Aller au contenu principal
Planification optimale de frappe-et-saisie pour des blocs serrés sur table avec pinces parallèlesIllustration générée par IA
RecherchearXiv cs.RO 

Planification optimale de frappe-et-saisie pour des blocs serrés sur table avec pinces parallèles

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

Des chercheurs ont publié en mai 2025 sur arXiv (réf. 2605.17800) un algorithme de planification optimale pour manipuler des blocs densément rangés sur une surface plane avec des pinces parallèles standard. Le problème est classique en robotique de préhension : ces pinces à deux mâchoires rigides exigent une clearance latérale autour de l'objet cible avant toute saisie, ce qui devient infaisable en configuration serrée. Les auteurs formalisent ce défi sous le nom de "knock-pick planning" en introduisant une primitive directionnelle de frappe (knock) qui pousse un bloc voisin pour libérer l'espace nécessaire. Le plan optimal, minimisant le nombre total d'actions (frappes puis saisies), est calculé par un algorithme de couplage parfait à poids maximum (maximum-weight perfect matching) appliqué à une abstraction graphique du problème, avec une complexité polynomiale garantie. La validation a été conduite sur des configurations de grille de taille croissante en simulation synthétique, puis dans IsaacSim, le simulateur robotique d'NVIDIA.

La contribution principale est la garantie d'une complexité polynomiale pour un problème traité jusqu'ici de manière heuristique ou par recherche combinatoire coûteuse. En production, les systèmes pick-and-place contournent le problème de densité par l'espacement forcé des bacs, des effecteurs à ventouses tolérants au désordre, ou des mains robotiques dextres nettement plus onéreuses. Un planificateur polynomial opérant avec des pinces standard pourrait réduire sensiblement le coût d'intégration de lignes de tri dense en e-commerce et en pharmacie. L'algorithme montre aussi que l'entrelacement d'actions préhensiles (saisie) et non-préhensiles (poussée) peut être géré de façon rigoureuse et optimale, contredisant l'hypothèse répandue selon laquelle ce mixage requiert une planification intractable.

Ce travail s'inscrit dans la tradition de la manipulation non-préhensile formalisée par Mason et Erdmann dès les années 1980-1990, dont les résultats théoriques restaient difficiles à opérationnaliser dans des délais utiles. Les approches concurrentes actuelles, qu'il s'agisse de MCTS, A* ou d'apprentissage par renforcement, offrent une flexibilité sur des géométries variées mais sans garantie d'optimalité ni complexité bornée. La validation demeure pour l'instant limitée à la simulation, aucun déploiement sur robot physique n'étant annoncé. Les auteurs qualifient eux-mêmes ce travail de "stepping stone" : les extensions naturelles portent sur des objets non uniformes, des dispositions non-régulières, et une validation sur banc physique réel.

Dans nos dossiers

À lire aussi

Accessibilité différentiable parallèle pour l'apprentissage et la planification avec dynamiques neuronales et contrôleurs certifiés
Illustration générée par IA
1arXiv 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
Planification multirobot des tâches et mouvements, asymptotiquement optimale
Illustration générée par IA
2arXiv cs.RO 

Planification multirobot des tâches et mouvements, asymptotiquement optimale

Des chercheurs publient sur arXiv (identifiant 2609.18813v1, soumission de type "new", datée de septembre 2026) un nouvel algorithme de planification conjointe tâche-mouvement pour systèmes multi-robots, appelé MR-TAMP dans le papier. Le problème visé : quand plusieurs robots interagissent, chaque transition de tâche peut mobiliser un sous-ensemble différent de robots, ce qui change la dimension des contraintes appliquées à l'espace de configuration global. Les auteurs formalisent cette structure de transitions et posent des conditions suffisantes pour garantir une optimalité asymptotique globale, à savoir une couverture persistante des transitions pertinentes combinée à une amélioration continue de la planification de mouvement dans les régions faisables connectées. Concrètement, leur planificateur combine des cartes de chemins (roadmaps) individuelles par robot, mises à jour de façon incrémentale, avec une recherche implicite en produit tensoriel, ce qui évite de devoir construire explicitement la roadmap composite de l'ensemble des robots, opération normalement coûteuse. Pour rester efficace en temps fini, le système ajoute un échantillonnage conditionnel des transitions, une vérification paresseuse des collisions, et un guidage à la fois au niveau des modes de tâche et des solutions candidates. Pour l'industrie robotique, cette contribution s'adresse directement aux intégrateurs qui déploient des flottes de bras manipulateurs ou de robots coopératifs sur une même cellule de production ou d'entrepôt, où la coordination combinatoire entre tâches discrètes (qui fait quoi, dans quel ordre) et mouvements continus sans collision reste un verrou classique. Les algorithmes à garanties d'optimalité asymptotique existaient déjà pour un seul robot ; l'étendre au multi-robot sans exploser le coût de calcul est ce qui manquait pour des applications réelles à plusieurs bras synchronisés. Il s'agit toutefois d'une contribution théorique et algorithmique publiée en prépublication arXiv, sans validation industrielle ni chiffres de déploiement, de payload ou de temps de cycle : c'est un travail de recherche fondamentale, pas un produit ni une démonstration commerciale. Ce travail s'inscrit dans la lignée des planificateurs tâche-mouvement (TAMP) à garanties asymptotiques développés pour la robotique mono-robot, en cherchant à combler l'écart avec les approches multi-robots existantes, généralement basées sur une planification découplée ou priorisée sans garantie d'optimalité globale. Les suites logiques attendues sont une validation expérimentale plus poussée, une comparaison chiffrée face aux méthodes concurrentes, puis une possible soumission à une conférence de robotique comme ICRA ou IROS, étapes non encore mentionnées dans ce dépôt initial.

RecherchePaper
1 source
PATACON : RRT-Connect parallèle sur GPU par fibré tangent pour la planification de mouvement sous contraintes
Illustration générée par IA
3arXiv cs.RO 

PATACON : RRT-Connect parallèle sur GPU par fibré tangent pour la planification de mouvement sous contraintes

PATACON est un planificateur de mouvement bidirectionnel exécuté sur GPU, décrit dans une prépublication arXiv (2610.13195v1). Il vise la planification de mouvement contrainte pour des robots à corps entier, notamment des humanoïdes, ainsi que pour des systèmes à deux bras en chaîne fermée. Sa particularité est d'explorer l'espace tangent plutôt que l'espace de configuration ambiant, en exploitant la géométrie locale de la variété définie par des fonctions de contrainte connues. Les auteurs l'ont testé sur deux familles de tâches : la planification à deux bras en chaîne cinématique fermée et la planification contrainte du corps entier d'un humanoïde. Selon leurs résultats, PATACON dépasse les travaux antérieurs à mesure que croissent la dimension de l'espace de configuration et la codimension des contraintes, avec une accélération pouvant atteindre 11,25 fois. Il s'agit de résultats d'expériences en laboratoire, sans déploiement industriel ni produit commercialisé. Le texte ne précise pas non plus les robots, les temps de cycle absolus ni le matériel GPU utilisés. Le point technique visé est le coût de la projection sur la variété de contraintes. Les planificateurs massivement parallèles sur GPU, apparus récemment, ont déjà réduit le coût du test de collision et de la recherche du plus proche voisin. Mais ils continuent de faire avancer leurs échantillons dans l'espace ambiant. Les candidats s'écartent alors de la variété et doivent être reprojetés, une opération qui domine le temps de calcul dans les problèmes fortement contraints et de grande dimension, justement ceux d'un humanoïde. En avançant le long du fibré tangent, PATACON limite ces corrections. L'enjeu est la replanification continue en environnement dynamique, où un robot doit recalculer sa trajectoire en respectant à la fois l'évitement de collisions et des contraintes cinématiques comme la fermeture de boucle ou le maintien d'une orientation. Le gain annoncé croît avec la difficulté, ce qui est le bon sens d'évolution, mais « 11,25 fois » est un maximum, pas une moyenne. Il dépend de la baseline retenue et des scénarios choisis, et seule une lecture complète des benchmarks dira si la tendance se confirme sur des tâches variées. Les auteurs parlent d'un rapprochement du temps réel, pas d'un temps réel atteint. Ce travail s'inscrit dans la lignée des planificateurs de type RRT-Connect, algorithme bidirectionnel classique, et de leurs variantes pour variétés contraintes, longtemps pénalisées par la projection itérative. Les versions parallélisées sur GPU ont ensuite déplacé le goulot d'étranglement, et PATACON s'attaque à ce point précis. Il se positionne face à ces planificateurs GPU antérieurs, que l'extrait ne nomme pas. Pour les intégrateurs d'humanoïdes, l'intérêt est indirect : ces briques de planification complètent les politiques apprises de type VLA plutôt que de les remplacer, en offrant des trajectoires qui respectent des contraintes explicites. Les suites naturelles seraient une validation sur matériel réel et une intégration dans des boucles de replanification embarquées, qui ne sont pas annoncées.

RecherchePaper
1 source
Planification de tâches et de mouvements guidée par la preuve avec des modèles vision-langage
Illustration générée par IA
4arXiv cs.RO 

Planification de tâches et de mouvements guidée par la preuve avec des modèles vision-langage

EAFG (Evidence Acquisition and Feasibility Gating), publié sur arXiv le 20 août 2026 (2608.20084v1), est un framework de planification de tâches et de mouvements (TAMP) pilotée par des modèles vision-langage (VLM) pour robots manipulateurs. Face à une instruction longue, comme cuisiner un plat, le VLM peut halluciner la présence d'objets jamais observés et bâtir des sous-objectifs sur ses connaissances a priori plutôt que sur la perception réelle, causant des échecs d'exécution. EAFG fait d'abord explorer le robot, via des sous-objectifs générés par le VLM et exécutés par TAMP, pour recueillir des preuves visuelles ; une porte de faisabilité décide ensuite de planifier, d'explorer davantage, ou d'arrêter. Sur des tâches culinaires à usage d'objets ambigu, EAFG améliore la complétion des recettes en découvrant les objets pertinents avant de planifier, et réduit les tentatives inutiles quand un objet requis est absent, sans chiffres précis publiés. Cette approche cible un point de friction concret pour l'industrialisation des robots manipulateurs pilotés par VLM : l'écart entre la compréhension sémantique d'une instruction et la vérification géométrique et perceptive de sa faisabilité réelle. Pour les intégrateurs opérant en environnement partiellement observable, un robot qui agit sur des suppositions non vérifiées représente un risque opérationnel, en temps perdu ou en échecs silencieux. En séparant explicitement planifier, explorer et arrêter, EAFG remet en question l'hypothèse implicite de nombreux pipelines VLM+TAMP selon laquelle une seule perception de la scène suffit avant de planifier une tâche longue, une piste utile face au fossé persistant entre démonstrations contrôlées et déploiement fiable. EAFG s'inscrit dans la lignée des travaux combinant VLM et planification robotique, un courant structuré notamment autour d'approches comme SayCan, qui traduisent des instructions en langage naturel en séquences d'actions exécutables. Il s'agit ici d'une contribution académique : aucun robot commercial ni déploiement en production n'est mentionné, et le résumé ne précise pas si les expériences culinaires ont été menées sur un robot physique ou en simulation. La suite logique pour ce type de recherche serait une validation sur des tâches plus longues, dans des environnements moins contrôlés que la cuisine, et une comparaison directe avec d'autres pipelines VLM+TAMP sur des benchmarks partagés.

RecherchePaper
1 source