RecherchearXiv cs.RO 7 juillet 2026

Contrôle prédictif basé sur le nombre de Strouhal pour une locomotion efficace par battement de nageoires multiples

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs ont développé un système de contrôle prédictif (Model Predictive Control) sensible au nombre de Strouhal pour piloter un véhicule sous-marin autonome propulsé par quatre nageoires souples battantes. Le nombre de Strouhal, un paramètre adimensionnel qui régit l'efficacité de la propulsion ondulatoire chez les poissons et autres nageurs biologiques, sert ici de guide explicite dans la fonction objectif du contrôleur. Le modèle hydrodynamique quasi-stationnaire intègre une pénalité pour tout écart par rapport à la fenêtre optimale de Strouhal (0,25 à 0,35), et le problème d'optimisation non convexe qui en résulte est résolu via une méthode en deux étapes, combinant échantillonnage et descente de gradient, tournant embarquée à 25 Hz. Lors d'essais en bassin et sur le terrain, le contrôleur a maintenu chaque nageoire dans ce corridor optimal tout en suivant précisément les forces commandées, avec une réduction moyenne de la puissance mécanique de 8,8% à 32% sur la plage de croisière de 0,1 à 0,3 m/s. Le système permet aussi d'atteindre 0,4 m/s, une vitesse inaccessible pour un contrôleur de référence basé sur un modèle inverse classique.

Ce résultat est significatif pour la robotique sous-marine et plus largement pour les systèmes à locomotion oscillante: il démontre qu'incorporer un principe physique de premier ordre, validé empiriquement dans le règne animal, directement dans l'objectif d'un contrôleur MPC permet des gains d'endurance tangibles sans sacrifier l'agilité. Pour les concepteurs d'AUV et de robots bio-inspirés, cela ouvre une voie générique vers une locomotion économe en énergie, un enjeu critique pour l'autonomie des missions sous-marines longue durée où chaque watt compte.

Le travail s'inscrit dans la lignée des recherches en hydrodynamique bio-inspirée qui cherchent depuis des décennies à traduire les régularités observées chez les poissons en règles de contrôle exploitables. Les approches précédentes reposaient souvent sur des modèles inverses conventionnels, plus simples mais incapables d'exploiter pleinement la physique des écoulements aux vitesses élevées. En couplant explicitement la contrainte de Strouhal à un cadre de contrôle prédictif temps réel, cette approche ouvre la voie à des robots multi-nageoires de nouvelle génération, avec des perspectives d'extension à des configurations de nageoires plus complexes ou à d'autres modes de propulsion oscillante.

À lire aussi

1arXiv cs.RO

JEPLO : apprentissage prédictif par plongement conjoint pour la locomotion à pattes basée sur le LiDAR

Des chercheurs de l'équipe ASIG-X ont publie le 15 septembre 2026 sur arXiv (référence 2609.15770) JEPLO, un framework de locomotion perceptive pour robots a pattes fonde exclusivement sur du LiDAR, sans cartographie explicite. Le système combine un modèle du monde, PE-JEPA, qui apprend a partir des scans LiDAR bruts et des données proprioceptives embarquées une représentation prédictive du terrain vu par le robot, et un pipeline d'entrainement, CJTS, qui dérivé une politique de locomotion par apprentissage par renforcement en simulation, guidée par ces représentations latentes et une fonction de récompense simplifiée. Apres transfert sim-to-real, le robot franchit en omnidirectionnel des terrains varies, dont de longs escaliers et des caisses hautes, avec un calcul embarque léger. L'implémentation, les jeux de données expérimentaux et les plans du montage matériel sont publies en open source sur GitHub, sous ASIG-X/JEPLO. L'enjeu dépasse la démonstration technique: le LiDAR reste peu exploite face au RGB-D pour la locomotion perceptive, et les approches existantes s'appuient généralement sur une cartographie couteuse en calcul et fragile aux erreurs de localisation. JEPLO revendique une robustesse supérieure aux frameworks perceptifs existants, spécifiquement en conditions de perception dégradée (occlusions, nuage de points éparse, bruit de capteur), soit exactement le point de rupture ou les déploiements de robots a pattes hors laboratoire échouent le plus souvent, au-delà des démonstrations en conditions contrôlées. Pour des intégrateurs évaluant des plateformes quadrupèdes ou bipèdes pour l'inspection ou la logistique, un pipeline sans carte préalable simplifie potentiellement le déploiement sur des sites inconnus ou changeants. Le travail s'inscrit dans la lignée des architectures JEPA, popularisées en apprentissage auto-supervise pour construire des représentations du monde sans reconstruction pixel par pixel, ici adaptées pour la première fois a un signal LiDAR couple a la proprioception pour la locomotion. Il se positionne face aux pipelines dominants de fusion RGB-D et de cartographie explicite utilises par une partie des solutions quadrupèdes actuelles. Publie comme preprint arXiv, sans partenaire industriel ni plateforme matérielle nommée dans le résume, JEPLO reste a ce stade une contribution de recherche ouverte, sans déploiement commercial ni calendrier annonce vers un produit.

RecherchePaper

1 source

2arXiv cs.RO

Contrôle prédictif de pression basé sur l'apprentissage pour une queue robotique souple vertébrée

Une équipe de recherche présente, dans une publication mise en ligne sur arXiv le 30 septembre 2026, un système de contrôle par prédiction de pression (PPC, pressure prédictive control) pour une queue robotique molle segmentée de type vertébrale, destinée a etre montee sur un robot quadrupède. Le système s'appuie sur des réseaux de neurones récurrents LSTM et combine trois modules : un modèle de cinématique inverse (IK), un modèle de cinématique directe (FK) et un module de compensation de pression (P-comp), permettant de piloter la queue aussi bien en mouvement quasi statique qu'en mouvement dynamique non stationnaire. Compare a une approche fondée uniquement sur la cinématique inverse, le PPC réduit l'erreur quadratique moyenne (RMSE) des trajectoires simulées de 69,8 % lors de l'exécution de trajectoires cibles. Dans les mouvements coordonnes entre la queue et le torse du quadrupède, l'utilisation d'un jeu de données de prédiction pour entrainer le PPC permet d'anticiper l'action au pas de temps suivant et réduit le temps de calcul de 60,9 %, améliorant la réactivité de la queue face au rythme de déplacement du robot. Cette avancée s'attaque a un problème récurrent de la robotique molle : la modélisation cinématique des structures continues, dont le comportement matériel non linéaire complique fortement le contrôle, en particulier lors de mouvements non statiques ou l'inertie et les déformations dynamiques entrent en jeu. En montrant qu'un modèle appris remplace avantageusement une cinématique inverse purement analytique, a la fois sur la précision de trajectoire et sur le temps de calcul, les auteurs fournissent une preuve de concept utile aux équipes qui cherchent a doter des robots quadrupèdes d'un appendice mou capable d'apporter du contrôle d'équilibre dynamique ou une interaction physique avec l'environnement, sans recourir a des actionneurs rigides plus lourds et moins surs au contact. Le gain de 60,9 % sur le temps de calcul est particulièrement pertinent pour les applications temps réel, ou la latence de contrôle limite aujourd'hui l'adoption de structures molles complexes face a des actionneurs rigides plus prévisibles. Le travail s'inscrit dans le courant plus large de la robotique molle, ou la difficulté a modéliser précisément des structures déformables freine depuis des années le passage de prototypes de laboratoire a des systèmes déployés, contrairement aux bras et jambes rigides dont la cinématique est bien maîtrisée. L'ajout d'un appendice caudal a un robot quadrupède fait écho a des travaux antérieurs sur les queues robotiques utilisées pour la stabilisation dynamique et le contrôle d'équilibre, un axe également explore par des laboratoires travaillant sur des robots inspires du vivant. Publiee sous forme de preprint arXiv non encore revu par les pairs, l'étude ne précise ni calendrier de transfert vers un produit commercial ni partenaire industriel, mais constitue une brique méthodologique réutilisable par d'autres équipes pour entrainer des contrôleurs similaires sur d'autres structures molles articulées.

RecherchePaper

1 source

3arXiv cs.RO

Contrôle Prédictif Non Linéaire Multi-Fréquences pour la Locomotion Bipède Appuyée au Mur de Robots Quadrupèdes

Cette étude, publiée sur arXiv le 1er juillet 2607 (arXiv:2607.01574), présente un nouveau cadre de contrôle baptisé MR-NMPC (commande prédictive non linéaire multi-cadence) permettant à un robot quadrupède d'adopter une locomotion bipède partiellement assistée par un mur, dans des environnements confinés. Le système repose sur deux niveaux : en haut, le MR-NMPC planifie simultanément les points de contact discrets et les trajectoires continues du centre de masse et de l'orientation du robot, à partir d'un modèle dynamique de corps rigide unique (SRB) ; en bas, un contrôleur de corps complet (WBC) non linéaire, basé sur des contraintes virtuelles et un programme quadratique, traduit ces références en commandes moteur tout en respectant la dynamique complète du système. Les auteurs ont validé leur approche exclusivement par simulation numérique, sur un robot quadrupède Unitree A1, en terrain accidenté et soumis à des perturbations externes. Résultat chiffré : le MR-NMPC atteint un taux de réussite 2,9 fois supérieur à celui d'un MPC classique combiné à un placement de pied heuristique, notamment à haute vitesse sur terrain irrégulier. L'intérêt pratique dépasse la prouesse académique : faire tenir un quadrupède en appui partiel sur un mur pour libérer ou stabiliser ses pattes ouvre la voie à des manœuvres dans des couloirs étroits, des échafaudages ou des zones sinistrées, là où la locomotion quadrupède classique manque de portée verticale. Cela confirme aussi qu'une planification conjointe des contacts et de la trajectoire, plutôt qu'une heuristique de pose de pied, réduit nettement les échecs dynamiques en conditions difficiles, un argument technique plus qu'une démonstration marketing. Le travail s'inscrit dans la lignée des recherches sur le contrôle prédictif des robots à pattes, où Unitree A1 sert de plateforme de référence académique peu coûteuse. Contrairement aux annonces produits d'acteurs comme Boston Dynamics ou ANYbotics, il s'agit ici d'une contribution de recherche en simulation, sans validation matérielle réelle annoncée : la prochaine étape logique serait un déploiement physique sur robot pour confirmer la robustesse observée in silico.

RecherchePaper

1 source

4arXiv cs.RO

Imiter et affiner le contrôle prédictif par modèle pour une locomotion quadrupède robuste et symétrique

Une équipe de chercheurs a publié le framework IFM (Imitating and Finetuning Model Predictive Control), une approche hybride pour le contrôle de robots quadrupèdes sur des terrains difficiles. La méthode, disponible sur arXiv sous la référence 2311.02304v3, s'articule en trois phases séquentielles : d'abord, un contrôleur MPC classique est construit à partir de la Programmation Dynamique Différentielle (DDP) couplée à l'heuristique de Raibert pour définir une politique experte ; ensuite, ce contrôleur est cloné par apprentissage par imitation afin de le rendre adaptable par gradient ; enfin, un deep reinforcement learning (RL) à exploration volontairement limitée affine la politique sur des terrains exigeants, notamment surfaces rugueuses, revêtements glissants et tapis roulants. Des expériences menées en simulation puis sur matériel réel valident les performances du framework dans ces trois configurations. Le principal apport d'IFM est de combiner la robustesse formelle du contrôle model-based et la flexibilité de l'apprentissage profond, sans les défauts propres à chaque approche prise isolément. En pratique, IFM produit des allures (gaits) significativement plus symétriques, périodiques et économes en énergie que le RL classique dit "Vanilla RL", tout en réduisant considérablement le travail de reward shaping, c'est-à-dire la conception laborieuse de fonctions de récompense qui constitue l'un des principaux freins industriels au RL pour la locomotion. L'exploration limitée en phase RL est une décision architecturale notable : elle contraint le réseau à rester proche de la politique MPC apprise, ce qui stabilise l'apprentissage sur des terrains hors distribution sans divergence comportementale, un résultat difficile à obtenir avec du RL pur. Le contrôle de la locomotion quadrupède est un champ de recherche dense depuis les travaux fondateurs de Marc Raibert au MIT Leg Lab dans les années 1980, dont l'heuristique de placement de pied est encore employée ici comme référence. Les approches récentes se partagent entre contrôle model-based pur (ETH Zurich avec ANYmal et le groupe RSL), RL pur (UC Berkeley, Carnegie Mellon) et hybrides croissants. IFM s'inscrit dans cette troisième catégorie, en compétition directe avec des pipelines teacher-student d'ETH Zurich ou des frameworks comme DribbleBot. La publication ne mentionne aucun déploiement industriel ni partenariat commercial : il s'agit d'une contribution académique, dont la valeur pratique dépendra de sa transferabilité à des robots commerciaux comme l'Unitree Go2 ou le Boston Dynamics Spot, plateformes sur lesquelles plusieurs groupes appliquent déjà des méthodologies similaires.

RecherchePaper

1 source