Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
CN-CBF : fonction de barrière de contrôle neuronale composite pour la navigation robotique en environnements dynamiques
RecherchearXiv cs.RO 

CN-CBF : fonction de barrière de contrôle neuronale composite pour la navigation robotique en environnements dynamiques

1 source couvre ce sujet·Source originale ↗·
Résumé IASource uniqueImpact UE

Des chercheurs proposent une nouvelle méthode de conception de fonctions de barrière de contrôle neuronales, baptisée CN-CBF (Composite Neural Control Barrier Function), pour sécuriser la navigation de robots autonomes dans des environnements dynamiques et incertains. L'approche combine plusieurs CBF neuronales individuelles en une seule fonction composite : chacune est entraînée hors ligne à partir de données générées par le cadre de calculabilité Hamilton-Jacobi, afin d'approximer l'ensemble de sécurité optimal face à un obstacle mobile unique. Une architecture neuronale résiduelle garantit que l'ensemble de sécurité estimé ne recoupe jamais l'ensemble d'échec correspondant. La méthode a été testée en simulation sur un robot terrestre et un quadricoptère, puis validée par des expériences matérielles sur les deux plateformes. Comparée aux meilleures méthodes de référence existantes, elle améliore le taux de réussite de la navigation jusqu'à 18%, tout en conservant des longueurs de trajectoire et des temps de déplacement comparables, voire inférieurs.

Ce résultat s'attaque à un problème central pour l'industrie robotique : les filtres de sécurité basés sur les CBF sont simples à déployer mais notoirement difficiles à concevoir manuellement, en particulier quand l'environnement change en temps réel. En automatisant et en fiabilisant cette conception via l'apprentissage, CN-CBF pourrait faciliter le déploiement de robots autonomes, mobiles ou volants, dans des environnements partagés avec des obstacles mobiles, humains compris, sans sacrifier l'efficacité des trajectoires. Le passage du simulateur au matériel réel, sur deux morphologies distinctes, robot au sol et drone, est un signal encourageant pour les intégrateurs et les équipes de R&D qui cherchent des garanties de sécurité formelles plutôt que des heuristiques ad hoc, un enjeu clé pour la certification et l'adoption en environnements industriels ou logistiques.

Les fonctions de barrière de contrôle sont un outil classique de la théorie du contrôle pour garantir la sécurité formelle des systèmes dynamiques, mais leur conception manuelle devient vite intraitable dès que la dimension ou la complexité de l'environnement augmente. Les approches existantes, qu'elles soient purement basées sur des modèles ou purement apprises, souffrent chacune de limites que les auteurs cherchent explicitement à corriger en combinant apprentissage neuronal et cadre théorique Hamilton-Jacobi. Publié sur arXiv en version révisée, ce travail s'inscrit dans une littérature croissante sur les CBF neuronales pour la robotique mobile et aérienne. Les auteurs mentionnent des évaluations étendues en simulation face à plusieurs méthodes concurrentes ; une extension naturelle consisterait à traiter des scénarios multi-obstacles ou multi-robots, au-delà du cas de l'obstacle mobile unique étudié ici.

Dans nos dossiers

arXiv cs.RO

À lire aussi

Distillation de fonctions de barrière de contrôle privilégiées en filtres de sécurité RGB seul pour la navigation visuelle dynamique
1arXiv cs.RO 

Distillation de fonctions de barrière de contrôle privilégiées en filtres de sécurité RGB seul pour la navigation visuelle dynamique

Des chercheurs proposent une méthode pour doter les politiques de navigation visuelle « RGB seul » d'une couche de sécurité embarquée, sans reconstruction 3D ni rendu en ligne. Le travail, publié sur arXiv (2609.36520) avec une page projet, repose sur une distillation enseignant-élève. L'enseignant est une Control Barrier Function (CBF), un filtre mathématique qui corrige une commande jugée dangereuse pour maintenir le robot dans un ensemble sûr. Il exploite des états « privilégiés » (position du robot et des obstacles réels) dans un environnement dynamique real-to-sim en Gaussian Splatting. L'élève, un filtre de sécurité, reçoit un court historique d'images RGB, la vitesse du robot et l'action nominale de la politique de navigation, et renvoie directement une action sûre. Au déploiement, seuls l'image et la vitesse sont nécessaires. Aucun chiffre de latence, de taux de collision ou de plateforme matérielle n'apparaît dans le résumé. Pour réduire l'écart d'information entre enseignant et élève, l'enseignant ne construit ses contraintes qu'à partir des obstacles visibles dans l'historique d'images de l'élève. Il intègre aussi une incertitude sur la vitesse des obstacles, pour tolérer des mouvements variés. Enfin, une augmentation d'actions expose l'élève à des commandes nominales sûres et dangereuses, afin qu'il apprenne mieux la frontière de sécurité. Les auteurs affirment surpasser les CBF visuelles de référence et améliorer la sécurité de politiques de navigation RGB sous obstacles mobiles, mais les gains chiffrés et les baselines exactes ne sont pas précisés dans le texte disponible. L'enjeu est pratique pour les intégrateurs : les politiques de navigation de bout en bout entraînées en imitation ou par apprentissage par renforcement restent fragiles face à des piétons ou à d'autres véhicules, et les approches CBF visuelles existantes exigent du rendu en temps réel ou une reconstruction de scène, coûteux pour un calcul embarqué. Déplacer ce coût vers l'entraînement rend un filtre de sécurité plausible sur des robots mobiles à capteurs limités. Il faut toutefois rester prudent : le résultat est académique, les évaluations décrites relèvent probablement en partie de la simulation, et une distillation ne fournit pas les garanties formelles d'une CBF exacte. La question de la certification reste donc ouverte pour un usage industriel. Ce travail s'inscrit dans deux tendances : la montée des modèles de navigation RGB de bout en bout, plus légers en capteurs que le LiDAR, et l'usage du Gaussian Splatting comme pont entre données réelles et simulation pour l'entraînement de politiques robotiques. Les filtres de sécurité par CBF, souvent comparés aux approches de type shielding, servent déjà de couche de protection au-dessus de contrôleurs appris. La suite logique serait une validation sur robot réel, des mesures de latence embarquée et des tests dans des scènes plus denses. Aucun partenaire industriel, pilote ou calendrier n'est annoncé.

RecherchePaper
1 source
Apprendre la bonne abstraction : dynamique réduite neuronale pour le contrôle robotique complexe
2arXiv cs.RO 

Apprendre la bonne abstraction : dynamique réduite neuronale pour le contrôle robotique complexe

Une équipe de recherche a publié sur arXiv, le 21 août 2026 (référence 2608.19375v1), un article intitulé « Learning the Right Abstraction: Neural Reduced Dynamics for Complex Robot Control », proposant un cadre baptisé Neural Reduced Dynamics (NRD). L'objectif : remplacer les simulateurs physiques haute-fidélité, trop coûteux pour l'apprentissage par renforcement à grande échelle, par un modèle neuronal appris qui ne conserve que l'état réduit pertinent pour le contrôle, avant de valider les politiques entraînées dans le simulateur complet. Le cadre est testé sur trois tâches : suivi de trajectoire d'un véhicule HMMWV (Humvee) sur terrain rigide, accidenté et déformable, modélisé via un Continuum Representation Model (CRM), et atteinte d'objectifs pour un véhicule à chenilles équipé d'un bras articulé frontal. Une politique unique, entraînée sans recevoir d'information de terrain en entrée, obtient une erreur de suivi inférieure à celle de politiques spécialisées par terrain, y compris sur un terrain accidenté jamais vu (zero-shot). Le véhicule atteint 100 objectifs sur 100, le bras 97 sur 100, sans collision ni dépassement de butée articulaire, et les modèles NRD tournent environ quatre ordres de grandeur plus vite en temps simulé que les scènes qu'ils remplacent. Cette accélération déplace le goulot d'étranglement classique de l'apprentissage robotique : entraîner des politiques directement dans un simulateur haute-fidélité reste souvent hors de portée pour l'itération rapide à grande échelle, ce que ce travail contourne sans sacrifier le transfert vers la physique complète. Pour les équipes développant des véhicules autonomes tout-terrain ou des plateformes hybrides mobilité-manipulation, la généralisation à un terrain non vu, sans capteur dédié, suggère qu'une seule politique bien entraînée peut remplacer plusieurs modèles spécialisés. Ces résultats restent toutefois obtenus entièrement en simulation, sans validation sur robot physique. Le travail s'inscrit dans la lignée des approches par dynamique neuronale ou « world models » destinées à accélérer l'apprentissage par renforcement, en alternative aux moteurs physiques classiques comme Chrono, dont est issue la terminologie CRM, ou aux plateformes de simulation massivement parallèles type Isaac Gym. Plutôt que d'apprendre une dynamique complète, NRD mise sur une abstraction volontairement réduite de l'état, le reste étant fourni en entrée ou recalculé analytiquement. L'article ne mentionne ni partenariat industriel ni calendrier de déploiement ; il se positionne comme une contribution méthodologique pour les laboratoires travaillant sur les véhicules terrestres autonomes et la manipulation mobile.

RecherchePaper
1 source
Fonction de barrière de contrôle guidée par imagination comportementale avec incertitude partagée pour la navigation de robots mobiles
3arXiv cs.RO 

Fonction de barrière de contrôle guidée par imagination comportementale avec incertitude partagée pour la navigation de robots mobiles

Des chercheurs présentent BIG-CBF (Behavior-Imagination-Guided Control Barrier Function), une architecture de navigation pour robots mobiles autonomes décrite dans un article publié sur arXiv (2609.14343) en septembre 2026. Le système sépare la sélection de manœuvre, exécutée à basse fréquence, du filtrage de sécurité proprement dit, exécuté à haute fréquence via une fonction de barrière de contrôle (CBF) classique. Sur un horizon court, six comportements en boucle fermée sont imaginés et évalués selon leur compatibilité CBF et un objectif combinant progression de la tâche, risque de blocage, fluidité et fréquence de changement de manœuvre. Les couches d'imagination et d'exécution partagent les mêmes sources d'incertitude (délai de mouvement relatif, prédiction des obstacles, maintien d'ordre zéro, résidus d'exécution des commandes), tandis qu'une CBF stricte reste l'autorité finale de sécurité. Sur un benchmark comparatif de 3 600 épisodes répartis sur neuf scénarios, BIG-CBF atteint un taux de réussite global de 99,78 %, le meilleur des méthodes testées, tout en réduisant nettement le nombre d'interventions de la CBF en aval. Sur un robot omnidirectionnel physique embarquant un calculateur Jetson Orin Nano, le système complète ses 15 essais d'évaluation sans aucun contact enregistré. Ce travail s'attaque à une limite connue des filtres de sécurité CBF à intervention minimale : sans conscience du niveau tâche, ils peuvent choisir une direction d'évitement non productive quand plusieurs manœuvres sont localement valides, ce qui produit un comportement sûr mais bloqué dans des environnements géométriquement ambigus, un robot qui s'arrête au lieu de contourner un obstacle. Pour les intégrateurs d'AMR en environnement industriel ou logistique, ce type de blocage reste l'un des principaux freins à l'autonomie complète, autant sinon plus que le risque de collision lui-même. En partageant les mêmes modèles d'incertitude entre la couche de planification et la couche d'exécution, BIG-CBF cible directement l'écart classique entre planification et comportement réel du robot. Les résultats, mesurés à la fois en simulation à grande échelle et sur matériel physique, avec des métriques d'énergie et de fréquence d'intervention de la CBF, offrent une validation plus rigoureuse que les démonstrations vidéo isolées courantes dans le secteur, même si 15 essais matériels restent un échantillon modeste pour conclure à une robustesse générale. Les fonctions de barrière de contrôle constituent depuis plusieurs années un cadre mathématique standard pour garantir des contraintes de sécurité locales, en particulier l'évitement de collision, dans la robotique mobile et les véhicules autonomes, généralement sous forme de filtres d'optimisation appliqués à une commande nominale. BIG-CBF se positionne comme une amélioration de cette approche classique face aux méthodes de planification purement réactive ou aux architectures d'apprentissage de bout en bout, en conservant la garantie formelle de sécurité tout en ajoutant une couche de raisonnement sur les manœuvres. L'article ne précise ni industriel partenaire ni calendrier de déploiement commercial : il s'agit d'une contribution de recherche, testée en simulation et sur un seul robot omnidirectionnel de laboratoire équipé d'un module Jetson Orin Nano, sans indication de généralisation à d'autres plateformes ou à des flottes plus larges pour l'instant.

RecherchePaper
1 source
CoCoNav : un contrôle conforme pour une navigation robotique sûre en milieu de foule
4arXiv cs.RO 

CoCoNav : un contrôle conforme pour une navigation robotique sûre en milieu de foule

Un article déposé sur arXiv en août 2026 (arXiv:2608.07751) présente CoCoNav, un framework de navigation pour robots évoluant en foule, conçu pour anticiper les mouvements imprévisibles des piétons. Le système combine une calibration conforme en ligne et une planification certifiée en temps réel. Son composant central, un contrôleur conforme proportionnel-intégral spécifique à l'horizon temporel, ajuste dynamiquement les marges d'erreur de trajectoire pour maintenir un taux de couverture empirique stable face à des erreurs de prédiction qui évoluent au fil du temps. Un second module, baptisé "relax-then-verify" (détendre puis vérifier), génère d'abord des trajectoires nominales via un contrôle prédictif par modèle (MPC) à contraintes souples, avant de certifier séparément ces trajectoires, ainsi que des manœuvres de secours, par rapport aux bornes calibrées, juste avant leur exécution. Les auteurs ont validé l'approche à la fois en simulation et lors d'expériences avec un robot quadrupède, mesurant l'évitement de collision, le taux de réussite de tâche et l'efficacité de navigation par rapport à plusieurs méthodes de référence. Ce travail s'attaque à un point de friction connu dans le déploiement de robots mobiles en environnement humain: les méthodes réactives classiques produisent des comportements oscillants dès que la densité de piétons augmente, tandis que les planificateurs prédictifs supposent souvent des trajectoires piétonnes exactes ou s'appuient sur des modèles d'erreur trop rigides pour rester fiables en conditions réelles. Imposer des marges d'incertitude conservatrices comme contraintes strictes rend par ailleurs le MPC souvent infaisable en pratique, un problème qui limite l'usage de ces techniques dans des AMR (robots mobiles autonomes) commerciaux, des robots de livraison ou des plateformes de service. En séparant génération de trajectoire et certification, et en calibrant les marges d'erreur en continu plutôt qu'a priori, CoCoNav propose une piste concrète pour rendre les garanties de sécurité compatibles avec la réactivité nécessaire en environnement dense, un compromis que peu d'approches publiées atteignent simultanément selon les auteurs. La navigation sociale en robotique reste un domaine actif de recherche depuis plusieurs années, tiraillé entre approches purement réactives, rapides mais instables, et planificateurs prédictifs, plus robustes mais coûteux en calcul ou trop optimistes sur la qualité des prévisions de mouvement humain. La prédiction conforme, technique statistique permettant de quantifier l'incertitude d'un modèle sans hypothèse forte sur sa distribution d'erreur, gagne du terrain dans la robotique de perception et de planification comme alternative aux bornes d'erreur fixes. CoCoNav s'inscrit dans cette tendance en l'appliquant spécifiquement à l'horizon de prédiction du MPC. À ce stade, les résultats se limitent à des simulations et à des essais sur un robot quadrupède en conditions contrôlées, sans déploiement en foule réelle ni partenariat industriel annoncé; les auteurs ne précisent pas de calendrier pour un transfert vers des plateformes commerciales de type AMR ou robots de service.

RecherchePaper
1 source