RecherchearXiv cs.RO 19 mai 2026

Pliage dynamique de tissu par robot grâce au contrôle prédictif basé sur l'opérateur de Koopman

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Une équipe de chercheurs a soumis sur arXiv en mai 2026 (arXiv:2605.18373) une approche de contrôle prédictif par modèle (MPC) pour le pliage dynamique de tissu par bras robotique. Le système repose sur la régression par noyau de l'opérateur de Koopman, une technique d'identification de systèmes non linéaires, pour construire un modèle linéaire de substitution du comportement du tissu. Ce modèle surrogate est entraîné à partir de données issues d'un simulateur physique haute-fidélité, puis intégré dans l'algorithme MPC à la place du modèle non linéaire coûteux, permettant de générer des trajectoires de pliage rapide. Les expériences couvrent des environnements simulés et un robot réel, démontrant la capacité à atteindre des configurations de pliage non vues à l'entraînement sans dégradation mesurée de la précision.

L'enjeu est structurant pour la manipulation d'objets déformables : le pliage dynamique de tissu, qui exploite l'inertie du textile via des mouvements rapides, bute depuis des années sur un compromis persistant entre vitesse et précision, les systèmes existants nécessitant plusieurs tentatives ou se limitant à des pièces rigides et petites. Le transfert sim-to-real est également un obstacle majeur avec les modèles physiques non linéaires du tissu, dont l'inférence haute-fidélité est prohibitive en temps réel. En linéarisant la dynamique du tissu via l'opérateur de Koopman, les auteurs allègent drastiquement la charge computationnelle du MPC, ouvrant la voie à un contrôle quasi-temps-réel pour des applications textiles industrielles (blanchisseries, e-commerce, confection). Il convient toutefois de signaler que les expériences en conditions réelles restent limitées en portée à ce stade de preprint, sans validation sur une grande diversité de matières ou de formats de vêtements.

L'opérateur de Koopman connaît depuis 2020-2021 un intérêt croissant en robotique comme alternative aux modèles neuronaux pour la linéarisation de systèmes non linéaires, notamment dans la locomotion et la manipulation. Dans le domaine du cloth manipulation, des travaux récents de Columbia, MIT ou de l'équipe derrière UniGarmentManip ont exploré les politiques par apprentissage par renforcement ou par diffusion, mais sans combiner la structure MPC avec l'identification Koopman. Aucune entreprise ni spin-off n'est associée à cette publication. Les suites logiques incluent une validation sur une plus grande variété de tissus (matières, tailles, rigidités variables) et l'intégration dans un pipeline complet combinant perception de l'état du tissu et planification de préhension, deux briques que le preprint ne couvre pas encore.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

Contrôle prédictif de pression basé sur l'apprentissage pour une queue robotique souple vertébrée

Une équipe de recherche présente, dans une publication mise en ligne sur arXiv le 30 septembre 2026, un système de contrôle par prédiction de pression (PPC, pressure prédictive control) pour une queue robotique molle segmentée de type vertébrale, destinée a etre montee sur un robot quadrupède. Le système s'appuie sur des réseaux de neurones récurrents LSTM et combine trois modules : un modèle de cinématique inverse (IK), un modèle de cinématique directe (FK) et un module de compensation de pression (P-comp), permettant de piloter la queue aussi bien en mouvement quasi statique qu'en mouvement dynamique non stationnaire. Compare a une approche fondée uniquement sur la cinématique inverse, le PPC réduit l'erreur quadratique moyenne (RMSE) des trajectoires simulées de 69,8 % lors de l'exécution de trajectoires cibles. Dans les mouvements coordonnes entre la queue et le torse du quadrupède, l'utilisation d'un jeu de données de prédiction pour entrainer le PPC permet d'anticiper l'action au pas de temps suivant et réduit le temps de calcul de 60,9 %, améliorant la réactivité de la queue face au rythme de déplacement du robot. Cette avancée s'attaque a un problème récurrent de la robotique molle : la modélisation cinématique des structures continues, dont le comportement matériel non linéaire complique fortement le contrôle, en particulier lors de mouvements non statiques ou l'inertie et les déformations dynamiques entrent en jeu. En montrant qu'un modèle appris remplace avantageusement une cinématique inverse purement analytique, a la fois sur la précision de trajectoire et sur le temps de calcul, les auteurs fournissent une preuve de concept utile aux équipes qui cherchent a doter des robots quadrupèdes d'un appendice mou capable d'apporter du contrôle d'équilibre dynamique ou une interaction physique avec l'environnement, sans recourir a des actionneurs rigides plus lourds et moins surs au contact. Le gain de 60,9 % sur le temps de calcul est particulièrement pertinent pour les applications temps réel, ou la latence de contrôle limite aujourd'hui l'adoption de structures molles complexes face a des actionneurs rigides plus prévisibles. Le travail s'inscrit dans le courant plus large de la robotique molle, ou la difficulté a modéliser précisément des structures déformables freine depuis des années le passage de prototypes de laboratoire a des systèmes déployés, contrairement aux bras et jambes rigides dont la cinématique est bien maîtrisée. L'ajout d'un appendice caudal a un robot quadrupède fait écho a des travaux antérieurs sur les queues robotiques utilisées pour la stabilisation dynamique et le contrôle d'équilibre, un axe également explore par des laboratoires travaillant sur des robots inspires du vivant. Publiee sous forme de preprint arXiv non encore revu par les pairs, l'étude ne précise ni calendrier de transfert vers un produit commercial ni partenaire industriel, mais constitue une brique méthodologique réutilisable par d'autres équipes pour entrainer des contrôleurs similaires sur d'autres structures molles articulées.

RecherchePaper

1 source

2arXiv cs.RO

Contrôle accéléré par Koopman de la diffusion basée sur modèle pour le contrôle robotique en temps réel

Des chercheurs du RCI Lab de l'université Kyung Hee (Coree du Sud) publient sur arXiv (2609.28920) une méthode de planification en temps réel nommée BK-MBD (bilinear Koopman model-based diffusion). Elle projette l'état du robot dans un espace de haute dimension une seule fois par pas de contrôle, puis propage tous les candidats de trajectoire par simples multiplications matrice-vecteur, évitant de resimuler la dynamique complète comme le fait le model-based diffusion classique. En simulation, chaque mise a jour tient en 14,7 ms maximum pour une période de contrôle de 50 ms, avec un objectif atteint a chaque essai, contre un échec quasi systématique pour un modèle de Koopman linéaire. Sur un manipulateur physique réel suivant une cible mobile inconnue au départ, BK-MBD est la seule méthode a la fois a suivre la cible et a tenir le délai. Ce résultat s'attaque a un verrou connu : les méthodes de diffusion appliquées au contrôle produisent des trajectoires de qualité mais leur cout de calcul les cantonne généralement au hors-ligne, les rendant inutilisables en boucle fermée a cadence élevée. En rendant la dynamique bilinéaire plutôt que linéaire dans l'espace de Koopman, BK-MBD laisse le gain d'entrée varier avec la configuration du robot, une capacité qu'un modèle linéaire ne reproduit pas, ce qui explique l'écart de performance observe. La méthode franchit aussi un passage qu'aucune région convexe unique ne couvre, la ou un contrôleur bilinéaire convexifie échoue presque toujours. Pour les intégrateurs et chercheurs en contrôle robotique, c'est un indice que l'optimisation par diffusion peut devenir compatible avec des cadences de contrôle réelles sans attendre une accélération matérielle massive. BK-MBD s'inscrit dans un courant de recherche récent combinant théorie de l'opérateur de Koopman et diffusion générative pour la planification robotique. L'article, classe comme nouvelle soumission arXiv, ne mentionne aucun partenaire industriel, pilote commercial ni calendrier de déploiement. Il s'agit pour l'instant d'un résultat de laboratoire, valide en simulation et sur un seul manipulateur physique, sans indication de portage vers d'autres plateformes ou vers une chaine de production ; une page projet dédiée est disponible en ligne (rcilab.khu.ac.kr/bkmbd).

RecherchePaper

1 source

3arXiv cs.RO

Navigation multi-robots mobile sous incertitude d'exécution : apprentissage par opérateur de Koopman et commande prédictive non linéaire

Des chercheurs ont développé un système de contrôle prédictif non linéaire (NMPC) pour la navigation de robots mobiles en essaim, en couplant l'optimisation de trajectoire à des modèles dynamiques appris via la théorie de l'opérateur de Koopman. Le cœur de la méthode repose sur un modèle Koopman bilinéaire "relevé" (lifted), capable de prédire le comportement de systèmes à entrées affines soumis à des perturbations, sans connaître le modèle dynamique réel des robots. L'équipe a testé son approche sur deux tâches classiques de robotique en essaim : l'atteinte de cible (target reaching) et le contrôle de formation, avec des robots à roues évoluant dans des environnements encombrés d'obstacles. La validation s'est faite exclusivement par simulations numériques étendues, en faisant varier le degré de glissement aléatoire des roues, une source d'incertitude fréquente en conditions réelles. Aucun déploiement matériel n'est mentionné dans l'article, publié sur arXiv (2609.14058) : il s'agit donc d'une preuve de concept en simulation, pas d'une démonstration sur du hardware physique. L'intérêt pour l'industrie tient à la promesse d'un contrôle robuste sans identification précise du système, un problème récurrent pour les intégrateurs déployant des flottes de robots mobiles ou d'AMR sur des sols glissants, irréguliers ou mal caractérisés. Contourner la modélisation dynamique explicite via un opérateur de Koopman appris permettrait, en théorie, de réduire le travail d'ingénierie nécessaire pour adapter un contrôleur à chaque nouvelle plateforme ou terrain, tout en gardant les garanties de stabilité et de contrainte propres au NMPC. Reste que la démonstration se limite à des glissements de roues simulés dans des environnements contrôlés : l'écart classique entre simulation et réalité n'est pas encore comblé, et la généralisation à des perturbations non modélisées en usine reste à prouver. Cette approche s'inscrit dans un courant de recherche actif combinant apprentissage de dynamiques (Koopman, souvent présenté comme alternative linéarisable aux réseaux de neurones profonds) et commande optimale robuste, pour pallier les limites des modèles physiques classiques en robotique mobile multi-agents. Elle se positionne face à des méthodes concurrentes de contrôle de formation basées sur l'apprentissage par renforcement ou sur des modèles analytiques de glissement. Les auteurs ne mentionnent ni collaboration industrielle, ni calendrier de test sur robots physiques ; les prochaines étapes attendues pour ce type de travaux académiques sont généralement une validation expérimentale sur plateforme réelle et un passage à l'échelle vers des essaims plus nombreux.

RecherchePaper

1 source

4arXiv cs.RO

Apprentissage de dynamiques neuronales ODE adaptées au contexte pour le contrôle robotique adaptatif

Des chercheurs ont proposé un modèle de dynamique contextuel fondé sur les équations différentielles ordinaires neuronales (Neural ODE) pour améliorer le contrôle de robots opérant dans des environnements incertains et variables. Le travail, déposé en juin 2026 sur arXiv (référence 2606.15469), cible les perturbations que les contrôleurs classiques peinent à absorber: variations des conditions de contact, effets aérodynamiques et perturbations externes imprévues. La méthode repose sur une procédure d'entraînement en deux phases: le modèle inspecte l'historique des états et des actions du robot pour inférer les facteurs environnementaux courants, sans capteurs dédiés supplémentaires. La compatibilité avec le MPC (Model Predictive Control) est intégrée dès la conception. Les validations portent sur trois plateformes distinctes: un drone quadrirotor en simulation, un robot sphérique Sphero BOLT et un bras manipulateur industriel Fanuc, ces deux derniers testés en conditions réelles. L'enjeu central est la dérive de modèle lors du déploiement: un robot calibré en laboratoire voit ses performances se dégrader dès que l'environnement change, que ce soit un sol différent, une charge variable ou des turbulences. Par rapport aux approches récurrentes classiques (LSTM, GRU), les Neural ODE présentent un avantage structurel: elles modélisent la dynamique en temps continu, ce qui améliore la cohérence physique et simplifie l'interface avec les solveurs MPC. L'inférence du contexte depuis le seul historique actions-états, sans instrumentation additionnelle, réduit la barrière d'intégration pour les industriels. Le test sur un Fanuc, bras omniprésent en production manufacturière, ancre les résultats dans une réalité opérationnelle tangible. Point de réserve: l'article est un preprint et l'abstract ne publie aucune métrique chiffrée de performance, ce qui rend l'évaluation indépendante difficile à ce stade. Les Neural ODE ont été introduites en 2018 par Chen et al. (NeurIPS) comme alternative aux réseaux récurrents pour modéliser des systèmes dynamiques continus. Leur application au contrôle robotique adaptatif répond à un obstacle persistant du secteur: le sim-to-real gap, qui fragilise la fiabilité des systèmes autonomes hors conditions contrôlées. Les approches concurrentes comprennent les processus gaussiens (GP) pour l'adaptation en ligne, les algorithmes méta-apprenants (MAML, PEARL) et l'identification de systèmes en temps réel. Ce travail se distingue par l'inférence contextuelle implicite, couplée nativement au MPC plutôt qu'ajoutée en couche. Le code source est ouvert sur GitHub et des démonstrations vidéo sont accessibles. La prochaine étape logique serait une validation sur des tâches de manipulation à charge variable ou un déploiement en environnement industriel non contrôlé.

RecherchePaper

1 source