Relations polynomiales par morceaux dans les séries temporelles industrielles : application aux robots manipulateurs

Des chercheurs ont publié sur arXiv (réf. 2605.28320) un algorithme d'identification de modèles polynomiaux par morceaux explicites et parcimonieux, appliqué à l'identification du modèle inverse de robots manipulateurs industriels. Le travail porte sur des bras 6 axes et 4 axes, en présence d'un grand nombre de variables brutes en entrée. L'approche produit des représentations explicites, c'est-à-dire directement interprétables sous forme d'équations, construites à partir d'un ensemble de polynômes extraits d'une étape préalable de modélisation implicite. Aucun jeu de données industriel spécifique ni partenaire fabricant n'est nommé dans le résumé disponible.

L'intérêt industriel de cette approche réside dans deux propriétés simultanées : la parcimonie (le modèle retient peu de termes, ce qui réduit le risque de surapprentissage) et l'explicabilité (les ingénieurs peuvent lire et valider les relations identifiées, contrairement à un réseau de neurones). Les expériences sur le robot 4 axes sont conçues pour comparer la capacité de généralisation de ces modèles parcimonieux face à des architectures de réseaux de neurones profonds (DNN) dans des contextes d'utilisation non vus à l'entraînement. Ce type de benchmark est directement pertinent pour la maintenance prédictive et la détection d'anomalies en production : un modèle inverse compact et lisible peut servir à caractériser l'état nominal d'un axe, puis à détecter des dérives mécaniques sans recalibration complète.

Ce travail s'inscrit dans un courant actif de recherche sur l'identification de systèmes à base de modèles symboliques ou hybrides, en réaction aux limites des DNN dans les environnements à données rares ou à contraintes de certification (industrie nucléaire, aéronautique, cobotique réglementée). Il prolonge un algorithme d'identification implicite antérieur développé par les mêmes auteurs, dont il constitue une extension vers les représentations explicites. Sur ce créneau, il existe une compétition avec des approches de régression symbolique (SINDy, PySR) et avec les méthodes d'apprentissage de modèles physiques (Physics-Informed Neural Networks). La prochaine étape naturelle serait une validation sur des données industrielles réelles et une intégration dans des pipelines de surveillance de robots en production.