RecherchearXiv cs.RO 30 juin 2026

HJ-SafeDMP : primitives de mouvement dynamiques guidées par Hamilton-Jacobi pour la sécurité certifiée du robot

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Une équipe de chercheurs a publié sur arXiv (2506.28995) HJ-SafeDMP, un cadre algorithmique qui combine Dynamic Movement Primitives (DMP) et analyse de joignabilité Hamilton-Jacobi (HJ) pour garantir formellement la sécurité des trajectoires d'un robot. Les DMP assurent stabilité inhérente et généralisation de trajectoire depuis une seule démonstration humaine, mais sans certificat de sécurité formelle. HJ-SafeDMP apprend hors ligne une Control Barrier Value Function (CBVF) via une récursion HJ model-free à différences finies, puis la déploie comme filtre de sécurité en temps réel avec une loi de contrôle en forme fermée, sans résoudre de programme quadratique en ligne, contrairement aux approches CBF-QP classiques. Les expériences sur un manipulateur à 7 degrés de liberté (DOF) montrent une exécution plusieurs ordres de grandeur plus rapide que les baselines d'optimisation, avec garanties formelles d'évitement de collision et couverture probabiliste calibrée par prédiction conforme sur échantillon fini.

L'enjeu industriel est direct : les DMP sont prisés pour leur robustesse aux perturbations et leur flexibilité temporelle, mais ils n'offrent aucun certificat de sécurité. À l'inverse, l'analyse HJ Reachability fournit des marges de sécurité au pire cas (worst-case safety margins), mais souffre de la malédiction de la dimensionnalité, ce qui la rend impraticable pour le contrôle en temps réel sur des architectures robotiques réelles. HJ-SafeDMP résout ce compromis sans coût d'optimisation en ligne, le rendant compatible avec les boucles de contrôle rapides des robots industriels et cobots. La calibration par prédiction conforme apporte en outre une garantie probabiliste quantifiée, un argument potentiellement pertinent pour les processus de certification de sécurité fonctionnelle en contexte d'interaction humain-robot.

Les DMP ont été introduits au début des années 2000 par Stefan Schaal et sont restés une référence en apprentissage par imitation. Les méthodes CBF (Control Barrier Functions) constituent aujourd'hui le standard pour la sécurité temps réel, mais leur résolution QP à chaque pas de temps génère un goulot computationnel non négligeable. L'analyse HJ Reachability, portée notamment par la Berkeley HJ Reachability Toolbox, est théoriquement rigoureuse mais rarement déployée en temps réel faute de scalabilité sur des systèmes à haute dimensionnalité. HJ-SafeDMP s'en distingue aussi par un objectif d'apprentissage par expectile qui évite les requêtes hors distribution, un point de fragilité courant des approches offline. Il s'agit d'une contribution académique préliminaire : aucun partenaire industriel ni calendrier de déploiement en production n'est mentionné dans l'article.

Impact France/UE

Contribution indirectement pertinente pour les équipes R&D cobot européennes travaillant sur la certification de sécurité fonctionnelle (ISO 10218, AI Act), mais aucun acteur FR/EU impliqué et aucun déploiement industriel annoncé.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

SPECTRA : primitives de mouvement spectrales conditionnées par le contexte pour la généralisation des compétences robotiques

Des chercheurs proposent SPECTRA (Spectral Movement Primitive, SMP), un framework d'apprentissage par imitation dans le domaine fréquentiel pour la manipulation robotique, décrit dans un article publié sur arXiv (2607.06978v1). Le principe consiste à représenter les démonstrations de trajectoire par des coefficients de Fourier tronqués sur horizon fini, plutôt que par des points temporels bruts. Une bande de fréquences basses, sélectionnée empiriquement, capture la géométrie dominante du mouvement, tandis que les harmoniques plus élevées, responsables d'une croissance disproportionnée des dérivées (vitesse, accélération, jerk), sont écartées. Un modèle GMM/GMR (mélange de gaussiennes avec régression) conditionné par le contexte et sensible au référentiel prédit les coefficients de la bande de tâche dans un repère canonique ; la trajectoire cartésienne obtenue est ensuite convertie en espace articulaire via cinématique inverse séquentielle. Un régulateur couplé en phase limite la progression temporelle demandée sans toucher aux coefficients spectraux, imposant ainsi les limites de vitesse et d'accélération articulaires tout en conservant le chemin de l'effecteur. Les auteurs valident l'approche sur plusieurs critères (reconstruction de la bande de tâche, robustesse à des démonstrations corrompues, généralisation hors distribution entre repères non vus, admissibilité dynamique en espace articulaire, préservation du chemin) et un déploiement réel sur un bras Franka Panda. Le problème que cible SPECTRA est concret pour tout intégrateur en apprentissage par imitation : les pipelines classiques apprennent une trajectoire en espace de tâche puis lui imposent après coup des limites d'exécution (filtrage, lissage, écrêtage, mise à l'échelle temporelle), ce qui déforme souvent le chemin de l'effecteur jugé critique pour la tâche, par exemple lors d'un versement, d'une insertion de pièce ou du suivi d'un contour précis. En couplant génération de trajectoire et régulation dynamique dès la conception, dans le domaine fréquentiel, SPECTRA évite cette distorsion a posteriori : les résultats rapportés montrent une réduction substantielle des violations dynamiques et du jerk, tout en préservant le chemin voulu pendant la régulation de phase. Pour la robotique industrielle, où les cycles de préhension et d'insertion tolèrent mal les à-coups mécaniques, cela offre une alternative aux primitives de mouvement dynamiques (DMP) classiques et aux méthodes de lissage a posteriori. Les primitives de mouvement existent depuis les Dynamic Movement Primitives (DMP), introduites il y a une vingtaine d'années et largement utilisées en apprentissage par imitation pour encoder des trajectoires robustes et reproductibles. SPECTRA s'en démarque en travaillant dans le domaine fréquentiel plutôt que temporel, et en couplant explicitement génération de tâche et contraintes d'exécution articulaire plutôt que de les traiter séparément. Le choix du Franka Panda comme plateforme de validation, un bras collaboratif conçu par l'allemand Franka Robotics (ex Franka Emika) très utilisé en recherche académique, ancre les travaux dans l'écosystème européen de manipulation robotique. L'article ne mentionne ni calendrier de transfert industriel ni partenariat commercial : il s'agit à ce stade d'une contribution de recherche évaluée en laboratoire, dont la suite logique serait une validation sur des tâches de manipulation plus complexes et une comparaison directe avec les approches DMP existantes.

UEImpact indirect: la validation s'appuie sur un bras Franka Panda, plateforme concue par l'allemand Franka Robotics, mais aucun partenariat, financement ou deploiement commercial en France/UE n'est mentionne.

RecherchePaper

1 source

2arXiv cs.RO

Collaboration en peinture humain-robot combinant optimisation par préférences et primitives de mouvement dynamiques

Des chercheurs présentent un système de peinture collaborative homme-robot combinant optimisation par préférences et primitives de mouvement dynamiques, décrit dans une publication arXiv (2608.01981v1). L'idée centrale : un robot assiste un opérateur humain pendant une tâche de peinture en ajustant en temps réel l'orientation de la pièce travaillée pour suivre celle de la main de l'opérateur. Le réglage des paramètres de contrôle, le temps d'exécution, la réactivité du robot et l'amplification de rotation, repose sur l'algorithme GLISp, une méthode d'optimisation par préférences (PBO) qui apprend directement du retour humain plutôt que d'une fonction de récompense prédéfinie. Les primitives de mouvement dynamiques (DMP), technique classique de génération de trajectoires en robotique, ont été modifiées pour rendre le comportement du robot plus réactif et mieux adapté aux contraintes ergonomiques. Le système a été testé avec un groupe hétérogène de participants réalisant des tâches de peinture réelles, avec des résultats montrant une réduction de l'effort perçu par l'opérateur et une amélioration des résultats du processus. L'intérêt de ce travail dépasse la seule peinture industrielle : il illustre une approche de calibration de robots collaboratifs qui évite le réglage manuel fastidieux des paramètres de comportement, un problème récurrent en cobotique. En laissant l'humain guider l'apprentissage par préférences successives plutôt qu'en programmant des règles fixes, le système s'adapte à la morphologie et au style de chaque opérateur sans reprogrammation. Pour les intégrateurs et décideurs industriels, cela ouvre une piste vers des postes de travail hybrides où le robot compense la charge physique sans remplacer le geste humain, particulièrement pertinent dans les tâches de finition, peinture, ponçage, polissage, où la dextérité humaine reste difficile à automatiser entièrement. Ce travail s'inscrit dans un courant de recherche plus large sur l'apprentissage par préférences appliqué à la robotique collaborative, où les DMP servent depuis longtemps de brique standard pour générer des trajectoires adaptatives. Il s'agit ici d'une contribution académique de validation expérimentale plutôt que d'un produit commercialisé : aucune entreprise ni site de déploiement industriel n'est mentionné, l'évaluation se limitant à un groupe de participants en conditions contrôlées. Les prochaines étapes attendues porteraient sur l'extension de la méthode à d'autres tâches manuelles assistées et sur des essais à plus grande échelle.

RecherchePaper

1 source

3arXiv cs.RO

Primitives de mouvement par le langage : ancrer les modèles de langage dans le mouvement robotique

Des chercheurs du Collaborative Robotics Lab de Virginia Tech ont publié Language Movement Primitives (LMP), un framework qui relie les modèles de vision-langage (VLM) aux Dynamic Movement Primitives (DMP), une famille de contrôleurs de trajectoire établie en robotique depuis les années 2000. Le principe: les DMP définissent des trajectoires continues et stables via un faible nombre de paramètres interprétables, et les VLM configurent ces paramètres directement à partir d'instructions en langage naturel. Testé sur 31 tâches de manipulation de bureau en conditions réelles, LMP atteint un taux de succès de 65%, contre 35% pour le meilleur système de référence évalué. Le pipeline fonctionne en mode zéro-shot, sans fine-tuning spécifique aux tâches cibles. L'article est disponible sur arXiv (2602.02839, troisième révision) et accompagné de vidéos de démonstration. Le vrai problème que LMP cible est le "grounding" moteur: transformer un raisonnement abstrait en commandes physiquement cohérentes. Les VLM comme GPT-4V excellent à décomposer une tâche en étapes logiques, mais produire des trajectoires exécutables reste hors de leur portée native. À l'inverse, les modèles de fondation robotique tels que Pi-0 de Physical Intelligence, GR00T N2 de NVIDIA ou RT-2 de Google génèrent des actions directement, mais nécessitent généralement un fine-tuning coûteux en données in-domain pour s'adapter à de nouvelles tâches. LMP propose une troisième voie: les DMP servent d'interface structurée entre le raisonnement LLM et le contrôle bas niveau, préservant la stabilité dynamique sans apprentissage supplémentaire. Le gain de 30 points de pourcentage en zéro-shot sur des tâches réelles est notable, même si le choix des baselines et les conditions de test précises mériteront une vérification indépendante par la communauté. Les DMP ont été formalisés par Schaal et al. dans les années 2000 et restent un outil de référence pour la manipulation grâce à leur stabilité et leur capacité de généralisation. L'approche de LMP s'inscrit dans la lignée de SayCan (Google) et Code-as-Policies (Liang et al.), mais descend plus bas dans la pile de contrôle sans passer par un réseau de politique intermédiaire. Les concurrents directs sont les VLA bout-en-bout comme OpenVLA ou le récent Helix d'Figure AI, qui offrent plus de flexibilité mais restent tributaires de larges jeux de données de démonstration. Les prochaines étapes probables incluent l'extension à des environnements non-tabulaires et à des robots à plus haute dimensionnalité, notamment la manipulation dextre sur bras 7-DOF.

RechercheOpinion

1 source

4arXiv cs.RO

Un cadre de recherche guidé par l'accessibilité de Hamilton-Jacobi pour la navigation intérieure planaire sûre et efficace des robots

Des chercheurs ont publié sur arXiv (référence 2504.17679) un framework de navigation intérieure combinant deux familles d'algorithmes jusqu'ici utilisées séparément : la reachability hamiltonienne-jacobienne (HJ), calculée hors-ligne, et la recherche sur graphe, exécutée en ligne. Le principe : les fonctions de valeur HJ, précomputées sur la géométrie de l'environnement, servent à la fois d'heuristiques informatives et de contraintes de sécurité proactives pour guider la recherche sur graphe en temps réel. Le système a été validé en simulation extensive et dans des expériences en conditions réelles, incluant des environnements avec présence humaine. Aucun modèle de robot spécifique ni aucune entreprise commerciale ne sont mentionnés dans la publication, qui s'inscrit dans un cadre académique pur. L'intérêt principal de cette approche réside dans la gestion du compromis entre sécurité garantie et efficacité computationnelle, un point de friction classique pour les robots mobiles en intérieur (AMR, plateformes logistiques). La reachability HJ offre des garanties théoriques solides sur l'évitement d'obstacles, mais elle souffre d'une limitation structurelle : elle suppose une connaissance complète de l'environnement, ce qui la rend difficilement applicable à des espaces dynamiques ou partiellement inconnus. En intégrant la reachability comme heuristique plutôt que comme planificateur principal, les auteurs contournent cette contrainte tout en amortissant le coût de calcul en ligne. Les résultats annoncés montrent une amélioration consistante face aux méthodes de référence, tant en efficacité de planification qu'en sécurité, mais les métriques précises (temps de cycle, taux de collision) ne sont pas détaillées dans le résumé disponible. La reachability HJ est un outil issu de la théorie du contrôle optimal, historiquement utilisé pour la vérification formelle de systèmes cyber-physiques. Son application à la robotique mobile n'est pas nouvelle, mais son couplage avec des algorithmes de recherche sur graphe type A* pour surmonter la contrainte de connaissance globale de l'environnement représente une direction de recherche active. Ce travail se positionne face aux approches purement apprentissage (VLA, politiques end-to-end) en revendiquant des garanties formelles absentes des méthodes neuronales. Les prochaines étapes naturelles incluent l'extension à des espaces 3D ou à des robots non-holonomes, ainsi qu'une validation sur des plateformes industrielles réelles.

RecherchePaper

1 source