RecherchearXiv cs.RO 15 mai 2026

DiffPhD : solveur différentiable unifié pour matériaux hétérogènes projectifs en élastodynamique avec accélération GPU multi-contacts

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

DiffPhD est un solveur différentiable GPU-accéléré pour la simulation de corps mous hétérogènes en élastodynamique, publié en prépublication sur arXiv (référence 2605.14526) en mai 2026. Le cadre traite simultanément trois verrous techniques qui bloquaient les approches existantes : les matériaux à forts contrastes de rigidité, les grandes déformations hyperélastiques, et les interactions de contact répétées. Sur des benchmarks combinant ces trois régimes, DiffPhD affiche un gain de vitesse jusqu'à dix fois supérieur aux solveurs différentiables précédents, tout en restant convergent pour des contrastes de rigidité jusqu'à 100x là où les méthodes Projective Dynamics (PD) classiques divergent. Trois innovations architecturales y contribuent : des poids projectifs sensibles à la rigidité pour encoder l'hétérogénéité dans le système global, un filtrage par valeurs propres en région de confiance appliqué à la passe arrière (backward pass) pour stabiliser les gradients hyperélastiques, et un schéma d'Anderson Acceleration de type II à convergence double seuil. Une factorisation creuse unique est réutilisée pour les passes avant, arrière et de contact, avec un amortissement de Rayleigh intégré dans ce même facteur, réduisant le coût récurrent à presque zéro.

L'intérêt pour la robotique est direct : DiffPhD rend tractable l'optimisation bout-en-bout par gradient sur des scénarios hybrides auparavant inaccessibles, notamment la manipulation par préhenseur souple (soft gripper) et le transfert Real2Sim pour des assemblages hétérogènes rigide-souple. L'identification de systèmes (system identification) et l'optimisation de trajectoires sur des matériaux composites deviennent numériquement viables là où la fragilité du solveur ou le coût par itération constituaient jusqu'ici un goulot d'étranglement. Pour les équipes travaillant sur la simulation de préhension ou la calibration de modèles déformables, ce type de solveur réduit le gap simulation-réalité sans sacrifier la stabilité de convergence. Il faut toutefois noter que le gain annoncé de "jusqu'à un ordre de grandeur" s'appuie sur des benchmarks synthétiques, sans validation sur matériel physique réel.

DiffPhD s'inscrit dans la lignée des Projective Dynamics (Bouaziz et al., 2014), méthode qui a dominé la simulation temps réel de corps mous grâce à son découplage entre contraintes locales et système linéaire global. Son extension différentiable DiffPD avait ouvert l'optimisation par gradient, mais restait fragile face à l'hétérogénéité matérielle et aux contacts répétés. DiffPhD se positionne directement contre DiffPD et contre les approches à éléments finis différentiables comme DiffTaichi ou le framework Warp de NVIDIA. Aucune mise à disposition de code ni annonce de déploiement industriel ne figure dans la prépublication : la contribution reste pour l'instant académique, avec des applications démontrées en animation (créatures composites, personnages mous manipulant des objets rigides) et en robotique de manipulation.

Dans nos dossiers

Manipulation robotique arXiv cs.RO

À lire aussi

1arXiv cs.RO

Dynamique différentiable et simulation rapide d'un poisson robotique élastique continu

Des chercheurs publient sur arXiv (article 2509.16145, version 3, remplaçant une version antérieure) un nouveau modèle de dynamique différentiable couplé à un cadre de simulation rapide pour poissons robotiques à corps élastique actionnés par moteur. La formulation, fondée sur le principe de Hamilton, représente le robot comme un corps élastique continûment déformable et couple sa dynamique structurelle aux forces hydrodynamiques sans imposer au préalable la cinématique du corps, c'est-à-dire sans prescrire la façon dont il doit onduler. Le simulateur obtenu est différentiable par rapport aux paramètres du modèle et de conception, ce qui permet une optimisation par descente de gradient. Les auteurs valident leur cadre par des études de convergence numérique ainsi que par des expériences menées sur un poisson robotique physique, puis démontrent son utilité en optimisant par gradient la distribution de raideur le long du corps pour améliorer l'efficacité de nage. Cette avancée cible un verrou concret de la robotique bio-inspirée sous-marine : les approches existantes imposaient soit une cinématique corporelle fixe, soit approximaient le corps par des segments rigides ou compliants discrets, soit reposaient sur des simulations d'interaction fluide-structure trop coûteuses pour être intégrées dans une boucle d'optimisation de conception. En rendant la simulation différentiable et rapide, ce travail permet de co-concevoir la répartition de raideur et le contrôle moteur sans recourir à des campagnes d'essais physiques répétées, un enjeu direct pour les concepteurs de robots souples et de véhicules sous-marins autonomes bio-inspirés. La flexibilité du corps est identifiée depuis longtemps comme un facteur clé de la propulsion des poissons : la répartition spatiale de la raideur détermine la déformation, les charges hydrodynamiques et la performance propulsive. Les méthodes antérieures peinaient à capturer simultanément cette élasticité continue, le couplage fluide-structure et le mouvement auto-propulsé résultant, sans exploser en coût de calcul. Ce travail s'inscrit dans le courant plus large de la robotique molle différentiable, où la simulation rapide et dérivable devient un outil standard pour l'optimisation automatisée de conception, à l'image des approches sim-to-real développées pour d'autres classes de robots.

RecherchePaper

1 source

2arXiv cs.RO

Dynamique différentiable de corps rigides en batch sur GPU avec PyTorch pour l'apprentissage robotique

Une équipe de chercheurs publie BARD (Batched Articulated Rigid-body Dynamics), une implémentation PyTorch des algorithmes de dynamique corps rigides de Featherstone, conçue pour l'évaluation GPU en batch et la différentiation automatique. Sur cinq modèles de robots allant de 7 à 23 degrés de liberté, BARD atteint un débit jusqu'à 64 fois supérieur à Pinocchio pour la cinématique directe et 63 fois supérieur pour les jacobiens, à une taille de batch de 4096 sur un NVIDIA H200. La bibliothèque repose sur trois choix d'architecture : un cache à évaluation paresseuse par niveaux qui évite les traversées redondantes de l'arbre cinématique, des transformées de joints sans multiplication matricielle grâce à des constantes de Rodrigues précalculées, et une propagation parallèle par niveaux qui ramène les opérations séquentielles à des étapes batchées proportionnelles à la profondeur de l'arbre. La précision numérique est validée par identification de système sur un manipulateur 7-DOF, avec une erreur moyenne de 1,24 % sur les masses des segments sous 5 % de bruit sur les couples. Intégré dans le pipeline d'entraînement Isaac Lab AMP pour un quadrupède à colonne vertébrale de 11 DOF avec 4096 environnements parallèles, BARD est 8,5 fois plus rapide que Pinocchio et 2 fois plus rapide qu'ADAM pour le calcul de dynamique en boucle d'entraînement. Le code est disponible en open source sur GitHub. L'enjeu est structurel : à mesure que le contrôle robotique migre vers le reinforcement learning à grande échelle avec calcul de dynamique en boucle (in-loop), les librairies CPU comme Pinocchio deviennent un goulot d'étranglement dans les pipelines GPU. BARD élimine ce découplage CPU/GPU sans sacrifier la précision ni la différentiabilité, deux propriétés critiques pour l'optimisation par gradient. Pour les équipes qui entraînent des politiques de locomotion ou de manipulation sur des milliers d'environnements parallèles, ce gain de débit se traduit directement en temps de calcul réduit et en capacité à itérer plus vite sur l'architecture des récompenses et des politiques. Pinocchio reste la référence académique et industrielle pour la dynamique articulée depuis plus de dix ans, mais son architecture CPU-first n'a pas été pensée pour les pipelines d'apprentissage modernes sur GPU. ADAM, autre alternative GPU, est ici surpassé d'un facteur 2 en contexte in-loop. BARD se positionne donc entre les simulateurs physiques complets comme Isaac Sim ou MuJoCo MJX et les librairies de dynamique symbolique, en ciblant explicitement l'usage comme composant différentiable dans une boucle d'entraînement. L'article est une prépublication arXiv (2605.31481), non encore soumise à révision par les pairs, et les benchmarks présentés portent sur des scénarios contrôlés : des tests en conditions de déploiement réel, notamment sur des robots industriels ou des plateformes commerciales, restent à venir.

UEBARD surpasse directement Pinocchio, bibliothèque de dynamique articulée développée et maintenue par LAAS-CNRS et INRIA, ce qui constitue un signal fort pour les équipes de recherche robotique françaises qui l'utilisent comme référence dans leurs pipelines d'apprentissage par renforcement.

RecherchePaper

1 source

3arXiv cs.RO

Planification sur des cartes différentiables de variétés à contraintes avec des solveurs IK généraux

Des chercheurs présentent une nouvelle méthode pour planifier des trajectoires de bras robotiques manipulateurs soumis à des contraintes cinématiques d'égalité, un problème qui restreint les mouvements possibles à un sous-espace de mesure nulle dans l'espace des configurations. L'approche s'appuie sur des solveurs de cinématique inverse (IK) génériques comme IKFast, largement utilisés dans l'industrie mais dont les sorties ne sont normalement pas différentiables, ce qui les rend inutilisables pour l'optimisation de trajectoire par gradient. Les auteurs utilisent le théorème de la fonction inverse pour reconstruire les gradients recherchés à partir du jacobien de cinématique directe classique, une opération standard et déjà différentiable. Ils ajoutent aussi une extension de domaine par moindres carrés et une formulation de la contrainte d'accessibilité compatible avec l'optimisation, qui conserve un signal de gradient exploitable même en dehors de l'espace de travail atteignable. La méthode a été validée par des expériences numériques et une démonstration matérielle sur un bras RB-Y1, qui a saisi une boîte et l'a déposée sur une table. L'intérêt pratique est de rendre différentiables des solveurs IK automatisés déjà déployés massivement dans l'industrie, sans réécrire à la main des fonctions IK analytiques sur mesure pour chaque robot, une tâche coûteuse réservée jusqu'ici à des cas particuliers. Pour les intégrateurs et ingénieurs en robotique, cela signifie pouvoir brancher l'optimisation de trajectoire par gradient sur des chaînes d'outils IK existantes plutôt que de dépendre d'implémentations bespoke. Cela s'inscrit dans une tendance plus large de rapprochement entre planification classique basée sur des contraintes géométriques et optimisation différentiable, sans recourir à l'apprentissage profond ni aux modèles vision-langage-action (VLA) type Pi-0 ou GR00T N2. La démonstration reste toutefois limitée à une seule tâche de prise-dépose sur un unique bras, ce qui en fait une preuve de concept plutôt qu'un résultat généralisable à grande échelle. Le travail s'inscrit dans la littérature sur la planification sous variétés de contraintes, où paramétrer l'espace des configurations faisables via la cinématique inverse analytique est une stratégie reconnue, mais jusqu'ici limitée par le manque de différentiabilité des solveurs automatisés génériques. Publié le 10 septembre 2026 sur arXiv, l'article ne précise pas les auteurs ni leur affiliation dans le résumé fourni, mais met à disposition un site de projet dédié pour la reproduction des résultats. Aucun acteur français ou européen n'est mentionné dans cette publication.

RecherchePaper

1 source

4arXiv cs.RO

Accessibilité différentiable parallèle pour l'apprentissage et la planification avec dynamiques neuronales et contrôleurs certifiés

Une équipe de recherche a publié en mai 2026 (arXiv:2605.25346) un cadre de vérification formelle parallélisable et différentiable pour systèmes robotiques pilotés par réseaux de neurones (NN). Implémenté en JAX pour exploiter le calcul GPU-batché, le framework combine la construction de "flowpipes" par modèles de Taylor avec la propagation de bornes linéaires de type CROWN, une technique issue de la vérification des NN adversariaux. Le résultat est une représentation unifiée qui préserve les dépendances affines tout en supportant la différentiation automatique. Sur cette base, les auteurs proposent deux applications concrètes : une méthode d'entraînement certifié qui pousse les modèles NN à produire des dynamiques "reachability-friendly", et un schéma de commande prédictive (MPC) combinant échantillonnage et raffinement par gradient. Les expériences couvrent la manipulation non préhensile (objets poussés sans saisie) et des drones quadrotors, avec des évaluations hardware et des systèmes allant jusqu'à 72 dimensions d'état. Le problème central que ce travail adresse est le fossé entre performance des NN et garanties formelles de sécurité : les outils de "reachability" existants (NNV, Veritex, CROWN-reach) produisent des sur-approximations valides des ensembles atteignables, mais sont trop lents pour être intégrés dans une boucle d'apprentissage ou de planification en ligne, et rarement différentiables. Rendre ce calcul GPU-compatible et différentiable ouvre la voie à une co-optimisation contrôleur/garantie, ce qui change la logique de déploiement : au lieu de vérifier après entraînement (post-hoc, coûteux), on certifie pendant l'entraînement. Pour les intégrateurs industriels et les équipes robotique, c'est un pas vers des robots NN-pilotés qui satisfont des contraintes de sécurité hard sans sacrifier la performance apprise. La vérification formelle pour les NN en robotique est un axe de recherche actif depuis 2018, porté notamment par les travaux CROWN (Zhang et al.), qui ciblaient initialement la robustesse adversariale en vision. L'extension à la dynamique continue et aux boucles fermées reste un problème ouvert, avec des groupes concurrents chez MIT, CMU et DeepMind. Ce preprint positionne JAX comme plateforme centrale pour ce type de pipeline hybride apprentissage/vérification, une tendance émergente face à PyTorch. Les prochaines étapes probables incluent des tests sur manipulateurs industriels à plus haute dimensionnalité et l'intégration dans des frameworks MPC embarqués.

UELa certification embarquée dans la boucle d'entraînement s'aligne directement avec les exigences de vérifiabilité formelle de l'AI Act pour les systèmes IA à haut risque (dont les robots industriels et autonomes), réduisant le coût de mise en conformité pour les équipes R&D européennes.

RecherchePaper

1 source