterministe (dSTL) permettait l'optimisation par gradient mais supposait des états connus avec certitude, ignorant le bruit de capteur et la dynamique stochastique. Les extensions probabilistes de la STL existantes offraient des garanties formelles mais sacrifiaient la différentiabilité, les rendant incompatibles avec les pipelines d'apprentissage modernes. pdSTL unifie les deux, et les auteurs rapportent qu'il surpasse significativement dSTL pour le maintien des marges de sécurité sous incertitude réelle. Pour un ingénieur robotique ou un intégrateur travaillant sur la navigation autonome, cette combinaison de garanties probabilistes formelles et d'optimisabilité par gradient constitue une brique potentielle pour des spécifications de sécurité certifiables en conditions opérationnelles. La STL est un outil standard de la vérification formelle de systèmes cyber-physiques depuis les années 2010, et ses extensions différentiables avaient déjà intéressé la communauté robotique pour l'optimisation de trajectoires. Le Crazyflie, drone open-source de la société suédoise Bitcraze, est une plateforme académique de référence appréciée pour sa dynamique instable, qui en fait un test exigeant pour toute approche de contrôle robuste. Ce travail est pour l'instant un preprint non relu par les pairs, sans code public annoncé et sans métriques quantitatives précises dans le résumé, ce qui invite à la prudence face aux affirmations de surperformance. Les équipes de motion planning sous incertitude dans les secteurs drones, véhicule autonome et manipulation industrielle sont les premières concernées par une éventuelle implémentation.

UEBitcraze (Suède, UE) fournit la plateforme drone de validation matérielle, ce qui ancre marginalement ce travail académique dans l'écosystème européen, mais sans impact opérationnel direct à ce stade de preprint non relu.

RecherchePaper
1 source
Filtrage adaptatif de Kalman basé sur les résidus pour l'estimation d'état des robots à pattes
4arXiv cs.RO 

Filtrage adaptatif de Kalman basé sur les résidus pour l'estimation d'état des robots à pattes

Des chercheurs proposent une nouvelle méthode d'adaptation en ligne pour l'estimation d'état des robots à pattes, publiée sur arXiv (2608.02316) début août 2026. Le filtre de Kalman est l'outil standard pour estimer la position et la vitesse du corps flottant d'un robot en fusionnant plusieurs capteurs, mais le réglage de ses paramètres de bruit (matrices de covariance de processus Q et de mesure R) exige une expertise pointue et reste figé face aux changements de démarche ou d'environnement. L'équipe introduit une adaptation basée sur le résidu du filtre et l'innovation, intégrée dans un filtre de Kalman étendu invariant (InEKF) qui fusionne données IMU et cinématique des pattes. Les tests, menés en intérieur et en extérieur sur un quadrupède Unitree Go2, montrent qu'adapter uniquement R suffit à améliorer la précision de 25 % en trot par rapport à un InEKF réglé de façon fixe, tout en égalant les performances d'une approche concurrente basée sur des capteurs de force au sol. Pour l'industrie robotique, l'enjeu dépasse la seule performance chiffrée: cette méthode supprime le besoin de capteurs de force plantaire, souvent coûteux ou absents sur des plateformes commerciales comme le Go2, et réduit la dépendance à un réglage manuel expert lors du déploiement sur de nouveaux terrains ou de nouvelles démarches. Pour les intégrateurs qui cherchent à faire tourner des robots à pattes hors laboratoire, sur des sols irréguliers ou en extérieur, un estimateur d'état qui s'auto-ajuste en temps réel limite les échecs de contrôle liés à un mauvais calage des filtres, un problème récurrent qui freine le passage des démonstrations en intérieur vers des déploiements réels plus robustes. L'estimation d'état par filtre de Kalman est un pilier du contrôle basé modèle en robotique à pattes depuis des années, avec l'InEKF comme évolution reconnue pour sa cohérence géométrique. Les approches précédentes s'appuyaient largement sur des capteurs de force additionnels pour corriger les dérives, une solution matérielle plus lourde. En s'appuyant uniquement sur IMU et cinématique, cette adaptation résiduelle s'inscrit dans une tendance plus large vers des pipelines de perception moins dépendants d'instrumentation spécialisée, avec des validations attendues sur d'autres démarches et plateformes bipèdes ou humanoïdes.

RecherchePaper
1 source