Aller au contenu principal
Arbres de croyance gaussiens en temps continu pour la planification de mouvementIllustration générée par IA
RecherchearXiv cs.RO 

Arbres de croyance gaussiens en temps continu pour la planification de mouvement

1 source couvre ce sujet·Source originale ↗·

Compilé et résumé par IA · sources vérifiables en un clic · publié sans lecture humaine préalable · méthodologie

Résumé IASource unique

Un article de recherche publié sur arXiv (2607.02884) propose une nouvelle méthode de planification de trajectoire pour robots évoluant sous incertitude, en temps continu plutôt qu'en temps discret. Les auteurs modélisent la dynamique du robot comme une équation différentielle stochastique linéaire à temps continu, tandis que les mesures des capteurs n'arrivent qu'à des instants discrets. Ils construisent un modèle de propagation de croyance ("belief") hybride : entre deux mesures, la croyance évolue selon des équations différentielles ordinaires, puis subit une mise à jour brusque par filtre de Kalman à chaque nouvelle mesure. Pour garantir la sécurité, l'équipe introduit un vérificateur basé sur des fonctions barrières de croyance, capable de certifier la sécurité sur des segments entiers de trajectoire plutôt que seulement aux points d'échantillonnage. La méthode a été intégrée aux planificateurs RRT et SST et testée sur plusieurs environnements de référence, avec des taux de réussite élevés et un respect robuste des contraintes probabilistes, notamment dans des passages étroits.

L'enjeu concret est la fiabilité des robots mobiles et manipulateurs en environnement incertain, un point critique pour les intégrateurs qui déploient des AMR ou des bras robotiques en usine. Les approches classiques de planification, qui ne vérifient la sécurité qu'à des nœuds discrets du chemin, peuvent laisser passer des violations de contraintes entre deux points d'échantillonnage, un angle mort particulièrement dangereux dans les couloirs étroits ou les zones à forte densité d'obstacles. En traitant l'incertitude et la vérification de sécurité en temps continu, cette approche comble une lacune connue des méthodes de planification sous incertitude, sans changer la nature probabiliste du problème.

Ce travail s'inscrit dans la lignée des méthodes de planification sous incertitude basées sur des arbres de croyance, où les mises à jour par filtre de Kalman servent depuis longtemps à estimer l'état d'un robot à partir de mesures bruitées. En combinant cette estimation continue avec les planificateurs RRT et SST, largement utilisés en robotique mobile, les auteurs proposent une extension directement compatible avec les pipelines de planification existants, plutôt qu'un cadre entièrement nouveau à réimplémenter.

Dans nos dossiers

À lire aussi

Planification de mouvement et pilotage en temps continu avec convergence globale
Illustration générée par IA
1arXiv cs.RO 

Planification de mouvement et pilotage en temps continu avec convergence globale

Des chercheurs proposent GlobMP (Global Motion Planning), un algorithme de planification de mouvement en temps continu qui, selon l'étude, converge vers l'optimum global lorsqu'un coût de lissage est combiné à des contraintes. Le travail est publié sur arXiv (2610.30607). Les auteurs écrivent qu'à leur connaissance, aucun algorithme ne offrait jusqu'ici cette garantie. La méthode formule planification et pilotage (steering) comme un seul programme continu. Les robots évitent les autres robots ainsi que les obstacles statiques ou mobiles. Une proposition issue d'une politique ou d'un planificateur appris est « pilotée » en gardant la trajectoire proche d'elle. GlobMP est une méthode de projection de gradient sur des courbes polynomiales par morceaux. Chaque contrainte devient un polynôme par morceau qui doit rester positif sur tout le mouvement. L'algorithme alterne réduction du coût et restauration de la faisabilité. Les tests couvrent des équipes allant jusqu'à 200 robots, la plateforme Robotarium, un benchmark étendu, la navigation en labyrinthe, et le pilotage de politiques à retour tactile sur un humanoïde bimanuel. Les auteurs revendiquent de meilleures performances que des références solides. L'enjeu tient à un point souvent négligé. Les contraintes de sécurité doivent être respectées à chaque instant, et pas seulement aux instants échantillonnés. Une trajectoire validée sur une grille discrète peut violer une contrainte entre deux points. Or les politiques apprises (VLA, diffusion) ne donnent aucune garantie de ce type, et la planification classique sert de plus en plus de couche de correction. Une méthode qui corrige une sortie apprise tout en respectant des contraintes continues vise donc un besoin réel pour les intégrateurs de flottes multi-robots et de manipulation. La démonstration sur 200 robots indique une bonne tenue au passage à l'échelle, mais la nature des essais compte. Il s'agit d'un travail académique, sans chiffres de temps de calcul ni de déploiement industriels dans le résumé, et sans validation sur une flotte réelle de cette taille. Le test humanoïde reste un cas de démonstration. La garantie est asymptotique et suppose des hypothèses « raisonnables ». Le coût approche l'optimum global quand le nombre de pièces polynomiales croît, à partir d'un départ sur grille fine. Le temps de calcul à grande résolution est donc la vraie question. Elle se pose face aux planificateurs d'optimisation de trajectoire établis, aux méthodes par échantillonnage et aux filtres de sécurité à base de fonctions barrières. Le programme est simple à énoncer mais non convexe, ce qui explique l'absence de garanties jusqu'ici. Les suites logiques sont la publication des performances temps réel, la comparaison sur des benchmarks communs et une intégration avec des politiques robotiques à grande échelle. Aucun acteur européen n'est cité dans cette étude, et aucun produit ni pilote n'est annoncé à ce stade.

RecherchePaper
1 source
Planification en temps constant pour enchaîner mouvement sans collision et comportements de manipulation
Illustration générée par IA
2arXiv cs.RO 

Planification en temps constant pour enchaîner mouvement sans collision et comportements de manipulation

Des chercheurs publient, dans la version 3 d'un preprint arXiv (2512.00939), le Behavioral Constant-Time Motion Planner (B-CTMP), un planificateur de mouvement qui étend la planification à temps constant (CTMP) aux tâches de manipulation en deux étapes. Le robot exécute d'abord un mouvement sans collision vers un état d'initiation du comportement, puis déroule un comportement tel qu'une saisie ou une insertion. Le CTMP classique répond à toute requête dans un budget de temps fixé par l'utilisateur (par exemple 10 millisecondes) grâce à une phase de précalcul, dans un environnement connu à l'avance. B-CTMP change deux choses : les voisinages sont construits dans l'espace des poses d'objet plutôt que dans l'espace des configurations du robot, et la couverture est établie par certification statistique plutôt que par un simple test d'atteignabilité. Un plan n'est mis en cache que si des rollouts répétés établissent une borne inférieure de son taux de succès au-dessus d'un seuil choisi, et les auteurs démontrent que ces bornes tiennent simultanément sur tout le cache, à un niveau de confiance donné. Pour un comportement déterministe, un seul rollout suffit, ce qui redonne le test binaire du CTMP. L'évaluation porte sur trois tâches (prélèvement en rayonnage, insertion de prise, remplacement de roue), en simulation et sur robots réels. Le résumé ne donne aucun chiffre de taux de succès ni de nombre d'essais. L'enjeu est de combler un écart entre la planification de mouvement vérifiable et les comportements appris. Les compétences de manipulation riches en contacts progressent vite, mais restent cantonnées à des routines simples et scriptées, faute de garanties de sécurité, d'efficacité et de fiabilité. Le CTMP ne certifie que l'atteignabilité, un prédicat binaire, et ignore le comportement qui accomplit la tâche. Or ce comportement est de plus en plus stochastique, par exemple une politique apprise de type VLA, et aucun rollout hors ligne ne suffit à en prouver le succès. B-CTMP propose une réponse : borner statistiquement le taux de succès du comportement et garder un temps de réponse constant, y compris pour rejeter des poses d'objet infaisables. Pour un intégrateur ou un responsable de ligne, c'est le type de garantie auditable qui manque pour déployer des politiques apprises en production. Les auteurs affirment que les plans certifiés réussissent de façon constante là où les références échouent pendant l'exécution du comportement. Cette affirmation reste à vérifier sur les détails expérimentaux, notamment la diversité des poses testées et les budgets de rollouts. Ce travail prolonge la lignée du CTMP, conçu pour offrir des temps de requête bornés dans des environnements semi-structurés, typiques des cellules industrielles où les objets varient peu. Il se rapproche aussi des efforts de vérification des politiques apprises, face à la tendance dominante qui consiste à évaluer les modèles de manipulation sur des essais limités. La limite principale tient à l'hypothèse d'un environnement connu a priori et d'un monde semi-structuré : la garantie ne s'étend pas à des scènes ouvertes. Il s'agit d'une publication académique, sans produit ni déploiement annoncé. La suite logique serait de tester la méthode avec des politiques apprises plus complexes et sur des tâches plus longues, avec un cache dont la taille et le coût de précalcul restent à documenter.

RecherchePaper
1 source
PccDiffuser : planification de mouvement multi-solutions pour robots à corps continu
Illustration générée par IA
3arXiv cs.RO 

PccDiffuser : planification de mouvement multi-solutions pour robots à corps continu

Une équipe de recherche présente PccDiffuser, un cadre de diffusion conditionnelle pour la planification de mouvement des robots continuum, dans un preprint arXiv publié en septembre 2026 (2609.09745v1). Le système apprend une distribution multimodale de trajectoires dans l'espace des configurations et génère plusieurs solutions candidates en parallèle, converties en trajectoire exécutable par allocation temporelle respectant les contraintes des actionneurs. Sa cinématique, modélisée par courbure constante par morceaux avec des coordonnées exponentielles, s'appuie sur un réseau de neurones sur graphe pour encoder un nombre variable d'obstacles et sur une cinématique différentielle analytique intégrée au débruitage pour améliorer précision et dégagement du corps entier. Sur un jeu de test allant de zéro à quatre obstacles, le taux de réussite atteint 91 %, supérieur aux méthodes par échantillonnage ou optimisation, avec un gain d'efficacité de calcul. Des essais sur un robot continuum à trois sections actionné par câbles confirment la planification multi-solutions et l'évitement d'obstacle du corps entier. Les robots continuum, structures souples et hyper-redondantes utilisées en chirurgie mini-invasive, en inspection de zones confinées et en recherche-sauvetage, restent difficiles à piloter automatiquement en raison d'un espace de configuration quasi infini et d'une cinématique non linéaire. Les méthodes classiques par échantillonnage ou optimisation peinent à capturer la multimodalité du problème, c'est-à-dire l'existence de plusieurs chemins valides distincts, et deviennent lentes quand l'environnement se complexifie. En atteignant 91 % de réussite tout en restant plus rapide que ces références, PccDiffuser démontre que les modèles de diffusion, déjà répandus pour les bras robotiques rigides, se transposent aux robots mous. Il s'agit toutefois d'un résultat de recherche en preprint, validé sur un seul robot de laboratoire et un environnement limité à quatre obstacles, et non d'un produit commercial ni d'un déploiement industriel. La planification des robots continuum s'appuyait jusqu'ici sur des solveurs de cinématique inverse et des planificateurs par échantillonnage adaptés au modèle de courbure constante par morceaux, une représentation standard depuis le milieu des années 2000. Les modèles de diffusion, popularisés pour les bras rigides, avaient jusqu'à présent peu été appliqués aux structures continues, faute d'encodage adapté à une cinématique non linéaire et à un nombre variable d'obstacles. Sans acteur industriel ni calendrier annoncé, ce travail de recherche ouvre la voie à des validations sur des robots continuum plus complexes et des environnements encombrés, avant tout transfert éventuel vers des applications comme la chirurgie robotisée ou l'inspection industrielle.

RecherchePaper
1 source
Planification et contrôle sûrs en temps continu pour quadrupèdes agiles
Illustration générée par IA
4arXiv cs.RO 

Planification et contrôle sûrs en temps continu pour quadrupèdes agiles

Des chercheurs proposent un cadre de planification de mouvement temps réel pour robots quadrupèdes, décrit dans une prépublication arXiv (2610.35670v1), qui conserve le modèle complet SE(2) entièrement actionné du robot. Ce modèle inclut des bornes de vitesse anisotropes, couplées au cap : le robot ne se déplace pas aussi vite latéralement qu'en marche avant, et ces limites dépendent de son orientation. Les trajectoires sont paramétrées par des polynômes de Bernstein composites. La propriété d'enveloppe convexe de cette base permet de certifier l'évitement de collision et le respect des limites d'entrée sur tout l'horizon de planification, et non plus seulement en des points discrets. L'optimisation tourne en boucle fermée à cadence de replanification en ligne et envoie des vitesses de corps au contrôleur de locomotion. Les auteurs la valident en simulation, face à des ablations et à des méthodes de référence externes, puis sur un quadrupède réel évoluant parmi des obstacles mobiles inconnus. Le résumé ne donne ni fréquence de replanification, ni taux de succès, ni vitesses maximales, ni nom du robot ou des baselines. L'enjeu est la fiabilité en environnement dynamique. La plupart des planificateurs temps réel gagnent en tractabilité par une réduction convexe qui impose des modèles cinématiques simplifiés, par exemple unicycle ou holonome isotrope. Ils écartent ainsi des mouvements que le robot sait exécuter, comme le pas latéral ou la rotation couplée à la translation. Ils ne certifient aussi la sécurité qu'aux points de discrétisation, ce qui laisse possible une collision entre deux échantillons face à un obstacle rapide. Ici, la garantie porte sur le temps continu, ce qui compte pour les intégrateurs qui déploient des quadrupèdes d'inspection ou de logistique dans des sites partagés avec des personnes et des engins. Le compromis est assumé : accepter la non-convexité coûte du calcul et ne garantit pas l'optimum global. Le résumé ne chiffre pas ce coût, et l'embarquement sur des processeurs de robots du commerce reste donc à vérifier dans l'article complet. Il s'agit d'un résultat de recherche et non d'un produit livré ou d'un déploiement réel. Le travail s'inscrit dans le courant de la planification sûre pour la robotique mobile, qui s'appuie sur les trajectoires polynomiales par morceaux, les courbes de Bézier et de Bernstein, ou les fonctions barrières de contrôle. Les approches par apprentissage par renforcement et les contrôleurs de locomotion réactifs restent des concurrents directs sur le quadrupède agile, mais offrent rarement des garanties formelles. La suite logique serait une intégration avec des perceptions plus bruitées, des obstacles aux comportements moins prévisibles et des plateformes plus variées. Les auteurs ne mentionnent aucune annonce industrielle ni calendrier de transfert.

RecherchePaper
1 source