RecherchearXiv cs.RO2j

Commande prédictive convexe robuste avec garanties d'évitement de collision pour bras manipulateurs

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs présentent dans un pré-print arXiv (référence 2508.21677, troisième révision) une méthode de contrôle par modèle prédictif (MPC) conçue pour les bras manipulateurs industriels à 6 degrés de liberté (DOF) opérant dans des environnements encombrés. L'approche repose sur deux composantes : un tube MPC robuste, qui encapsule les trajectoires dans un tube garanti même en présence d'incertitudes paramétriques du modèle, et un algorithme de planification de corridor qui génère des chemins exemptes de collisions. La formulation qui en résulte est convexe, propriété rare dans ce domaine, ce qui permet une résolution rapide et compatible avec des boucles de contrôle temps réel. Validée uniquement en simulation, la méthode surpasse des approches de référence en tolérant des niveaux plus élevés d'incertitude de modèle tout en maintenant des vitesses d'exécution supérieures. Aucun déploiement matériel ni partenaire industriel n'est mentionné à ce stade.

La portée industrielle de ce travail tient à un problème concret : les incertitudes de modèle dans les manipulateurs (charge variable, usure, flexibilité des joints) imposent aujourd'hui des limites de vitesse conservatives dans les cellules robotisées, ce qui réduit la cadence. Une méthode MPC offrant des garanties formelles de sécurité tout en réduisant ce conservatisme permettrait aux intégrateurs de pousser les vitesses nominales sans compromettre la conformité aux normes de sécurité (ISO 10218). La formulation convexe est ici un point-clé : elle rend le MPC compatible avec des solveurs rapides type QP (quadratic programming), là où les approches non-convexes nécessitent souvent des relaxations coûteuses ou des horizons de prédiction courts.

Le contrôle prédictif pour manipulateurs est un axe de recherche actif depuis une décennie, avec des approches concurrentes incluant les MPC non-linéaires (via ACADO ou FORCES Pro), les méthodes basées sur les fonctions barrières de contrôle (CBF), ou encore les planificateurs par échantillonnage (MPPI). Ce travail se positionne sur la robustesse formelle et la rapidité de résolution, deux propriétés rarement combinées. La limite principale reste la validation purement simulée : le passage au réel (sim-to-real gap, flexibilité mécanique non modélisée, latences capteurs) n'est pas abordé. Les prochaines étapes naturelles seraient une validation sur hardware, par exemple sur un UR10 ou un KUKA LBR, et une extension à des horizons d'évitement dynamique face à des obstacles mobiles.

Impact France/UE

Les intégrateurs et fabricants européens (ABB, KUKA) pourraient à terme exploiter cette méthode pour augmenter la cadence de leurs cellules sans compromettre la conformité ISO 10218, mais aucun partenariat ni déploiement européen n'est mentionné à ce stade.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

Clonage comportemental de la commande prédictive pour manipulateurs robotiques à 3 degrés de liberté

Une équipe de chercheurs présente dans un preprint arXiv (2606.00383, soumis début juin 2026) une étude empirique sur l'application du Behavior Cloning pour approximer les politiques de commande prédictive par modèle (MPC) sur un manipulateur robotique à 3 degrés de liberté (DOF). Le principe : entraîner un réseau de neurones à imiter le comportement d'un contrôleur MPC classique, couplé à de la cinématique inverse, afin de produire une politique de substitution nettement moins coûteuse en calcul. Plusieurs architectures ont été évaluées, des régresseurs classiques aux réseaux profonds (Deep MLP) en passant par des architectures récurrentes (RNN), selon des protocoles d'évaluation en ligne et hors ligne. Le meilleur résultat atteint une réduction de latence d'inférence d'un facteur 3 par rapport au MPC original, avec un taux de succès de 84,98 % sous tolérances relâchées. Point notable : les architectures statiques (MLP) surpassent les variantes temporelles (RNN), ce qui suggère que l'observation instantanée de l'état est suffisante pour cette tâche. Ce résultat est significatif pour les systèmes embarqués temps réel, où le MPC est souvent jugé trop gourmand en ressources pour tourner en boucle fermée sur du matériel contraint. La distillation de politique MPC via l'imitation ouvre la voie à des contrôleurs légers déployables sur des microcontrôleurs ou des SoC industriels sans sacrifier l'essentiel de la qualité de trajectoire. Cependant, la réserve éditoriale s'impose : les 84,98 % de succès sont mesurés sous tolérances relâchées. Sous tolérances strictes, les auteurs observent un écart de précision résiduel, notamment sur l'erreur en régime permanent, ce qui limite pour l'instant l'applicabilité à des tâches d'assemblage de haute précision. Le Behavior Cloning appliqué au contrôle de bras robotiques s'inscrit dans un courant plus large de distillation de contrôleurs optimaux vers des politiques neuronales légères, parallèle à la tendance des VLA (Vision-Language-Action models) qui cherchent à généraliser plutôt qu'à optimiser. Des travaux antérieurs ont exploré des approches similaires sur des robots à plus grand nombre de DOF, mais l'originalité ici réside dans l'analyse comparative systématique des architectures et la quantification rigoureuse du compromis latence/précision. Ce preprint n'est pas encore évalué par les pairs ; les prochaines étapes naturelles incluent la validation sur manipulateurs réels à 6 ou 7 DOF et le test sous charges variables.

RecherchePaper

1 source

2arXiv cs.RO

DART : commande prédictive augmentée par apprentissage pour la manipulation bi-bras non préhensile

Des chercheurs ont publié sur arXiv (référence 2604.17833) les travaux autour de DART, un framework bimanuel conçu pour la manipulation non préhensile d'objets posés sur un plateau. L'approche repose sur un contrôleur prédictif non linéaire (MPC) couplé à un contrôleur d'impédance par optimisation, permettant de déplacer des objets sur le plateau sans les saisir directement. Le système évalue trois stratégies de modélisation de la dynamique plateau-objet : un modèle analytique physique, un modèle par régression en ligne adaptatif en temps réel, et un modèle de dynamique entraîné par apprentissage par renforcement (RL), ce dernier offrant une meilleure généralisation sur des objets aux propriétés variées. Les évaluations ont été réalisées en simulation sur des objets de masses, géométries et coefficients de friction différents. Les auteurs revendiquent que DART constitue le premier framework dédié à ce type de tâche en configuration bimanuelle. L'intérêt technique de DART réside dans la comparaison rigoureuse des trois approches de modélisation sur des métriques concrètes : temps de stabilisation, erreur en régime permanent, effort de contrôle et généralisation. Ce benchmark interne est utile pour les équipes d'intégration robotique qui doivent choisir entre modèles physiques (précis mais rigides), adaptation en ligne (réactive mais computationnellement coûteuse) et RL (flexible mais plus difficile à certifier). L'association MPC et contrôleur d'impédance est une piste crédible pour la manipulation d'objets fragiles ou instables, un verrou important en robotique de service. Toutefois, la validation reste strictement en simulation : le passage au réel implique des défis de perception, de latence et de calibration que le papier ne traite pas encore. Ce travail s'inscrit dans un intérêt croissant pour la robotique de service en hôtellerie et restauration, où des acteurs comme Bear Robotics (Servi), Keenon Robotics ou encore Enchanted Tools (Miroki, développé en France) positionnent leurs plateformes sur des tâches de transport et de service en salle. Les approches dominantes jusqu'ici privilégient la navigation autonome avec préhension classique ; la manipulation non préhensile sur plateau reste peu explorée à l'échelle produit. La prochaine étape naturelle pour DART serait une validation sur plateforme physique, avec des bras commerciaux type Franka Research 3 ou Universal Robots, avant d'envisager une intégration dans un robot mobile de service.

UEEnchanted Tools (Miroki, France) est cité comme acteur du service robotique susceptible de bénéficier de ce type de manipulation non préhensile sur plateau, mais le travail reste en simulation sans transfert réel annoncé.

RecherchePaper

1 source

3arXiv cs.RO

Génération de code et contraintes coniques pour la commande prédictive sur microcontrôleurs avec Conic-TinyMPC

Une équipe de chercheurs a publié Conic-TinyMPC, une extension du solveur embarqué TinyMPC qui ajoute le support des contraintes coniques du second ordre (SOCP) et la génération automatique de code C++ depuis Python, MATLAB et Julia. Sur microcontrôleurs à ressources limitées, le solveur atteint un gain de vitesse de 10,6x à 142,7x par rapport aux meilleurs solveurs embarqués existants sur des problèmes QP et SOCP, soit jusqu'à deux ordres de grandeur, tout en autorisant des problèmes un ordre de grandeur plus grands en mémoire. La validation matérielle a été conduite sur un quadrirotor Crazyflie de 27 grammes, en suivi de trajectoire avec des contraintes coniques actives sur le système réel, et le code est disponible en open source sur tinympc.org. Ces résultats changent concrètement l'équation du déploiement du MPC sur matériel embarqué. Le contrôle prédictif de modèle (MPC) est la méthode de référence pour les systèmes robotiques sous contraintes, mais son exécution en temps réel reste difficile sur des microcontrôleurs à faible coût et faible consommation. Les contraintes coniques, plus expressives que les alternatives linéaires, alourdissent encore le calcul, rendant leur usage sur matériel léger quasi impraticable avec les solveurs actuels. Conic-TinyMPC contourne ce problème en exploitant une structure ADMM (Alternating Direction Method of Multipliers) avec des matrices mises en cache, réduisant drastiquement le coût de calcul à l'exécution. La génération de code automatique depuis Python, MATLAB ou Julia réduit également la friction d'intégration, rendant l'outil accessible à des équipes industrielles sans expertise poussée en optimisation convexe. TinyMPC est né de travaux visant à porter des solveurs MPC rapides sur des plateformes embarquées contraintes, avec une première démonstration sur Crazyflie ayant établi la viabilité de l'approche sur des robots ultra-légers. Conic-TinyMPC en est l'évolution directe, intégrant les cônes du second ordre à un noyau déjà optimisé et se positionnant face à des solveurs comme OSQP, ECOS ou ACADOS, qui peinent à tenir dans les enveloppes mémoire et temporelles des microcontrôleurs bas de gamme. Les prochaines étapes naturelles consisteront à valider l'approche sur des systèmes plus complexes, bras manipulateurs ou robots bipèdes, où les contraintes coniques modélisent des cônes de friction ou des enveloppes de sécurité formelles.

RecherchePaper

1 source

4arXiv cs.RO

Commande prédictive par intégrale de chemin informée par objets pour la manipulation robotique sans préhension

Des chercheurs ont présenté une formulation hiérarchique du contrôle MPPI (Model Predictive Path Integral) appliquée à la manipulation non-préhensile, c'est-à-dire au déplacement d'objets par poussée sans saisie physique. Publiée sur arXiv (référence 2605.30778), la méthode décompose le problème en deux niveaux : un premier plan est calculé en supposant que l'objet peut être actionné directement, puis cette trajectoire sert de référence pour résoudre le problème couplé robot-objet. Les expériences ont été conduites sur un bras xArm6 à 6 degrés de liberté de UFactory, avec pour tâche de pousser un objet vers une cible tout en contournant des obstacles statiques. En simulation, la méthode augmente le taux de succès de 40 % et accélère la fréquence de contrôle de 26 % par rapport à un MPPI standard. Sur matériel réel, le gain de succès atteint 20 % pour un coût de calcul comparable. Cette décomposition hiérarchique répond à un problème fondamental de la planification à long horizon : l'espace de recherche conjoint robot-objet est trop vaste pour être exploré efficacement dans des délais temps-réel. En résolvant d'abord un sous-problème centré sur l'objet, l'algorithme oriente l'échantillonnage stochastique vers des régions prometteuses, réduisant le gaspillage computationnel sans nécessiter de hardware spécialisé. Pour un intégrateur industriel, cela signifie que des tâches impliquant poussées ou réorientations sans préhension deviennent planifiables en temps réel sur des cellules robotiques standard, un verrou qui limitait jusqu'ici l'automatisation de nombreuses opérations de manutention. Le MPPI est une méthode de contrôle prédictif par échantillonnage stochastique introduite par Theodorou et Williams à Georgia Tech, et popularisée en robotique par NVIDIA via ses environnements de simulation. La manipulation non-préhensile reste un domaine actif, avec des contributions récentes de MIT CSAIL, ETH Zurich et Stanford sur la gestion des contacts discontinus. Ce travail reste à ce stade un preprint non évalué par les pairs, et les benchmarks se limitent à des scénarios de poussée en espace plan avec obstacles statiques : des configurations plus complexes, obstacles dynamiques ou objets déformables, n'ont pas été testés.

RecherchePaper

1 source