Aller au contenu principal
cuNRTO : optimisation de trajectoires robustes non linéaires accélérée par GPUIllustration générée par IA
RecherchearXiv cs.RO 

cuNRTO : optimisation de trajectoires robustes non linéaires accélérée par GPU

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 mis en ligne sur arXiv (réf. 2603.02642v2) cuNRTO (CUDA Nonlinear Robust Trajectory Optimization), un framework GPU pour l'optimisation de trajectoire robuste sous incertitude bornée. Ces problèmes mènent typiquement à des contraintes de programmation conique du second ordre (SOCP), dont la résolution est très coûteuse sur CPU. Les auteurs proposent deux architectures : NRTO-DR, basée sur le splitting de Douglas-Rachford pour paralléliser les projections SOCP et les résolutions directes creuses, et NRTO-FullADMM, une variante inédite exploitant l'ADMM (Alternating Direction Method of Multipliers) pour améliorer la scalabilité en tirant parti de la structure du problème. L'implémentation repose sur des kernels CUDA personnalisés pour les projections SOC et des chaînes cuBLAS GEMM pour les mises à jour des gains de retour d'état. Testées en simulation sur un modèle unicycle, un quadrirotor et le bras manipulateur Franka Emika, les deux architectures atteignent des accélérations allant jusqu'à 139,6x par rapport aux solveurs CPU de référence.

L'enjeu est concret pour les équipes robotique et les intégrateurs : l'optimisation de trajectoire robuste en temps réel reste aujourd'hui hors de portée des architectures CPU pour la plupart des applications embarquées, les solveurs classiques étant cantonnés à une planification hors ligne ou à très basse fréquence. Un gain de 139,6x ouvre la voie à une réplanification en boucle fermée sur des manipulateurs industriels et des drones opérant sous incertitudes réelles (charges variables, perturbations mécaniques). Nuance importante : l'ensemble des benchmarks est produit en simulation. Le gap sim-to-real sur GPU embarqués, où la latence mémoire et la bande passante sont significativement plus contraintes que sur un serveur de calcul, reste entièrement à valider avant tout déploiement opérationnel.

Ce travail s'inscrit dans la continuité des efforts d'accélération GPU pour le contrôle optimal, dont cuRobo (NVIDIA) et les variantes GPU de l'MPPI sont les exemples les plus connus. L'optimisation robuste avec contraintes SOCP reste un angle peu couvert par ces frameworks, les formulations quadratiques classiques étant structurellement plus simples à paralléliser. Le papier est un preprint arXiv en version v2, pas encore évalué par une conférence de référence comme ICRA, IROS ou RSS. Le code sera rendu public via cunrto.github.io, ce qui permettra des comparaisons indépendantes. La prochaine étape logique serait une validation hardware sur GPU embarqués de type NVIDIA Jetson Orin, représentatifs du déploiement cible en robotique autonome.

Dans nos dossiers

À lire aussi

Optimisation non linéaire à grande échelle : de nombreux problèmes, un seul GPU
Illustration générée par IA
1arXiv cs.RO 

Optimisation non linéaire à grande échelle : de nombreux problèmes, un seul GPU

Des chercheurs ont publié fin juin 2026 sur arXiv jaxipm, présenté comme le premier solveur de programmes non linéaires (NLP) capable de traiter des lots de problèmes simultanément sur GPU. Construit sur la base algorithmique d'IPOPT, le solveur de référence dans les pipelines de planification en robotique, et implémenté en JAX, jaxipm atteint jusqu'à 32,85 fois le débit d'IPOPT classique sur des benchmarks de contrôle prédictif non linéaire (NMPC) pour drones quadrotors. Les scénarios testés couvrent le suivi de trajectoire en présence d'obstacles, la navigation multi-drones sans collision, et l'évitement en environnement encombré. Le code est disponible en open source sur GitHub (johnviljoen/jaxipm). L'enjeu est structurel : les solveurs NLP matures comme IPOPT offrent des garanties de satisfaction de contraintes et d'optimalité locale introuvables dans les méthodes par apprentissage par renforcement (RL) ou MPPI, mais ils sont mono-thread et CPU-bound, incompatibles avec les pipelines GPU-batched qui dominent la recherche robotique moderne. Cette incompatibilité a creusé un fossé entre deux familles d'approches : les solveurs à gradients, précis mais séquentiels, et les méthodes d'échantillonnage, parallélisables mais sans garanties formelles. jaxipm comble ce fossé via deux innovations : la "heterogeneous iteration fusion", qui supprime le branchement conditionnel dans la boucle interne d'IPOPT, et l'"iteration level batching", qui minimise les temps morts du GPU lors du traitement simultané de N instances indépendantes. Pour les équipes de motion planning souhaitant coupler planification contrainte et apprentissage dans une boucle unifiée, ce type de solveur change le régime de ce qui est calculable en temps quasi-réel. IPOPT, développé à partir des années 2000 à Argonne National Laboratory, est le standard de facto en robotique pour la planification de trajectoires, la cinématique inverse, et la gestion de contacts. Son intégration dans des frameworks modernes comme MuJoCo MPC ou les pipelines Pinocchio reste cependant bridée par sa nature séquentielle. Face à l'essor des simulateurs GPU-batched comme IsaacLab (NVIDIA) ou MJX (Google DeepMind), capables de générer des millions de rollouts par seconde, l'absence d'un solveur NLP au même format représentait un goulot d'étranglement pour les approches hybrides. jaxipm est pour l'instant validé uniquement sur des benchmarks drones quadrotors, ce qui appelle une évaluation sur configurations manipulateurs ou robots humanoïdes avant de pouvoir généraliser les gains annoncés à l'ensemble du spectre robotique.

RecherchePaper
1 source
Robots humanoïdes : accélérer la génération de trajectoires par diffusion et distillation par cohérence
Illustration générée par IA
2arXiv cs.RO 

Robots humanoïdes : accélérer la génération de trajectoires par diffusion et distillation par cohérence

Une équipe de recherche propose un framework de planification de trajectoires contraintes pour bras manipulateurs en interaction homme-robot (HRI). Le point de départ : quand la pose de l'effecteur terminal est entièrement fixée, imposer en plus l'évitement de collisions et d'auto-collisions comme simple tâche secondaire dans l'espace nul devient difficile, ce qui complique la génération de trajectoires sûres. Les chercheurs génèrent d'abord, via les algorithmes RRT et RRT*, un jeu de données de trajectoires respectant ces contraintes, puis entraînent dessus un modèle de diffusion produisant des trajectoires articulaires par échantillonnage guidé. Une distillation de cohérence réduit ensuite le temps d'inférence, et un terme de régularisation du jerk pondéré par articulation est ajouté à la fonction de perte pour lisser les trajectoires. En simulation, le modèle de cohérence génère 150 candidats en moins de 100 millisecondes, avec un taux de réussite élevé, et la régularisation du jerk réduit nettement les à-coups articulaires et à l'effecteur terminal. Ce résultat vise un verrou concret pour les robots collaboratifs travaillant près d'humains : les planificateurs classiques par échantillonnage comme RRT sont trop lents pour du replanning temps réel, tandis que les modèles de diffusion, efficaces pour capturer des distributions de trajectoires contraintes, restent coûteux en inférence à cause du débruitage itératif. En ramenant la génération à quelques étapes sans perte visible de qualité, la distillation de cohérence rapproche les planificateurs appris de la latence exigée par un usage embarqué, un enjeu direct pour les intégrateurs de cobots industriels et les concepteurs de systèmes HRI, où la sécurité ne doit pas se payer en réactivité. Le travail s'inscrit dans la lignée des approches par diffusion appliquées à la planification de mouvement et à l'apprentissage par imitation en robotique, où la vitesse de génération reste le principal obstacle face aux contrôleurs classiques. Les modèles de cohérence, conçus à l'origine pour accélérer la génération d'images, sont ici transposés à la manipulation robotique pour contourner ce compromis vitesse-qualité. Les résultats restent toutefois cantonnés à la simulation : la validation sur bras robotique physique, avec perception humaine réelle, constitue l'étape logique suivante avant tout déploiement en environnement collaboratif.

RecherchePaper
1 source
Gradients fonctionnels naturels pour l'optimisation de trajectoires fluides
Illustration générée par IA
3arXiv cs.RO 

Gradients fonctionnels naturels pour l'optimisation de trajectoires fluides

Une équipe de chercheurs a soumis sur arXiv (référence 2605.28202, mai 2026) un framework d'optimisation de trajectoire pour la manipulation robotique dans des environnements encombrés ou à passages étroits. La méthode introduit ce que les auteurs nomment des "gradients fonctionnels naturels" : plutôt que d'opérer dans un espace discret de waypoints, les mises à jour sont calculées directement dans l'espace fonctionnel, découplant la régularité de la trajectoire du pas de discrétisation temporelle. L'algorithme optimise un objectif lissé par noyau gaussien et emploie un estimateur Monte-Carlo du gradient naturel, ce qui le rend utilisable sans gradients analytiques, un avantage déterminant lorsque la détection de collision ou les simulations à contacts riches empêchent toute différentiation exacte. Les expériences portent sur des tâches de manipulation contrainte aux dégagements géométriques étroits. Pour un intégrateur ou un ingénieur en manipulation, l'apport concret réside dans la capacité à produire des trajectoires faisables là où des planificateurs établis comme CHOMP, TrajOpt ou GPMP2 peinent à converger ou génèrent des mouvements saccadés. La compatibilité "boîte noire" avec n'importe quel simulateur de contacts ouvre également la voie à une intégration dans des pipelines sim-to-real existants sans modifier le moteur physique sous-jacent. Les résultats présentés montrent une amélioration mesurable de la faisabilité et du lissé par rapport à ces baselines, bien que le préprint ne soit pas encore soumis à comité de lecture et que les conditions précises d'évaluation restent à examiner de façon indépendante. L'optimisation de trajectoire est un problème central depuis CHOMP (2009) et TrajOpt (2013) ; l'idée de gradient naturel, issue des travaux d'Amari en apprentissage statistique, n'avait pas encore été formalisée dans l'espace fonctionnel des trajectoires robotiques. Ce travail s'inscrit dans une dynamique active où les méthodes d'optimisation classique doivent maintenir leur pertinence face aux politiques diffusion et aux VLA (Vision-Language-Action models, modèles action guidés par le langage et la vision), qui représentent aujourd'hui une approche concurrente croissante pour la manipulation en espace contraint. Le code source et les vidéos de démonstration sont accessibles sur la page projet des auteurs ; une soumission à ICRA, IROS ou CoRL constituerait la prochaine étape naturelle de validation.

RecherchePaper
1 source
LEAP : optimisation de trajectoire par lagrangien augmenté et flot de gradient pour robots soumis à des contraintes de contact
Illustration générée par IA
4arXiv cs.RO 

LEAP : optimisation de trajectoire par lagrangien augmenté et flot de gradient pour robots soumis à des contraintes de contact

LEAP, un solveur de contrôle optimal publié sur arXiv (2610.20936v1), s'attaque à la génération de mouvements dynamiquement réalisables pour robots à jambes et manipulateurs en contact. Le problème est de grande taille, non linéaire et non convexe. Les forces de contact doivent respecter les cônes de friction sur toute la trajectoire, et pas seulement à quelques instants isolés. LEAP discrétise le problème par collocation pseudospectrale. Au lieu d'une résolution de type Newton ou SQP, il intègre un flot de gradient primal-dual d'un lagrangien augmenté de Powell-Hestenes-Rockafellar. Ce flot étant raide, les auteurs ont conçu un intégrateur linéairement implicite avec une métrique de Gauss-Newton, un terme de momentum et un contrôleur de pas fondé sur une fonction de mérite, qui garantit la décroissance monotone du lagrangien augmenté. Les tests portent sur cinq plateformes, des sauteurs planaires aux humanoïdes à 32 articulations. LEAP est la seule méthode à résoudre tous les problèmes testés. Il est nettement plus rapide que Crocoddyl et Aligator sur plusieurs benchmarks, et produit des références suivables avec des budgets de calcul plus faibles. Les trajectoires sont validées dans un simulateur haute fidélité et sur matériel. Le résumé ne chiffre toutefois ni les accélérations ni les budgets de calcul. L'enjeu est très pratique pour les équipes qui développent des humanoïdes et des quadrupèdes. Les solveurs actuels dépendent fortement de l'initialisation et passent mal à l'échelle quand le nombre d'articulations augmente. Pour cette raison, la planification de mouvements avec contacts reste souvent un travail d'ingénierie fin, qui exige un bon point de départ et des réglages manuels. Si la robustesse annoncée se confirme, la génération de références pourrait être moins fragile et moins coûteuse en calcul. Ce serait utile pour les pipelines hybrides, où des trajectoires optimisées servent de références à l'apprentissage par renforcement ou de données d'entraînement aux politiques de type VLA. Il faut cependant nuancer. Il s'agit d'un preprint non évalué par les pairs, la couverture de cinq plateformes reste limitée, et le « seul à tout résoudre » dépend du choix des benchmarks. Le code n'est pas disponible. Les auteurs ne le publieront qu'après acceptation définitive, ce qui empêche pour l'instant toute reproduction indépendante. Ce travail s'inscrit dans la lignée des méthodes de programmation dynamique différentielle et de contrôle optimal qui ont structuré la locomotion ces dernières années. Crocoddyl, issu de l'écosystème LAAS-CNRS et Pinocchio en France, et Aligator, développé par l'équipe Willow d'Inria, sont les références open source auxquelles LEAP se compare. Les deux outils sont donc d'origine européenne, ce qui donne à ce benchmark un intérêt direct pour la communauté robotique française. Face à eux, LEAP propose de remplacer les solveurs de second ordre par un flot de gradient stabilisé, mieux adapté aux grandes dimensions. La suite dépendra de la publication du code, de la validation sur d'autres morphologies et de tâches de manipulation, et de la preuve que les temps de calcul permettent une utilisation en boucle de commande prédictive en temps réel. Aucune échéance n'est annoncée à ce stade.

UELEAP se compare à Crocoddyl (LAAS-CNRS) et Aligator (Inria), deux solveurs open source d'origine française, ce qui intéresse directement la communauté française du contrôle optimal.

RecherchePaper
1 source