Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
Évitement de collisions par fonctions barrières de contrôle géométriques et approximations polynomiales de Bernstein
RecherchearXiv cs.RO 

Évitement de collisions par fonctions barrières de contrôle géométriques et approximations polynomiales de Bernstein

1 source couvre ce sujet·Source originale ↗·
Résumé IASource uniqueImpact UE

Des chercheurs ont déposé sur arXiv (référence 2605.30696) un article présentant une nouvelle méthode de navigation sûre pour robots basée sur des fonctions de barrière de contrôle (CBF) couplées à des champs de distance signée approximés par polynômes de Bernstein, baptisés BP-SDFs. L'approche cible un problème concret du pipeline de planification de mouvement : les substituts géométriques classiques comme les sphères ou les super-ellipsoïdes sont soit trop conservateurs dans des environnements non structurés, soit nécessitent un grand nombre de primitives locales, ce qui gonfle le nombre de contraintes et dégrade les performances temps réel. La méthode proposée offre une représentation unifiée pour les robots et les obstacles via un seul champ de distance signé, réduisant le problème de sécurité à une contrainte de distance minimale unique, applicable en boucle fermée grâce à la différentiabilité des polynômes de Bernstein. Les validations sont réalisées exclusivement en simulation, sur des scénarios de navigation mono-robot et d'évitement de collision multi-robots hétérogènes.

L'enjeu industriel est réel : les CBFs sont aujourd'hui un outil central pour garantir mathématiquement la sûreté des systèmes robotiques, mais leur passage à l'échelle dans des environnements complexes (entrepôts encombrés, lignes de production partagées entre AMRs hétérogènes) bute souvent sur l'explosion combinatoire des contraintes. Réduire cette inflation tout en conservant des garanties formelles d'invariance de l'ensemble sûr serait un gain direct pour les intégrateurs qui déploient des flottes mixtes. La différentiabilité des BP-SDFs permet en outre d'intégrer la contrainte dans un QP (quadratic program) standard sans approximations supplémentaires, ce qui simplifie l'architecture de contrôle.

Les CBFs ont été formalisés et popularisés principalement par le groupe d'Aaron Ames (Caltech) depuis le début des années 2010, et les SDF comme représentation géométrique sont exploités depuis longtemps en planification de mouvement et en apprentissage (NeRF, NeuralSDF). D'autres équipes combinent déjà CBFs et SDFs appris par réseaux de neurones, ou utilisent des CBFs à base de convex decomposition. Cette contribution se positionne dans la continuité de ces travaux avec l'angle spécifique de l'approximation polynomiale, plus analytiquement contrôlable. Étant un preprint sans validation hardware, la distance entre simulation et déploiement réel reste à combler, et aucune timeline ni partenaire industriel ne sont mentionnés.

Dans nos dossiers

arXiv cs.RO

À lire aussi

Planification et commande de mouvement sûres par polytopes imbriqués et fonctions de barrière de contrôle
1arXiv cs.RO 

Planification et commande de mouvement sûres par polytopes imbriqués et fonctions de barrière de contrôle

Des chercheurs présentent dans un preprint arXiv (2606.09719) une méthode de planification de mouvement locale pour robots mobiles autonomes évoluant dans des espaces confinés. L'approche repose sur la représentation polytopique du footprint du robot : modéliser sa géométrie réelle par un polygone convexe plutôt que de la simplifier à un point ou un cercle. La condition de sécurité, le robot doit rester à l'intérieur d'une région libre convexe continuellement mise à jour, est formulée comme un ensemble de contraintes de type Control Barrier Function (CBF) intégrées dans un contrôleur prédictif à modèle (MPC). Les expériences sur matériel embarqué, avec un robot non-holonome équipé de LiDAR et de grilles d'occupation, valident le système à 10 Hz en temps réel, avec évitement réactif d'obstacles dynamiques. L'analyse comparative affiche une réduction du temps de calcul pouvant atteindre 91x face à une formulation classique basée sur la détection d'obstacles, lorsque la densité de l'environnement augmente. L'intérêt pour les intégrateurs de systèmes AMR tient à deux propriétés distinctes. Le nombre de contraintes de sécurité dépend uniquement de la complexité géométrique locale et de la forme du robot, pas du nombre d'obstacles, ce qui garantit une tenue en temps réel dans des environnements denses. Par ailleurs, l'absence de nécessité de détecter ou segmenter les obstacles individuellement simplifie le pipeline de perception. La validation sur hardware, et pas seulement en simulation, place ce travail au-delà d'un résultat purement théorique, même si la montée en charge vers des environnements industriels à grande échelle reste à démontrer. La fréquence de 10 Hz sur ordinateur embarqué est un indicateur crédible de déployabilité réelle. Les approches classiques de navigation sûre pour robots à empreinte non-triviale recourent soit à des simplifications conservatives, soit à des formulations obstacle-par-obstacle dont le coût de calcul croît avec la densité de la scène, un problème bien documenté dans les entrepôts opérés par des acteurs comme Exotec ou dans la navigation maritime autonome. Les CBF appliqués à la planification en espace libre s'inscrivent dans une tendance croissante aux côtés de méthodes comme MPPI ou les planificateurs basés sur des tubes de sécurité. Ce preprint n'a pas encore été soumis à révision par les pairs, mais la démonstration embarquée sur robot réel constitue un signal d'applicabilité sérieux pour les équipes R&D robotique cherchant à naviguer dans des couloirs étroits sans surestimer les marges de sécurité.

UELes équipes R&D d'intégrateurs AMR européens (dont Exotec en France) pourraient bénéficier de cette méthode pour améliorer la navigation en environnements confinés sans surcoût computationnel, mais le travail reste un preprint non encore validé par les pairs.

RecherchePaper
1 source
2arXiv cs.RO 

D-SafeMPC : commande prédictive sûre par diffusion avec fonctions barrières de contrôle en temps discret

Traduction et résumé en cours pour cet article de recherche sur D-SafeMPC. Des chercheurs présentent D-SafeMPC, une méthode qui combine modèles de diffusion et commande prédictive (MPC) pour générer des trajectoires robotiques à la fois sûres et faisables physiquement. Le problème de départ est connu : les modèles de diffusion, très utilisés en planification de mouvement, ne garantissent intrinsèquement ni la sécurité ni le respect des contraintes dynamiques, ce qui produit parfois des trajectoires irréalisables. Coupler diffusion et MPC existait déjà, mais l'approche restait instable, car une mauvaise initialisation de trajectoire par le modèle de diffusion empêchait le MPC de converger vers une solution correcte. D-SafeMPC guide le processus de diffusion inverse à l'aide de fonctions barrières de contrôle (CBF) et de fonctions de Lyapunov de contrôle (CLF), avec un schéma de projection itératif où le MPC affine la trajectoire à chaque étape de débruitage. Les tests ont porté sur un bras manipulateur Franka, en simulation sur quatre scénarios (un obstacle statique, trois configurations à obstacles dynamiques), puis en conditions réelles sur un robot Franka physique via une expérience de transfert sim-to-real. Le code source et les configurations expérimentales sont publiés sur GitHub (erdiphd/D-SafeMPC). L'intérêt de ces travaux dépasse le cas d'usage du bras manipulateur : ils s'attaquent directement à un point de friction connu entre planification générative et robotique déployable. Les modèles de diffusion produisent des trajectoires plausibles statistiquement, mais rien ne garantit qu'elles respectent les contraintes physiques d'un robot réel ou évitent des obstacles mobiles, un écart classique entre démonstration et fiabilité opérationnelle. En stabilisant l'interaction diffusion-MPC dès la phase de débruitage plutôt qu'en post-traitement, D-SafeMPC vise à fournir des points de démarrage fiables ("warm starts") au contrôleur, ce qui améliore selon les auteurs le taux de succès des tâches et l'efficacité de planification par rapport aux méthodes de référence de l'état de l'art. Pour les équipes travaillant sur la manipulation en environnement partagé avec des humains ou des obstacles mobiles, c'est un signal que les architectures hybrides génératif-contrôle progressent sur la sécurité formelle, un enjeu central pour toute certification industrielle. Ce travail s'inscrit dans une lignée de recherches cherchant à réconcilier planification par apprentissage profond et garanties de sécurité issues du contrôle classique, un axe actif depuis l'essor des politiques de diffusion en robotique (type Diffusion Policy). Les CBF et CLF sont des outils établis en commande sûre, mais leur intégration fine dans une boucle de diffusion itérative reste un domaine ouvert. La validation sim-to-real sur Franka, bras couramment utilisé en recherche académique, reste un test de complexité modérée comparé à des déploiements industriels ou humanoïdes ; la suite logique serait une extension à des plateformes à plus haute dimensionnalité ou à des tâches multi-obstacles plus denses.

RecherchePaper
1 source
CN-CBF : fonction de barrière de contrôle neuronale composite pour la navigation robotique en environnements dynamiques
3arXiv cs.RO 

CN-CBF : fonction de barrière de contrôle neuronale composite pour la navigation robotique en environnements dynamiques

Des chercheurs proposent une nouvelle méthode de conception de fonctions de barrière de contrôle neuronales, baptisée CN-CBF (Composite Neural Control Barrier Function), pour sécuriser la navigation de robots autonomes dans des environnements dynamiques et incertains. L'approche combine plusieurs CBF neuronales individuelles en une seule fonction composite : chacune est entraînée hors ligne à partir de données générées par le cadre de calculabilité Hamilton-Jacobi, afin d'approximer l'ensemble de sécurité optimal face à un obstacle mobile unique. Une architecture neuronale résiduelle garantit que l'ensemble de sécurité estimé ne recoupe jamais l'ensemble d'échec correspondant. La méthode a été testée en simulation sur un robot terrestre et un quadricoptère, puis validée par des expériences matérielles sur les deux plateformes. Comparée aux meilleures méthodes de référence existantes, elle améliore le taux de réussite de la navigation jusqu'à 18%, tout en conservant des longueurs de trajectoire et des temps de déplacement comparables, voire inférieurs. Ce résultat s'attaque à un problème central pour l'industrie robotique : les filtres de sécurité basés sur les CBF sont simples à déployer mais notoirement difficiles à concevoir manuellement, en particulier quand l'environnement change en temps réel. En automatisant et en fiabilisant cette conception via l'apprentissage, CN-CBF pourrait faciliter le déploiement de robots autonomes, mobiles ou volants, dans des environnements partagés avec des obstacles mobiles, humains compris, sans sacrifier l'efficacité des trajectoires. Le passage du simulateur au matériel réel, sur deux morphologies distinctes, robot au sol et drone, est un signal encourageant pour les intégrateurs et les équipes de R&D qui cherchent des garanties de sécurité formelles plutôt que des heuristiques ad hoc, un enjeu clé pour la certification et l'adoption en environnements industriels ou logistiques. Les fonctions de barrière de contrôle sont un outil classique de la théorie du contrôle pour garantir la sécurité formelle des systèmes dynamiques, mais leur conception manuelle devient vite intraitable dès que la dimension ou la complexité de l'environnement augmente. Les approches existantes, qu'elles soient purement basées sur des modèles ou purement apprises, souffrent chacune de limites que les auteurs cherchent explicitement à corriger en combinant apprentissage neuronal et cadre théorique Hamilton-Jacobi. Publié sur arXiv en version révisée, ce travail s'inscrit dans une littérature croissante sur les CBF neuronales pour la robotique mobile et aérienne. Les auteurs mentionnent des évaluations étendues en simulation face à plusieurs méthodes concurrentes ; une extension naturelle consisterait à traiter des scénarios multi-obstacles ou multi-robots, au-delà du cas de l'obstacle mobile unique étudié ici.

RecherchePaper
1 source
Perception active et contrôle tenant compte des conflits dans les champs de Gaussian Splatting 3D via des fonctions barrière de contrôle
4arXiv cs.RO 

Perception active et contrôle tenant compte des conflits dans les champs de Gaussian Splatting 3D via des fonctions barrière de contrôle

Des chercheurs ont publié sur arXiv (référence 2605.20566) un cadre algorithmique baptisé "conflict-aware active perception and control" pour robots évoluant dans des environnements modélisés par 3D Gaussian Splatting (3DGS). L'approche repose sur un programme quadratique unifié qui traite simultanément deux objectifs antagonistes : la sécurité, imposée comme contrainte dure via une Control Barrier Function (CBF), et l'acquisition d'information, traitée comme contrainte souple assouplie par des variables de relâchement (slack variables). La CBF est dérivée d'une métrique de risque de collision dite Average Value-at-Risk (AV@R), qui intègre l'incertitude géométrique de la carte et garantit mathématiquement l'invariance avant d'un ensemble sûr. Pour maximiser la perception, le système sélectionne la prochaine meilleure vue (next-best-view) via une formulation risk-aware de l'Expected Information Gain (EIG), et oriente la caméra vers la direction de montée d'information locale grâce à des "perception barrier functions". Les résultats présentés sont issus de simulations uniquement, sans validation sur plateforme physique. Le problème central que ce travail adresse est structurel : dans un environnement partiellement inconnu, les vues les plus informatives se trouvent précisément dans les zones les moins cartographiées, donc les plus à risque de collision. Les approches existantes basées sur 3DGS traitaient ces deux objectifs séparément ou par simple pondération, sans garanties formelles. Formuler la sécurité comme contrainte inviolable tout en relaxant la perception permet aux décideurs B2B et aux intégrateurs robotiques d'envisager des robots d'exploration actifs qui cartographient des environnements industriels non balisés sans compromis ad hoc entre productivité et sécurité. L'amélioration simultanée de la sécurité et du gain d'information, comparée aux méthodes 3DGS concurrentes, constitue un signal technique intéressant, même si l'absence d'expériences réelles limite pour l'instant la portée de la validation. Le 3DGS s'est imposé comme représentation de référence pour les champs de radiance neuronaux depuis 2023, supplantant progressivement le NeRF grâce à sa vitesse de rendu et sa différentiabilité. Les CBF sont un outil établi en commande sûre, mais leur intégration dans des champs neuronaux pour la perception active reste un axe de recherche émergent. Aucune institution ni entreprise n'est explicitement nommée dans l'abstract, et aucun déploiement industriel n'est annoncé. Les concurrents directs sont les méthodes d'exploration active basées NeRF et les planificateurs next-best-view classiques. Les prochaines étapes naturelles seraient une validation sim-to-real sur plateforme physique et des tests dans des scènes plus complexes.

RecherchePaper
1 source