RecherchearXiv cs.RO4h

Fonction de distance signée neurale en espace de configuration pour la planification de trajectoire de bras de préhension

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs présentent dans un preprint arXiv (2502.16205, version 3) une représentation implicite neurale des obstacles pour la planification de trajectoire des manipulateurs de picking industriels : la nSCDF (neural signed configuration distance function). Ces robots spécialisés, dotés de moins de degrés de liberté que les bras polyvalents, sont massivement déployés en logistique et manufacturing. Le verrou adressé est précis : les planificateurs multi-requêtes à base d'échantillonnage (type PRM, RRT), méthodes de référence industrielle, s'appuient lourdement sur la détection de collision et deviennent inadaptés à la replanification en temps réel. La nSCDF est une fonction neurale calculant la distance signée d'une configuration à l'espace de collision, permettant de construire des "boules" sans collision dans l'espace de configuration. Ces boules remplacent les points dans le graphe du planificateur, qui retourne alors un couloir sans collision exploitable par un solveur de programmation convexe. Les expériences numériques rapportent des trajectoires proches de celles d'un planificateur asymptotiquement optimal (RRT*), obtenues en temps significativement inférieur, sans que l'abstract ne précise de chiffres concrets de speedup.

L'enjeu est direct pour les intégrateurs : le rendement des robots de picking dépend critiquement de la vitesse de planification, en particulier dans les environnements semi-structurés où obstacles et pièces varient à chaque cycle. Un planificateur online capable de replanifier à la volée réduit les temps de cycle et supprime le besoin de précomputer des roadmaps statiques. La nSCDF vise à court-circuiter les appels répétés aux moteurs de collision classiques (FCL, Bullet), goulot d'étranglement connu des stacks motion planning. Le résultat clé est d'atteindre une qualité quasi-optimale de trajectoire sans payer le coût computationnel des méthodes asymptotiquement optimales, compromis précisément recherché pour l'intégration en production.

Ce travail s'inscrit dans la tendance des représentations implicites neuronales appliquées à la robotique, dans la lignée des champs de distance euclidiens appris (ESDF) et des Neural Distance Fields. Les planificateurs sampling-based classiques restent la référence industrielle mais peinent en contexte online ; des groupes concurrents explorent des approches similaires via politiques d'évitement apprises ou représentations occupancy neuronales. Il s'agit d'un preprint en version 3, ce qui indique plusieurs cycles de révision mais pas encore une publication dans une conférence de référence (ICRA, IROS, RA-L) : les résultats restent à valider par les pairs sur du matériel réel. Aucun partenaire industriel ni déploiement physique n'est mentionné.

Impact France/UE

Avancée en planification de trajectoire en ligne potentiellement utile pour les intégrateurs européens de robots de picking, mais aucun partenariat ni déploiement EU mentionné.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

Barrières neuronales dans l'espace de configuration pour la planification et le contrôle de manipulation

Des chercheurs proposent, dans un préprint arXiv (référence 2503.04929, troisième version, mars 2025), une méthode unifiée de planification de trajectoire et de contrôle sécurisé pour bras manipulateurs à haute dimensionnalité en environnement encombré et dynamique. Le coeur de l'approche repose sur l'apprentissage d'une fonction de distance en espace de configuration (CDF, Configuration-space Distance Function) via un réseau de neurones, utilisée simultanément comme outil de vérification de collision pendant la planification et comme barrière de sécurité en temps réel pendant le contrôle. Les expériences matérielles ont été réalisées sur un xArm6 d'UFactory, un manipulateur à 6 degrés de liberté vendu autour de 2 000 dollars, en conditions réelles. Le système ne s'appuie que sur des observations de nuages de points (point-cloud) embarquées, sans infrastructure de perception externe. La planification de trajectoire pour bras multi-axes en environnement non structuré repose classiquement sur des vérifications de collision nombreuses et coûteuses : chaque configuration candidate est testée contre un modèle de l'environnement. La CDF barrier réduit significativement ce nombre d'opérations en approximant localement l'espace libre en configuration. L'apport le plus concret pour les intégrateurs est ailleurs : un réseau de neurones introduit des erreurs de modélisation, et les capteurs ajoutent inévitablement du bruit. La formulation "distributivement robuste" retenue par les auteurs ne suppose aucune distribution statistique connue pour ces incertitudes, ce qui la rend applicable sans calibration préalable fine dans des scénarios industriels réels. C'est une réponse directe au fossé souvent observé entre performances en simulation et comportement effectif sur matériel, particulièrement critique pour des applications de manipulation en cellule dynamique. Ce travail s'inscrit dans une tendance accélérée à remplacer les représentations géométriques analytiques (maillages, distances signées calculées) par des représentations apprises en espace de configuration. Les Control Barrier Functions (CBFs), dont les CDF barriers constituent une extension neurale, sont issues de la théorie du contrôle formel et font l'objet d'un intérêt croissant depuis cinq ans. Parmi les approches concurrentes pour accélérer la vérification de collision : cuRobo de NVIDIA, VAMP (basé sur la décomposition convexe), ou les champs de distance signée neuronaux comme iSDF. Le choix du xArm6, bras commercial accessible et reproductible, renforce la portée pratique des résultats. L'existence d'une troisième version du préprint suggère des révisions substantielles en cours ; une soumission à ICRA ou RSS 2026 apparaît probable.

RecherchePaper

1 source

2arXiv cs.RO

Régions circulaires sûres à expansion rapide pour une planification locale de trajectoires efficace

Des chercheurs ont publié sur arXiv (2605.16009, mai 2026) une méthode géométrique de navigation locale pour robots mobiles, baptisée FESCR (Fast Expanding Safe Circular Regions). Le principe repose sur le calcul d'une séquence de régions circulaires dérivées d'un scan LiDAR local : ces cercles s'étendent progressivement dans la direction du but tout en restant confinés à l'espace libre détecté. L'algorithme génère ainsi un couloir navigable en temps quasi-réel, sans recourir à un solveur d'optimisation. La méthode a été intégrée dans le framework ROS2 et évaluée dans un environnement simulé. Aucun déploiement sur hardware réel ni chiffres de benchmark précis (temps de calcul en ms, fréquence de replanning) ne sont fournis dans la prépublication. L'intérêt principal de cette approche est sa complexité algorithmique réduite par rapport aux méthodes concurrentes. Le Dynamic Window Approach (DWA) et le Model Predictive Control (MPC) reposent sur des boucles d'optimisation coûteuses, difficiles à tenir en temps réel dans des environnements denses ou changeants. Les Control Barrier Functions (CBF) et les techniques d'apprentissage apportent de la robustesse théorique mais introduisent soit une charge computationnelle élevée soit une dépendance aux données d'entraînement. FESCR contourne ces contraintes par une construction géométrique directe, ce qui, selon les auteurs, permet des horizons de planification plus longs à charge CPU égale. C'est un argument pertinent pour les intégrateurs AMR opérant sur des plateformes embarquées à ressources limitées, même si l'affirmation reste à valider sur des benchmarks standardisés (ex. nav2_benchmark, BARN dataset). La navigation locale est un problème ouvert depuis les travaux fondateurs de Fox et al. sur le DWA (1997). Les approches récentes comme TEB (Timed Elastic Band) ou MPPI (Model Predictive Path Integral) ont progressivement repoussé les limites de performance, mais au prix d'une complexité d'intégration croissante. FESCR s'inscrit dans un mouvement de retour aux méthodes géométriques légères, observable aussi dans des travaux comme les corridor-based planners de Carnegie Mellon ou les méthodes à champ de potentiel revisitées. Les prochaines étapes naturelles sont la validation sur robot réel (terrain irrégulier, obstacles dynamiques) et la comparaison quantitative avec nav2 DWB sur le benchmark BARN, ce que la prépublication ne fournit pas encore.

RecherchePaper

1 source

3arXiv cs.RO

Convex-Neural RRT* : échantillonnage guidé par apprentissage pour une planification de trajectoire robotique rapide et fiable

Une équipe de recherche a publié en mai 2026 sur arXiv (réf. 2605.25006) les travaux sur Convex-Neural RRT, une variante de l'algorithme de planification de chemin RRT intégrant un guidage neuronal pour accélérer la recherche de trajectoires optimales. Le principe : un réseau de neurones prédit des régions "waypoints" prometteuses autour des chemins de haute qualité, puis des zones convexes sont extraites de ces prédictions pour concentrer l'exploration sur les zones géométriquement pertinentes tout en maintenant une couverture globale de l'espace. Évalué sur 18 cartes de benchmark réparties en 3 types d'environnements, l'algorithme réduit le temps de calcul de 30 à 75 % par rapport aux variantes neurales existantes (Neural RRT, Neural Informed RRT), et de 88 à 98 % par rapport à LTA. La longueur des chemins produits diminue en moyenne de 5 % par rapport au RRT classique, avec des gains plus marqués dans les environnements complexes. Le taux de succès reste supérieur à 99 % quelle que soit la densité d'obstacles. Ces résultats s'attaquent à un goulot d'étranglement bien documenté du planning probabiliste : les méthodes à base d'échantillonnage sont théoriquement complètes mais lentes à converger vers des solutions de qualité, ce qui freine leur déploiement embarqué où le temps de réponse est critique (robots mobiles, bras industriels, véhicules autonomes). L'utilisation de zones convexes comme proxy des prédictions neuronales est une décision d'ingénierie notable : elle préserve les garanties de convergence de RRT* tout en rendant l'heuristique géométriquement tractable, évitant les dérives habituelles des méthodes purement apprises qui échouent hors distribution. À noter que les gains de 5 % en longueur de chemin restent modestes et que les benchmarks sont réalisés en simulation ; aucune validation sur robot physique n'est rapportée. RRT (Rapidly-exploring Random Tree Star), introduit par Karaman et Frazzoli en 2011, est devenu un standard en planification de mouvement robotique. Ses variantes neurales récentes ont cherché à apprendre des heuristiques d'échantillonnage depuis des données de trajectoires, mais au prix d'une surcharge computationnelle qui annulait souvent le bénéfice. Convex-Neural RRT s'inscrit dans cette lignée en ajoutant une contrainte géométrique qui assainit les prédictions. Les concurrents directs incluent LTA, IRRT et les approches par diffusion (Motion Planning Diffusion). Cette publication préliminaire ne mentionne aucun déploiement industriel ; les prochaines étapes attendues sont une validation sur robots physiques et une extension aux espaces de configuration de haute dimension, notamment les bras 6-7 DOF et les humanoïdes.

RecherchePaper

1 source

4arXiv cs.RO

COMPASS : planification de la manipulation en espace confiné par perception active

Des chercheurs ont publié COMPASS (Confined-space Manipulation Planning with Active Sensing Strategy), un framework multi-étapes destiné à résoudre la manipulation robotique en environnements confinés et encombrés. La méthode repose sur trois composants enchaînés : un scan de proximité dit "near-field awareness" qui construit une carte locale de collision avant tout mouvement, une fonction d'utilité multi-objectifs qui sélectionne des points de vue à la fois informatifs et compatibles avec les poses de saisie ultérieures, et un optimiseur de manipulation contraint qui génère des configurations de préhension respectant les obstacles détectés. Les auteurs proposent également un benchmark structuré en quatre niveaux de difficulté croissante pour évaluer les méthodes d'exploration et de manipulation en espace restreint. En simulation, COMPASS affiche un gain de 24,25 points de pourcentage sur le taux de succès de manipulation par rapport aux méthodes d'exploration conçues pour d'autres types de robots ou n'optimisant que le gain d'information. Des expériences en conditions réelles confirment la faisabilité de l'approche. Ce résultat est significatif parce qu'il adresse directement l'un des angles morts du champ NBV (Next Best View) : les stratégies d'exploration existantes maximisent la couverture informationnelle sans tenir compte de la faisabilité de la manipulation qui suit. En couplant explicitement exploration et planification de saisie dans une même fonction d'utilité, COMPASS réduit l'écart entre "voir la scène" et "agir dessus". Pour un intégrateur industriel, cela signifie une réduction du nombre de cycles d'observation improductifs avant une prise, ce qui devient critique dans des applications comme la désassembly, le picking en bacs profonds, ou la maintenance en espaces contraints. La validation sim-to-real, même partielle, réduit le scepticisme habituel sur le transfert des méthodes d'exploration en laboratoire vers des contextes terrain. Le problème de la manipulation en espace confiné est étudié depuis plusieurs années dans la communauté planification-perception, mais reste ouvert faute de benchmarks standardisés et de méthodes intégrant les deux dimensions simultanément. COMPASS s'inscrit dans un mouvement plus large qui voit des frameworks comme Active Neural Mapping ou des planificateurs basés sur l'échantillonnage (RRT, STOMP) être revisités pour intégrer des contraintes de manipulation dès la phase d'exploration. Aucune entreprise n'est associée à cette publication académique (arXiv:2509.14787), et aucune timeline de commercialisation n'est mentionnée. Les prochaines étapes naturelles seraient d'étendre le benchmark à des objets déformables ou à des scènes dynamiques, et de tester la robustesse face à des capteurs de profondeur bruités, condition sine qua non pour un déploiement industriel.

RecherchePaper

1 source