RecherchearXiv cs.RO 26 juin 2026

Optimisation non linéaire à grande échelle : de nombreux problèmes, un seul GPU

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs ont publié fin juin 2026 sur arXiv jaxipm, présenté comme le premier solveur de programmes non linéaires (NLP) capable de traiter des lots de problèmes simultanément sur GPU. Construit sur la base algorithmique d'IPOPT, le solveur de référence dans les pipelines de planification en robotique, et implémenté en JAX, jaxipm atteint jusqu'à 32,85 fois le débit d'IPOPT classique sur des benchmarks de contrôle prédictif non linéaire (NMPC) pour drones quadrotors. Les scénarios testés couvrent le suivi de trajectoire en présence d'obstacles, la navigation multi-drones sans collision, et l'évitement en environnement encombré. Le code est disponible en open source sur GitHub (johnviljoen/jaxipm).

L'enjeu est structurel : les solveurs NLP matures comme IPOPT offrent des garanties de satisfaction de contraintes et d'optimalité locale introuvables dans les méthodes par apprentissage par renforcement (RL) ou MPPI, mais ils sont mono-thread et CPU-bound, incompatibles avec les pipelines GPU-batched qui dominent la recherche robotique moderne. Cette incompatibilité a creusé un fossé entre deux familles d'approches : les solveurs à gradients, précis mais séquentiels, et les méthodes d'échantillonnage, parallélisables mais sans garanties formelles. jaxipm comble ce fossé via deux innovations : la "heterogeneous iteration fusion", qui supprime le branchement conditionnel dans la boucle interne d'IPOPT, et l'"iteration level batching", qui minimise les temps morts du GPU lors du traitement simultané de N instances indépendantes. Pour les équipes de motion planning souhaitant coupler planification contrainte et apprentissage dans une boucle unifiée, ce type de solveur change le régime de ce qui est calculable en temps quasi-réel.

IPOPT, développé à partir des années 2000 à Argonne National Laboratory, est le standard de facto en robotique pour la planification de trajectoires, la cinématique inverse, et la gestion de contacts. Son intégration dans des frameworks modernes comme MuJoCo MPC ou les pipelines Pinocchio reste cependant bridée par sa nature séquentielle. Face à l'essor des simulateurs GPU-batched comme IsaacLab (NVIDIA) ou MJX (Google DeepMind), capables de générer des millions de rollouts par seconde, l'absence d'un solveur NLP au même format représentait un goulot d'étranglement pour les approches hybrides. jaxipm est pour l'instant validé uniquement sur des benchmarks drones quadrotors, ce qui appelle une évaluation sur configurations manipulateurs ou robots humanoïdes avant de pouvoir généraliser les gains annoncés à l'ensemble du spectre robotique.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

cuNRTO : optimisation de trajectoires robustes non linéaires accélérée par GPU

Des chercheurs ont mis en ligne sur arXiv (réf. 2603.02642v2) cuNRTO (CUDA Nonlinear Robust Trajectory Optimization), un framework GPU pour l'optimisation de trajectoire robuste sous incertitude bornée. Ces problèmes mènent typiquement à des contraintes de programmation conique du second ordre (SOCP), dont la résolution est très coûteuse sur CPU. Les auteurs proposent deux architectures : NRTO-DR, basée sur le splitting de Douglas-Rachford pour paralléliser les projections SOCP et les résolutions directes creuses, et NRTO-FullADMM, une variante inédite exploitant l'ADMM (Alternating Direction Method of Multipliers) pour améliorer la scalabilité en tirant parti de la structure du problème. L'implémentation repose sur des kernels CUDA personnalisés pour les projections SOC et des chaînes cuBLAS GEMM pour les mises à jour des gains de retour d'état. Testées en simulation sur un modèle unicycle, un quadrirotor et le bras manipulateur Franka Emika, les deux architectures atteignent des accélérations allant jusqu'à 139,6x par rapport aux solveurs CPU de référence. L'enjeu est concret pour les équipes robotique et les intégrateurs : l'optimisation de trajectoire robuste en temps réel reste aujourd'hui hors de portée des architectures CPU pour la plupart des applications embarquées, les solveurs classiques étant cantonnés à une planification hors ligne ou à très basse fréquence. Un gain de 139,6x ouvre la voie à une réplanification en boucle fermée sur des manipulateurs industriels et des drones opérant sous incertitudes réelles (charges variables, perturbations mécaniques). Nuance importante : l'ensemble des benchmarks est produit en simulation. Le gap sim-to-real sur GPU embarqués, où la latence mémoire et la bande passante sont significativement plus contraintes que sur un serveur de calcul, reste entièrement à valider avant tout déploiement opérationnel. Ce travail s'inscrit dans la continuité des efforts d'accélération GPU pour le contrôle optimal, dont cuRobo (NVIDIA) et les variantes GPU de l'MPPI sont les exemples les plus connus. L'optimisation robuste avec contraintes SOCP reste un angle peu couvert par ces frameworks, les formulations quadratiques classiques étant structurellement plus simples à paralléliser. Le papier est un preprint arXiv en version v2, pas encore évalué par une conférence de référence comme ICRA, IROS ou RSS. Le code sera rendu public via cunrto.github.io, ce qui permettra des comparaisons indépendantes. La prochaine étape logique serait une validation hardware sur GPU embarqués de type NVIDIA Jetson Orin, représentatifs du déploiement cible en robotique autonome.

RecherchePaper

1 source

2arXiv cs.RO

Distributed Model-Based Diffusion pour l'optimisation de trajectoires multi-robots à grande échelle

Des chercheurs viennent de publier sur arXiv (2607.20992) une méthode baptisée Distributed Model-Based Diffusion (DMBD), conçue pour résoudre l'optimisation de trajectoires pour des flottes de robots évoluant dans des environnements fortement non convexes, non linéaires et non différentiables. Le point de départ est le Model-Based Diffusion (MBD), une approche d'optimisation par échantillonnage qui avait déjà montré des résultats prometteurs pour un robot unique, mais qui devient un problème d'inférence centralisé et de très haute dimension dès qu'on l'étend à plusieurs robots, avec une perte nette d'efficacité d'échantillonnage due à la malédiction de la dimensionnalité, et la nécessité d'un accès global à la dynamique, aux contraintes et aux objectifs de chaque robot. DMBD contourne ce verrou en décomposant le processus de diffusion inverse en processus de diffusion conditionnels locaux : chaque robot débruite sa propre trajectoire dans son sous-espace de commande, en se conditionnant sur les estimations de trajectoires des autres robots, agrégées et redistribuées par un serveur central. Les auteurs valident l'approche sur quatre scénarios de simulation : échange de positions entre robots (goal swapping), couverture multi-étages, stationnement (parking) et trafic dense (rush-hour), avec des temps de résolution annoncés en dessous de la seconde. Cette architecture serveur-robots répond directement à un goulot d'étranglement connu de la planification multi-robots : la coordination centralisée s'effondre en calcul et en bande passante dès que le nombre d'agents augmente, ce qui limite aujourd'hui le déploiement de flottes d'AMR ou de robots mobiles en entrepôt, en logistique ou en coordination aérienne à grande échelle. Si les gains de scalabilité annoncés se confirment au-delà des scénarios simulés, la méthode pourrait intéresser les intégrateurs qui cherchent à faire cohabiter de nombreux robots autonomes sans dépendre d'un planificateur central surchargé, tout en gardant chaque robot capable de calculer localement sa propre trajectoire. Le travail s'inscrit dans la lignée récente des méthodes de diffusion appliquées à la planification robotique, où le MBD a émergé comme alternative aux solveurs d'optimisation classiques pour un seul robot. L'extension au multi-robot reste un champ actif de recherche, avec plusieurs équipes explorant des architectures distribuées ou décentralisées pour éviter l'explosion combinatoire. À ce stade, DMBD reste une contribution académique validée uniquement en simulation, sans démonstration sur robots physiques ni benchmark comparatif détaillé publié dans l'abstract.

RecherchePaper

1 source

3arXiv cs.RO

Feuille d'usinage coordonnée pour l'optimisation du temps total de désassemblage d'ensembles à grande échelle

Une équipe de chercheurs publie CoMuDi (coordinated multi-robot disassembly), une méthode de planification tâche-mouvement pour coordonner une flotte de robots chargés de désassembler de grands ensembles mécaniques dans des espaces de travail confinés. Le système prend en entrée une équipe de robots, un assemblage d'objets et un graphe de dépendances entre pièces, puis construit des tâches composites de prise, de dépose et de sortie pour chaque robot. En propageant des contraintes temporelles entre ces tâches, CoMuDi permet à chaque robot de démarrer et terminer son mouvement le plus tôt possible tout en évitant les collisions avec les robots voisins évoluant dans le même espace. La méthode intègre le planificateur ST-RRT (space-time RRT), qui minimise le temps d'arrivée de chaque tâche individuelle et, par effet cumulé, le makespan global de l'opération. Les auteurs comparent CoMuDi couplé à ST-RRT face à une version utilisant RRT classique, sous différentes bornes de temps de calcul, puis valident l'approche sur six assemblages allant jusqu'à 49 pièces et nécessitant jusqu'à 9 robots simultanés. Pour l'industrie du désassemblage automatisé, recyclage, reconditionnement, retraitement de produits en fin de vie, la coordination de plusieurs robots dans un espace exigu reste un verrou technique majeur : au delà de deux ou trois bras, les risques de collision et les temps d'attente explosent, ce qui limite en pratique l'échelle des déploiements. En démontrant des temps d'inactivité robot réduits sur des scénarios à 9 robots et 49 pièces, CoMuDi apporte une preuve de passage à l'échelle rare dans ce domaine, où la plupart des démonstrations publiées se limitent à deux ou trois bras sur des assemblages simples. L'usage combiné de ST-RRT pour raisonner conjointement sur l'espace et le temps, plutôt que de traiter planification de trajectoire et ordonnancement séparément, est présenté comme le facteur clé du gain en taux de réussite et en makespan. Le travail s'inscrit dans le champ plus large de la planification tâche-mouvement multi-robot (TAMP), où les approches par échantillonnage comme RRT servent de référence historique. Publié en preprint sur arXiv (2608.05830v1), l'article ne mentionne pas encore de validation sur robots physiques ni de partenariat industriel identifié ; la suite logique évoquée par les auteurs serait une évaluation en conditions réelles, hors simulation, pour confirmer la tenue des gains observés face aux incertitudes de perception et d'exécution propres au désassemblage physique.

RecherchePaper

1 source

4arXiv cs.RO

LEMON-Mapping : fusion et optimisation multi-session de nuages de points à grande échelle pour une cartographie globalement cohérente

LEMON-Mapping (Loop-Enhanced Large-Scale Multi-Session Point Cloud Merging and Optimization) est un framework de cartographie collaborative multi-robots présenté dans un preprint arXiv (2505.10018, version 4). Le système vise à fusionner des nuages de points 3D issus de plusieurs robots opérant en sessions distinctes pour produire une carte globalement cohérente à grande échelle. Trois innovations structurent la contribution: un mécanisme de traitement des fermetures de boucles (loop closures) intégrant le rejet d'outliers et une stratégie de rappel pour récupérer des boucles valides erronément filtrées; un bundle adjustment spatial adapté aux cartes multi-robots, qui réduit divergence et flou dans les zones de recouvrement; et une optimisation de graphe de poses (PGO) propageant la précision locale à l'ensemble de la carte via des contraintes de bundle adjustment raffinées. L'intérêt tient à une limitation bien documentée des méthodes PGO classiques: celles-ci traitent les loop closures uniquement comme des contraintes entre noeuds de pose, ignorant la structure géométrique du nuage de points, ce qui produit des trajectoires divergentes et des zones floues dans les régions de chevauchement entre robots. En intégrant un bundle adjustment spatial dans la boucle d'optimisation, LEMON-Mapping montre qu'il est possible de corriger ces défauts de manière structurelle. Les auteurs valident leur approche sur plusieurs benchmarks publics et un dataset propriétaire, avec des résultats supérieurs aux méthodes de fusion traditionnelles en termes de précision et de cohérence globale. Des tests de scalabilité confirment que le framework supporte des flottes de robots nombreuses. La cartographie collaborative multi-robots est un verrou actif pour les AMR d'entrepôt, les drones d'inspection industrielle et la robotique de construction. Le domaine dispose déjà de frameworks comparables: DiSCo-SLAM, Swarm-SLAM ou CoLRIO explorent des approches distribuées avec différentes architectures de communication. LEMON-Mapping se positionne dans la lignée des travaux combinant PGO et bundle adjustment inspiré du structure-from-motion, appliqué aux nuages de points LiDAR multi-sessions. Le preprint en est à sa quatrième révision, signe d'un travail en cours de maturation; aucune disponibilité open-source ni déploiement pilote n'est mentionné à ce stade.

RecherchePaper

1 source