Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
Approximation du MPC global à contact implicite par échantillonnage et complémentarité locale
RecherchearXiv cs.RO 

Approximation du MPC global à contact implicite par échantillonnage et complémentarité locale

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

Des chercheurs ont publié sur arXiv (réf. 2505.13350, mai 2025) un algorithme de contrôle en temps réel pour la manipulation dextère robotique. Démontré sur un bras Franka Panda, il cible la manipulation non-préhensile d'objets à géométrie non convexe, c'est-à-dire par poussée ou glissement sans saisie ferme. Le coeur de l'approche est une décomposition de chaque cycle de contrôle en deux phases exécutées en parallèle : une phase sans contact qui explore globalement des positions candidates de l'effecteur final par échantillonnage basse dimension, suivie d'une phase riche en contacts qui évalue le coût de chaque position candidate via un MPC (Model Predictive Control) implicite en contact local. La sélection de la meilleure position candidate oriente ensuite la commande du robot, combinant exploration globale et optimisation locale en un seul pipeline temps réel.

Ce travail s'attaque à une limite fondamentale des contrôleurs MPC implicites en contact existants : confinés à un voisinage local de l'état courant, ils échouent dès que la manipulation requiert d'atteindre une configuration de contact éloignée, nécessitant souvent une intervention extérieure. L'idée d'une phase de scouting sans contact, légère en calcul et parallélisée, contourne ce problème sans recourir à un planificateur global coûteux hors-ligne. Pour les intégrateurs industriels travaillant sur la manipulation de pièces irrégulières en ligne d'assemblage, c'est une piste sérieuse pour réduire le besoin d'intervention humaine sur des configurations non triviales. L'approche contraste aussi avec les méthodes d'apprentissage (diffusion policies, VLA) qui contournent la modélisation physique : elle reste interprétable et moins dépendante des données, ce qui compte en contexte industriel ou certifiable.

Le MPC implicite en contact s'est structuré ces cinq dernières années autour de travaux de MIT, CMU et ETH Zurich sur les formulations par complémentarité (LCP, SOCP), dont ce papier constitue une extension directe. Le Franka Panda reste le bras de référence académique dans ce domaine. Les concurrents directs de l'approche incluent les méthodes tout-échantillonnage comme MPPI ou CEM (efficaces sur la cinématique, fragiles sur les contacts rigides) et les politiques génératives comme pi-zero (Physical Intelligence) ou GR00T N2 (NVIDIA), qui généralisent davantage mais exigent des volumes de données considérables. La page projet associée présente les démonstrations expérimentales en laboratoire, mais aucun déploiement industriel ni partenariat commercial n'est annoncé à ce stade.

Dans nos dossiers

NVIDIA GR00TPhysical Intelligence — π0arXiv cs.RO

À lire aussi

Optimisation globale de trajectoire par échantillonnage pour la manipulation à contact riche via KernelSOS
1arXiv cs.RO 

Optimisation globale de trajectoire par échantillonnage pour la manipulation à contact riche via KernelSOS

Un groupe de chercheurs a publié le 27 avril 2026 sur arXiv (arXiv:2604.27175) une méthode d'optimisation de trajectoires baptisée Global-MPPI, dédiée aux tâches de manipulation dites "contact-rich", des scénarios où le robot entre en contact répété avec son environnement, comme pousser, assembler ou manipuler des objets en main. Le cadre combine deux niveaux : une exploration globale via optimisation kernel sum-of-squares (KernelSOS), suivie d'un raffinement local par la méthode MPPI (Model-Predictive Path Integral). Pour gérer la non-régularité des paysages d'optimisation liée aux dynamiques de contact hybrides, les auteurs introduisent un lissage progressif par log-sum-exp, qui fait évoluer le problème d'un objectif régularisé vers l'objectif non-lisse original. Les tests portent sur deux benchmarks haute dimension à horizon long : la tâche PushT et la manipulation dextère in-hand. Les résultats affichent une convergence plus rapide et des coûts finaux inférieurs aux méthodes de référence, mais uniquement en simulation. Le verrou résolu est structurel : sans mécanisme d'exploration globale, les méthodes par échantillonnage comme MPPI convergent facilement vers de mauvais minima locaux. Pour la manipulation contact-rich, composant critique des bras industriels, des mains robotiques et des humanoïdes, ce phénomène génère des trajectoires sous-optimales dans des environnements géométriquement complexes. L'approche KernelSOS apporte une garantie formelle de couverture de l'espace des solutions là où les variantes purement stochastiques de MPPI restent dépendantes de l'initialisation. La combinaison avec le lissage adaptatif traite directement les discontinuités de contact, qui rendent les méthodes de gradient classiques inapplicables. Le transfert sim-to-real n'est pas évalué dans ce travail, ce qui constitue la principale limite à ce stade. MPPI a été développé à Georgia Tech par Grady Williams et Evangelos Theodorou (2016-2018) et s'est imposé en MPC stochastique temps réel via des implémentations GPU massivement parallèles. L'optimisation sum-of-squares (SOS) est issue des travaux de Parrilo (MIT) et Lasserre (LAAS-CNRS, Toulouse). Global-MPPI constitue le premier cadre à combiner explicitement ces deux familles dans un pipeline de planification de manipulation. Sur le plan concurrentiel, l'approche se positionne face à la Cross-Entropy Method (CEM), aux planificateurs par diffusion comme Pi-0 de Physical Intelligence ou Diffusion Policy, ainsi qu'aux optimiseurs de trajectoires différentiables (Drake, trajopt). Ce preprint n'a pas encore été soumis à une conférence identifiée et aucun code public ni déploiement hardware n'est annoncé à ce stade.

UELes fondements SOS de cette méthode sont issus des travaux de Lasserre au LAAS-CNRS (Toulouse), mais le preprint n'implique aucune institution française ou européenne identifiée et reste sans impact opérationnel direct sur la France/UE à ce stade.

RecherchePaper
1 source
Localisation par graphe de facteurs assistée par contact pour l'échantillonnage sous-marin
2arXiv cs.RO 

Localisation par graphe de facteurs assistée par contact pour l'échantillonnage sous-marin

Des chercheurs publient sur arXiv (référence 2608.26932v1) un système baptisé « Contact-Aided Factor-Graph Localization », conçu pour les véhicules sous-marins autonomes effectuant des prélèvements rapprochés sur le fond marin. Le système fusionne, dans un graphe de facteurs de type smoothing, les événements de contact d'un manipulateur à succion avec l'odométrie visuelle adaptative, des détections d'objets par apprentissage, et les capteurs embarqués, dont un loch Doppler (DVL) couplé à une centrale inertielle. Les facteurs d'odométrie visuelle et de repérage d'amers (bearing-range) sont pondérés selon les statistiques d'inliers, afin d'éviter que des images visuellement pauvres ne déstabilisent l'estimateur, tandis que les contacts physiques sont traités comme des facteurs à haute confiance générant des fermetures de boucle implicites, sans reconnaissance de lieu basée sur l'apparence. Le système peut s'initialiser entièrement en ligne, pendant le mouvement. Les auteurs ont validé l'approche en bassin, en environnement portuaire et en simulation. Pour les intégrateurs et opérateurs de robotique sous-marine, l'apport tient au traitement du contact physique comme primitive de localisation à part entière, et non comme simple sous-produit de la manipulation. Sur les fonds marins plats et peu texturés, les caméras orientées vers le bas souffrent d'ambiguïté d'échelle, de dégénérescence latérale et d'un suivi de features instable, tandis que la fusion inertielle-DVL seule ne corrige aucune dérive structurelle. En exploitant les événements de succion du bras manipulateur comme contraintes géométriques informatives, le système réduit la dérive de trajectoire et améliore la précision de revisite d'objets, comparé à une navigation par filtrage classique ou à des formulations en graphe sans contact. Le résultat conforte l'idée que l'interaction physique incarnée peut compenser la dégradation perceptuelle propre aux environnements sous-marins, un problème structurel pour l'échantillonnage automatisé en eaux profondes ou en zones de biofouling. L'estimation d'état sous-marine reste historiquement dépendante du couple DVL/centrale inertielle, complété ponctuellement par odométrie visuelle ou acoustique, deux approches connues pour dériver en l'absence de repères stables. Le papier s'inscrit dans une lignée de recherches sur la localisation SLAM sous-marine appliquée au prélèvement, à l'inspection d'infrastructures immergées ou à la biologie marine, un segment où les essais en conditions réelles au-delà du bassin ou du port restent rares. Les auteurs ne précisent ni calendrier de déploiement industriel ni partenaire commercial; les résultats publiés se limitent à des tests contrôlés, sans validation en mer ouverte ou en grande profondeur, ce qui laisse ouverte la question du passage à l'échelle vers des missions d'échantillonnage autonome en environnement opérationnel.

RecherchePaper
1 source
Une approche par échantillonnage incrémental et segmentation pour l'infaisabilité en planification de mouvement
3arXiv cs.RO 

Une approche par échantillonnage incrémental et segmentation pour l'infaisabilité en planification de mouvement

Des chercheurs ont publié une troisième révision sur arXiv (2501.11434v3) d'un algorithme destiné à détecter l'infaisabilité d'un plan de mouvement en robotique, c'est-à-dire à prouver rapidement qu'aucun chemin ne relie une configuration de départ à une configuration d'arrivée. La méthode discrétise l'espace des configurations du robot, chaque degré de liberté (DOF) ne prenant qu'un nombre fini de valeurs. L'espace obstacle divise cet espace en régions connexes distinctes : pour qu'un chemin existe, départ et arrivée doivent appartenir à la même région. L'algorithme construit progressivement une carte de cet espace, initialement supposé entièrement libre, en échantillonnant des points dans la zone obstacle et en mettant à jour une bitmap correspondante. Il segmente ensuite cet espace partiellement rempli pour identifier ses composantes connexes et vérifier la connectivité entre départ et arrivée. Les auteurs valident l'approche sur cinq scénarios allant jusqu'à 5 DOF, puis démontrent expérimentalement son passage à l'échelle sur des robots à 6 et 7 DOF, avec des optimisations visant à accélérer significativement les calculs. L'enjeu dépasse la simple curiosité académique : prouver qu'un mouvement est impossible est structurellement plus difficile que d'en trouver un possible, car les planificateurs par échantillonnage les plus répandus (RRT, PRM et leurs variantes) sont conçus pour converger vers une solution quand elle existe, mais tournent indéfiniment ou échouent silencieusement en son absence. Pour un intégrateur industriel programmant une cellule robotisée, savoir en amont qu'une trajectoire est irréalisable évite un temps de calcul infini et permet de reconfigurer l'environnement ou la pose du robot plus tôt dans le cycle de conception. La démonstration sur des configurations à 6 et 7 DOF est le point notable : elle indique que la méthode ne reste pas cantonnée à des cas jouets de basse dimension, un écueil fréquent pour les approches de segmentation d'espace de configuration. La détection de complétude et d'infaisabilité en planification de mouvement est un sujet de recherche ancien, où les méthodes par grille ou par décomposition cellulaire coexistent avec les approches probabilistes plus rapides mais incomplètes. Cette publication, revue une troisième fois avant réévaluation, s'inscrit dans cette lignée en proposant une alternative simple à implémenter plutôt qu'une preuve théorique lourde, ouvrant la voie à une intégration dans des pipelines de planification existants pour des bras robotiques à haute dimensionnalité.

RecherchePaper
1 source
Combinaison d'échantillonnage contraint et d'apprentissage par renforcement pour la manipulation robotique
4arXiv cs.RO 

Combinaison d'échantillonnage contraint et d'apprentissage par renforcement pour la manipulation robotique

Manipulation robotique non préhensile : des chercheurs de la TU Berlin combinent échantillonnage contraint et apprentissage par renforcement Une équipe de la TU Berlin, associée au laboratoire de Marc Toussaint, publie une nouvelle version de ses travaux sur l'entraînement de politiques de manipulation robotique en environnement riche en contacts (arXiv:2602.08557v2). Le problème visé est la manipulation dite non préhensile, c'est à dire pousser, faire glisser ou réorienter un objet sans le saisir, une tâche où l'apprentissage par renforcement (RL) peine souvent à explorer suffisamment l'espace des stratégies possibles. La méthode proposée combine deux idées existantes mais rarement associées : d'une part des stratégies de réinitialisation qui contrôlent la distribution des états de départ de chaque épisode d'entraînement, et d'autre part un échantillonnage basé modèle sur des variétés contraintes, une technique reconnue pour son efficacité à générer des états physiquement valides. Le nouvel échantillonneur tient explicitement compte de la structure des contacts pour couvrir un large éventail de modes de contact, le tout combiné à une interpolation projetée et à un apprentissage curriculaire progressif. Sur le plan des résultats, l'équipe affirme surpasser à la fois le RL classique sans échantillonnage contraint et les méthodes alternatives de réinitialisation, en entraînant des politiques universelles, non préhensiles et dynamiques. L'intérêt pour le secteur tient moins à un produit qu'à une brique méthodologique : la manipulation en contact riche, aujourd'hui l'un des points durs de la robotique appliquée (tri industriel, réorientation d'objets sur convoyeur, préhension d'objets déformables), reste largement dominée par des politiques apprises en simulation qui échouent à généraliser sur des configurations de contact non vues à l'entraînement. Une méthode qui améliore la couverture des modes de contact pendant l'apprentissage adresse directement ce problème de généralisation, sans dépendre d'un matériel ou d'un actionneur particulier. Il s'agit ici d'une contribution académique, pas d'une annonce produit ni d'un déploiement industriel, du matériel supplémentaire étant disponible sur le site du laboratoire. Le travail s'inscrit dans la continuité des recherches de Toussaint sur la planification géométrico logique et les approches hybrides modèle/apprentissage, un courant de recherche européen qui contraste avec les approches purement data-driven (type VLA) privilégiées par les laboratoires américains sur les plateformes humanoïdes commerciales.

UEContribution de la TU Berlin (laboratoire de Marc Toussaint) qui renforce l'expertise européenne en manipulation robotique hybride modèle/apprentissage, une approche qui se distingue des méthodes VLA data-driven privilégiées par les laboratoires américains.

RecherchePaper
1 source