Aller au contenu principal
RED : ordonnancement adaptatif de DAG en temps réel pour l'inférence robotique en environnements dynamiquesIllustration générée par IA
RecherchearXiv cs.RO 

RED : ordonnancement adaptatif de DAG en temps réel pour l'inférence robotique en environnements dynamiques

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 uniqueImpact UE

Des chercheurs ont publié le 26 mai 2026 sur arXiv (identifiant 2605.24044) une architecture de planification temps-réel baptisée RED, pour Robotic Environmental Dynamics scheduling. L'objectif : permettre à des robots déployés dans des environnements dynamiques d'exécuter simultanément plusieurs réseaux de neurones profonds sur du matériel embarqué contraint, sans violer les contraintes de timing. Le système a été implémenté et évalué sur deux familles de plateformes : la gamme NVIDIA Jetson (standard de facto du bord embarqué robotique) et des MacBook équipés de puces Apple M-series. Les charges de travail testées couvrent des scénarios de navigation autonome représentatifs de l'inférence robotique réelle. L'architecture repose sur un ordonnanceur sensible aux échéances qui attribue des sous-échéances intermédiaires aux tâches organisées en graphes orientés acycliques (DAG), permettant de gérer des graphes de calcul évolutifs et des inférences asynchrones induites par des conditions imprévisibles.

Le problème visé est concret et sous-estimé en production : lorsqu'un robot perçoit son environnement en temps réel, les tâches d'inférence ne sont pas statiques. De nouveaux objets apparaissent, les relations de précédence entre tâches changent, et la structure globale du calcul évolue à l'échelle de la milliseconde. RED introduit une procédure de raffinement de charge couplée à une reconstruction du graphe pour aligner la structure des MIMONet (réseaux multi-entrées multi-sorties qui mutualisent les poids afin de réduire la pression mémoire) avec les exigences de planifiabilité. Les auteurs annoncent des gains sur les méthodes existantes en débit, respect des échéances, robustesse aux interférences et overhead d'exécution, sans publier de métriques chiffrées dans le résumé, ce qui rend toute évaluation indépendante de l'amplitude réelle des améliorations impossible à ce stade.

Ce travail s'inscrit dans un domaine en forte activité : l'inférence embarquée pour la robotique autonome, où l'edge computing doit concilier contraintes temps-réel strictes et workloads d'IA croissants. RED se positionne face aux ordonnanceurs EDF (Earliest Deadline First) classiques et aux executors ROS 2. Il n'y a pas d'annonce de commercialisation associée : il s'agit d'un preprint académique, dont les suites dépendront du peer-review et d'éventuelles collaborations industrielles. Les équipes travaillant sur des architectures VLA (Vision-Language-Action) embarquées, notamment en Europe chez Enchanted Tools ou Wandercraft, trouveront dans cette approche une piste concrète pour résoudre le sim-to-real gap lié aux contraintes d'ordonnancement.

Impact France/UE

Les équipes embarquées européennes travaillant sur des architectures VLA, notamment Enchanted Tools et Wandercraft, pourraient exploiter l'approche RED pour résoudre les contraintes d'ordonnancement temps-réel sur matériel contraint.

À lire aussi

Robots évitant les collisions en temps réel dans des environnements dynamiques
Illustration générée par IA
1arXiv cs.RO 

Robots évitant les collisions en temps réel dans des environnements dynamiques

Des chercheurs publient une méthode qui convertit n'importe quel chemin géométrique, c'est-à-dire une simple séquence d'états produite par un planificateur de mouvement quelconque (échantillonné comme RRT ou PRM, ou basé sur la recherche comme ARA*), en une trajectoire réellement exécutable par un robot : cinématiquement faisable et à jerk limité. L'algorithme génère une suite de splines quintiques ou quartiques, discrétisées à une fréquence de contrôle choisie par l'utilisateur, puis diffusées directement vers le contrôleur bas niveau. Il peut être réinvoqué à tout instant pour recalculer une nouvelle trajectoire depuis l'état courant du robot vers une cible ou une séquence de cibles, avec adaptation en temps réel aux changements de l'environnement.

RecherchePaper
1 source
Apprentissage de représentations de sûreté par atteignabilité pour la navigation robotique en temps réel en environnements inconnus et dynamiques
Illustration générée par IA
2arXiv cs.RO 

Apprentissage de représentations de sûreté par atteignabilité pour la navigation robotique en temps réel en environnements inconnus et dynamiques

Des chercheurs ont publié sur arXiv (version 2 de l'article 2610.16522) une thèse de doctorat qui apprend hors ligne des représentations de sécurité fondées sur l'analyse d'accessibilité de Hamilton-Jacobi (HJ), afin de les exploiter en temps réel pour la navigation de robots en environnement inconnu et dynamique. La fonction de valeur HJ sépare les états qui admettent une continuation sûre de ceux où la collision est inévitable, en tenant compte de la vitesse, de l'orientation et du mouvement des obstacles. Son calcul en ligne pour chaque nouvel environnement reste trop coûteux, d'où l'entraînement de réseaux de neurones implicites sur des solutions précalculées. Cinq méthodes sont proposées.

RecherchePaper
1 source
T2-z : optimisation à l'inférence des latents d'environnement pour les modèles du monde en robotique
Illustration générée par IA
3arXiv cs.RO 

T2-z : optimisation à l'inférence des latents d'environnement pour les modèles du monde en robotique

T2-Z est une méthode de recherche, décrite dans un article arXiv (2610.22364v1), qui ajoute à un modèle du monde robotique un « latent d'environnement » apprenable. Ce vecteur compact conditionne les prédictions du modèle et capte des facteurs que la caméra ne voit pas et que personne n'a spécifiés : friction, masse, mais aussi règles définies par l'humain. L'entraînement alterne deux étapes. Dans la première, les latents sont fixés et le modèle apprend une dynamique générale conditionnée par l'action, sur plusieurs environnements. Dans la seconde, le modèle est gelé et seuls les latents sont optimisés. La structure du latent émerge ainsi de la seule prédiction du monde, sans supervision sur la nature ou la valeur des facteurs.

RecherchePaper
1 source
Métaraisonnement des robots : budgets de calcul adaptatifs pour le contrôle en temps réel
Illustration générée par IA
4arXiv cs.RO 

Métaraisonnement des robots : budgets de calcul adaptatifs pour le contrôle en temps réel

Une équipe de chercheurs publie sur arXiv (2610.23662) une méthode permettant à un robot d'apprendre à décider lui-même combien de temps consacrer au calcul de son plan, plutôt que de subir un budget fixé avant le déploiement. Le problème est classique en planification en mouvement: un planificateur qui tourne en parallèle de l'exécution a besoin de temps, et le robot doit s'engager sur un "action chunk" (une séquence d'actions en boucle ouverte) pendant ce délai. Plus l'engagement est long, meilleur est le plan, mais moins le retour sensoriel est fréquent.

RecherchePaper
1 source