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 ↗·

Compilé et résumé par IA · sources vérifiables en un clic · publié sans lecture humaine préalable · méthodologie

Résumé IASource unique

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

CQDC-Warp : simulation quasi-dynamique différentiable accélérée par GPU pour la manipulation riche en contacts

CQDC-Warp est un simulateur différentiable quasi-dynamique accéléré sur GPU, présenté dans un preprint arXiv (v1, octobre 2026) et conçu pour la commande prédictive par modèle (MPC) en lots. Il sert à étudier l'optimisation de trajectoire guidée par les contacts: les contacts robot-objet voulus sont spécifiés avant la planification et encouragés par des coûts souples, tandis que la simulation détermine seule la géométrie de contact et la réponse de friction, sans séquence de modes de contact imposée. Sur le banc d'essai de rotation en main avec la main Allegro et 17 objets, soit 17 408 essais, le framework atteint 79,8 % de réussite, contre 73,7 % pour CFree et 65,2 % pour IMPACT. Le temps moyen de génération de trajectoire est divisé par 27,0 et 50,2 respectivement. Sur un seul GPU NVIDIA RTX 4090 avec 2 048 mondes parallèles, le débit atteint 2,06×10⁵ world-steps par seconde en passe avant et 2,25×10⁵ en passe arrière. Les auteurs couvrent aussi les mains LEAP et Shadow, l'exploitation des contacts avec l'environnement, la manipulation bimanuelle, le contrôle du corps entier et le rejeu de trajectoires réelles sur une main Sharpa. L'enjeu est la génération de données de manipulation riche en contacts, étape clé pour l'apprentissage robotique en aval (imitation, RL, VLA). Les planificateurs à gradient promettent une synthèse efficace, mais décider conjointement du mouvement et des contacts reste difficile, et beaucoup de solutions tournent sur CPU avec un débit limité. Un gain de 27 à 50 fois en temps de génération sur une carte grand public, avec un taux de succès supérieur, suggère que la planification différentiable peut devenir un outil de production de données à grande échelle, sans table de modes de contact écrite à la main. Il faut toutefois nuancer. Il s'agit d'un preprint non évalué par les pairs. Le modèle quasi-dynamique néglige l'inertie, ce qui limite sa fidélité sur les mouvements rapides. Les 79,8 % se mesurent en simulation, sur un banc d'essai précis. La validation matérielle se réduit à un rejeu de trajectoires sur la main Sharpa, sans boucle fermée ni taux de réussite annoncés dans le résumé. Ce travail s'inscrit dans la lignée des simulateurs GPU parallèles comme Isaac Gym, MuJoCo Warp et NVIDIA Warp (dont le nom du projet reprend la bibliothèque), et des méthodes de planification avec contacts: les approches sans modèle de modes de contact (CFree) et les planificateurs par contact implicite (IMPACT) servent de références. La diversité des mains testées (Allegro, LEAP, Shadow, Sharpa) montre une volonté de généralité entre morphologies. Les suites logiques sont une validation en boucle fermée sur matériel, la comparaison avec des politiques apprises par RL en simulation massive, et l'intégration dans des pipelines de génération de démonstrations pour les modèles de fondation en manipulation. Aucune date de publication du code ni de déploiement industriel n'est annoncée.

RecherchePaper

1 source

2arXiv cs.RO

AC-SMPC : MPC différentiable acteur-critique avec contraintes d'état pour une navigation robotique sûre et rapide

Des chercheurs proposent AC-SMPC, un cadre de navigation pour robots mobiles qui associe apprentissage par renforcement de type acteur-critique et commande prédictive par modèle (MPC) différentiable, avec prise en compte explicite des contraintes d'état. Le travail, publié en préprint sur arXiv (v1), vise la navigation sûre dans des environnements confinés et dynamiques, par exemple plusieurs robots évoluant dans des passages étroits. Les obstacles et le robot sont représentés par des sommets, l'espace de travail par des demi-espaces. La dynamique non linéaire du robot est linéarisée localement, et les contraintes d'évitement de collision, fondées sur des hyperplans séparateurs, sont convexifiées puis intégrées directement dans la couche MPC différentiable. L'acteur ajuste en boucle fermée les paramètres de l'objectif du MPC, qui façonnent le comportement local, tandis que le critique évalue la performance à long terme. Pour les cas où les approximations locales des contraintes ne peuvent pas être satisfaites simultanément, celles-ci sont assouplies par des variables d'écart bornées et pénalisées, ce qui donne un programme quadratique « élastique ». Le résumé ne publie aucun chiffre : ni taux de collision, ni gain de temps de trajet, ni fréquence de calcul. Les tests, menés en simulation puis en expérimentation, portent sur l'évitement dynamique pour plusieurs robots dans des configurations étroites. L'enjeu est technique mais concret pour les intégrateurs de robots mobiles (AMR) et de flottes en entrepôt ou en usine. Les architectures acteur-critique avec MPC différentiable existantes ne savent pas intégrer facilement des contraintes d'état explicites, ce qui oblige à traiter l'évitement de collision par des pénalités dans la fonction de coût, sans garantie dure. AC-SMPC place ces contraintes au cœur de la couche d'optimisation apprise, ce qui rapproche l'apprentissage de ce que les décideurs exigent : une politique adaptative qui ne sacrifie pas la sécurité au profit de l'efficacité. L'approche tend à montrer que l'on peut conserver l'interprétabilité et la structure d'un contrôleur d'optimisation tout en profitant de l'adaptation par apprentissage. Il faut cependant rester prudent : les contraintes sont des approximations locales, relaxées par des variables d'écart, donc la sécurité reste empirique plutôt que formellement garantie, et l'article ne chiffre ni les gains ni la comparaison avec des références nommées. Ce travail s'inscrit dans une lignée qui combine MPC et apprentissage, avec des couches d'optimisation différentiables, pour dépasser les limites des planificateurs purement appris, souvent opaques, et des MPC à paramètres fixes, difficiles à régler en milieu dynamique. Il s'adresse à un segment distinct de la course humanoïde et des modèles VLA : la navigation multi-robots en espace restreint. Les concurrents sont les approches d'apprentissage par renforcement de bout en bout, les MPC classiques et les variantes à fonctions de barrière de contrôle. La suite logique serait une validation sur des plateformes réelles plus nombreuses, avec des métriques publiées, une évaluation du temps de calcul embarqué, puis des essais en conditions industrielles. À ce stade, il s'agit d'un résultat de recherche non évalué par les pairs, sans produit ni déploiement annoncé.

RecherchePaper

1 source

3arXiv 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

4arXiv 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