Aller au contenu principal
MPPI avec clustering intégré : éviter les échecs par moyennage, sélectionner les clusters pour obstacles dynamiquesIllustration générée par IA
RecherchearXiv cs.RO 

MPPI avec clustering intégré : éviter les échecs par moyennage, sélectionner les clusters pour obstacles dynamiques

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

Une équipe de recherche présente CE-MPPI (Clustering-Embedded Model Predictive Path Integral Control), une nouvelle variante de l'algorithme MPPI utilisé pour la planification de trajectoire par échantillonnage sur systèmes non linéaires. Le papier, publié sur arXiv (2607.06499v1), s'attaque à un défaut connu du MPPI classique : quand plusieurs trajectoires évitant un obstacle sont possibles (contourner par la gauche ou par la droite), l'algorithme moyenne ces solutions incompatibles au lieu d'en choisir une, ce qui provoque une hésitation, voire une collision frontale. CE-MPPI ajoute une étape de clustering basée sur DBSCAN (density-based spatial clustering of applications with noise), couplée à une nouvelle caractéristique géométrique de direction extraite des points de référence issus des collisions, pour isoler les modes de trajectoires réalisables plutôt que de les fusionner. Une logique de sélection choisit ensuite le cluster de coût minimal en environnement statique, et privilégie la direction opposée au flux de l'obstacle en environnement dynamique. Testé en simulation 2D accélérée par JAX, puis sur un bras manipulateur réel UR5e à 6 degrés de liberté avec des rollouts calculés en parallèle sur GPU via Isaac Gym, le système réduit de 48% le temps pour atteindre l'objectif et de 12% la longueur du chemin de l'effecteur, par rapport au MPPI standard.

Ce travail s'attaque à un problème très concret pour tout robot mobile ou manipulateur opérant en environnement encombré ou partagé avec des humains : l'hésitation face à un obstacle, aussi appelée "freezing robot problem" dans la littérature sur la navigation sociale. Pour les intégrateurs de robots mobiles autonomes (AMR) et de bras manipulateurs collaboratifs, une meilleure gestion des obstacles dynamiques sans ralentissement excessif touche directement la productivité en environnement industriel ou logistique. Les gains chiffrés (48% et 12%) restent toutefois mesurés en conditions contrôlées, sur un scénario de test spécifique, et ne préjugent pas d'une généralisation à des environnements de production plus complexes.

MPPI est une méthode de contrôle prédictif par échantillonnage largement adoptée en robotique mobile et en conduite autonome, précisément pour sa capacité à gérer des dynamiques non linéaires sans modèle analytique complet. Son talon d'Achille, l'échec par moyennage en environnement non convexe, freinait son usage en zones encombrées. CE-MPPI s'inscrit dans une lignée de travaux cherchant à structurer l'espace des trajectoires échantillonnées plutôt que de le traiter comme un nuage homogène, une piste que d'autres équipes explorent aussi via des approches de clustering ou de sélection de modes. Aucun acteur français ou européen n'est mentionné dans cette publication.

Dans nos dossiers

À lire aussi

ReaDy-Go : simulation dynamique réel-vers-sim par Gaussian Splatting 3D pour la navigation visuelle avec obstacles mobiles
Illustration générée par IA
1arXiv cs.RO 

ReaDy-Go : simulation dynamique réel-vers-sim par Gaussian Splatting 3D pour la navigation visuelle avec obstacles mobiles

Des chercheurs présentent dans un preprint arXiv (référence 2602.11575, troisième version) un pipeline baptisé ReaDy-Go qui vise à combler l'écart simulation-réalité pour la navigation visuelle robotique en environnements dynamiques. Le principe : reconstruire une scène réelle cible (domicile, restaurant, usine) sous forme de nuage de gaussiennes 3D (Gaussian Splatting, ou GS), puis y insérer des avatars humains animables, eux aussi représentés en GS photoreáliste, dont les mouvements sont synthétisés à partir de trajectoires 2D. Un planificateur expert dédié aux représentations GS dynamiques, couplé à un planificateur humain, génère ensuite automatiquement des milliers de scénarios de navigation depuis des points de vue arbitraires. Les politiques de navigation entraînées sur ces datasets sont ensuite déployées sur robot physique. Les auteurs rapportent des gains de performance en simulation et en conditions réelles face à des obstacles mobiles, ainsi qu'un transfert zero-shot dans un environnement inédit, ce qui suggère une capacité de généralisation au-delà des scènes d'entraînement. L'enjeu industriel est significatif pour les intégrateurs de robots de service et les concepteurs de systèmes AMR (autonomous mobile robots) en environnements non contrôlés. Le verrou principal que ReaDy-Go cherche à lever est double : les méthodes classiques souffrent d'un sim-to-real gap important parce que les scènes d'entraînement sont génériques, et les obstacles dynamiques y sont soit absents, soit représentés par des mannequins non photoréalistes issus de simulateurs comme Isaac Sim ou Gazebo. En ancrant la simulation dans une reconstruction GS de l'environnement cible réel et en peuplant cette scène d'avatars humains photoréalistes et cinématiquement plausibles, l'approche réduit la distance de distribution entre entraînement et déploiement. Il s'agit d'une contribution méthodologique, pas d'un produit commercialisé ; les résultats restent à ce stade des démonstrations académiques, et les métriques annoncées (temps de cycle, taux de succès) gagneraient à être contextualisées par des conditions de test plus variées. Le Gaussian Splatting a émergé comme technique de reconstruction 3D rapide et photoréaliste depuis les travaux de Kerbl et al. en 2023, et plusieurs groupes l'ont depuis exploré pour la simulation robotique, notamment pour la manipulation (voir les travaux de RoboGSim ou GaussianWorld). ReaDy-Go se distingue en ciblant la navigation en présence de piétons, un cas d'usage critique pour les robots de livraison indoor et les plateformes de service en espace public. Sur ce segment, les concurrents directs incluent les pipelines basés sur NeRF (plus lents à l'entraînement), les simulateurs procéduraux type NVIDIA Omniverse, et des approches comme UniSim ou HabitatSim. Aucun acteur européen n'est cité dans le preprint, mais des équipes comme Enchanted Tools (robotique de service, France) ou les labos de navigation de l'INRIA pourraient trouver dans ReaDy-Go une brique de simulation réutilisable. La page projet est accessible et le code pourrait être publié ; les prochaines étapes naturelles seraient des tests à plus grande échelle avec diversité de populations et d'environnements, et une intégration dans des stacks de navigation open-source comme Nav2.

UECette méthode de simulation photoréaliste à base de Gaussian Splatting pourrait être réutilisée par des équipes européennes de navigation robotique (INRIA, Enchanted Tools) pour réduire le sim-to-real gap sans dépendre de simulateurs propriétaires comme Isaac Sim ou NVIDIA Omniverse.

RecherchePaper
1 source
Planification itérative rapide pour éviter des obstacles dynamiques en toute sécurité
Illustration générée par IA
2arXiv cs.RO 

Planification itérative rapide pour éviter des obstacles dynamiques en toute sécurité

Des chercheurs publient sur arXiv, en septembre 2026 (arXiv:2609.20435), un article intitulé « Time-Efficient Iterative Learning Planning for Safety-Critical Dynamic Obstacle Avoidance », qui étend le cadre d'Iterative Learning Planning (ILP), une méthode légère de planification de trajectoire pour robots mobiles autonomes, à l'évitement d'obstacles dynamiques. Le manque de l'ILP original (l'absence de mécanisme de perception et d'évitement d'obstacles mobiles) est comblé par l'ajout d'une fonction barrière de contrôle anticipative pondérée par le risque, l'ARB-CBF, qui corrige en temps réel les commandes nominales générées par un ILP désormais capable d'apprendre des profils de vitesse de franchissement et de biais de direction en fonction du risque local. Les auteurs démontrent que l'étape de replanification de l'ILP évolue en O(kN) pour k itérations et N points de passage, tandis que l'ARB-CBF s'exécute en complexité linéaire. Le framework est testé en simulation et sur robot réel, avec des résultats comparés à des méthodes de référence fondées sur l'optimisation. Pour les intégrateurs de robots mobiles et les décideurs industriels travaillant avec du matériel de calcul embarqué limité (AMR, robots de logistique), l'enjeu est direct : les planificateurs garantissant une sécurité formelle contre les obstacles dynamiques reposent généralement sur des méthodes d'optimisation coûteuses en calcul (MPC, CBF résolues par programmation quadratique), alors que les approches par apprentissage plus légères ignorent souvent ce risque. En affichant une complexité linéaire pour la couche de sécurité, ce travail suggère qu'il est possible de conserver des garanties de sécurité formelles sans les coûts de calcul habituels, un argument pertinent pour déployer des flottes de robots sur du matériel bon marché plutôt que sur des calculateurs industriels. Ce résultat reste toutefois un preprint non encore relu par les pairs, et les gains de performance revendiqués sont mesurés par les auteurs eux-mêmes face à leurs propres méthodes de comparaison, sans benchmark indépendant. L'ILP appartient à la famille des planificateurs par apprentissage itératif, pensée comme alternative légère aux méthodes d'optimisation numérique (MPC, RRT*, CBF-QP) qui dominent la navigation sécurisée en robotique mobile, mais sa version d'origine se limitait à des environnements sans obstacles mobiles. L'ARB-CBF s'appuie sur les fonctions barrière de contrôle, désormais un outil standard pour encoder des contraintes de sécurité formelles dans les véhicules autonomes et la robotique mobile. L'article ne mentionne ni affiliation institutionnelle précise, ni plateforme commerciale, ni calendrier de déploiement industriel : il s'agit d'une contribution algorithmique destinée à la communauté de recherche, dont l'adoption dépendra de reproductions indépendantes et d'essais sur des plateformes réelles au-delà des expériences des auteurs.

RecherchePaper
1 source
CLIS-MPPI : commande prédictive par intégrales de chemin en boucle fermée, avec échantillonnage de l'état initial sous délai d'exécution
Illustration générée par IA
3arXiv cs.RO 

CLIS-MPPI : commande prédictive par intégrales de chemin en boucle fermée, avec échantillonnage de l'état initial sous délai d'exécution

Des chercheurs proposent CLIS-MPPI (Closed-Loop MPPI with Initial-State Sampling), une variante du contrôle prédictif par intégrales de chemin (Model Predictive Path Integral, MPPI) qui s'attaque à un problème courant en robotique réelle: le délai d'exécution. Le MPPI évalue en parallèle de nombreuses trajectoires simulées, sans gradient, ce qui convient aux dynamiques non linéaires et aux objectifs non lisses. Mais la commande optimisée n'est appliquée qu'après un temps de calcul non négligeable, et l'état réel du robot ne correspond alors plus à celui de la simulation. CLIS-MPPI modélise ce délai comme une distribution d'états initiaux plausibles à l'instant d'exécution, optimise les rollouts à partir d'états initiaux échantillonnés, puis applique une correction locale par retour d'état fondée sur ces rollouts pendant l'exécution. La validation porte sur un bras UR5e à 6 degrés de liberté, dans une tâche de passage étroit combinant évitement d'obstacles et atteinte d'une cible par l'effecteur. Sur 5 essais réels de la même tâche, le MPPI standard a provoqué une collision dans 2 cas, contre aucune pour CLIS-MPPI. Sur les seuls essais sans collision (3 pour le MPPI, 5 pour CLIS-MPPI), le temps moyen passe de 25,4 s à 24,4 s et la longueur moyenne du chemin de l'effecteur de 0,456 m à 0,425 m. Les erreurs quadratiques moyennes (RMSE) tombent de 0,100 rad à 0,017 rad en position articulaire et de 0,108 rad/s à 0,011 rad/s en vitesse articulaire. Les gains en temps et en distance restent modestes, environ 4 % et 7 %. Le vrai apport est la cohérence entre planification et exécution, avec des mouvements nettement plus fluides. Ces résultats sont à nuancer: cinq essais sur un seul scénario et un seul robot ne permettent aucune conclusion statistique, et la comparaison des temps exclut les essais en collision, qui sont justement les échecs du MPPI. Cela reste pertinent pour les intégrateurs, car le délai de calcul est l'un des écarts les plus sous-estimés entre simulation et déploiement. Un contrôleur capable de le gérer explicitement, sans changer de matériel, améliore la sécurité autour d'obstacles. Le MPPI est déjà très répandu en conduite autonome et en manipulation, et cette approche pourrait aussi servir aux contrôleurs de bas niveau associés aux modèles VLA (vision-langage-action), dont la latence d'inférence est encore plus forte. Les prochaines étapes à surveiller sont des tests sur des robots plus rapides, des environnements dynamiques et des systèmes à plus grand nombre de degrés de liberté, comme les humanoïdes ou les manipulateurs mobiles.

RecherchePaper
1 source
Prédire avant d'avancer : prévision d'occupation auditable pour l'évitement d'obstacles dynamiques sous guidage limité
Illustration générée par IA
4arXiv cs.RO 

Prédire avant d'avancer : prévision d'occupation auditable pour l'évitement d'obstacles dynamiques sous guidage limité

Des chercheurs présentent LOOP (Latent-récurrent Occupancy rollOut Policy), une politique locale d'évitement d'obstacles pour robots à pattes fonctionnant sous guidage épars par points de passage, décrite dans un article publié le 23 septembre 2026 sur arXiv (2609.25969v1). Le système se branche à 50 Hz sur un contrôleur de locomotion figé et s'appuie sur un prédicteur récurrent qui, à partir des historiques d'occupation LiDAR et de vitesse propre du robot, projette la carte d'occupation sur un horizon d'une seconde en déformant la carte courante via un flux appris et des portes de visibilité. Ces prédictions alimentent la sélection de vitesse via des caractéristiques cartographiques et des estimations géométriques de risque, avec une interface explicite permettant d'inspecter ou de remplacer les prédictions. Dans des simulations Isaac Lab synchronisées sur l'instant de rencontre, LOOP atteint 57,1% de réussite en évitement frontal face à des obstacles se déplaçant à 2,5-3,2 m/s, soit 8,2 points de plus qu'une base de référence réactive réentraînée. Embarqué sur un robot quadrupède Unitree Go2, l'adaptateur tourne en 14,5 ms par cycle et a complété sans collision les 16 essais réels de traversée d'obstacles menés. Ce résultat s'inscrit dans un débat central pour l'industrie robotique : l'évitement d'obstacles mobiles reste un point faible des robots à pattes déployés hors laboratoire, en particulier quand seule une carte LiDAR partielle et changeante est disponible et que la navigation ne repose pas sur une cartographie complète mais sur de simples points de passage. Le gain démontré n'est toutefois pas uniforme : face à une politique BEV sans module de prédiction, les améliorations sont plus modestes et dépendent du scénario, avec un bénéfice surtout net sur les traversées et à haute vitesse frontale. L'aspect potentiellement le plus utile pour les intégrateurs n'est pas le chiffre de réussite en lui-même, mais l'auditabilité revendiquée : les cartes prédites forment une interface intermédiaire inspectable, ce qui facilite le diagnostic et la certification de sécurité, un enjeu concret pour tout déploiement industriel de robots mobiles autonomes. Le travail se positionne comme une alternative à deux approches existantes, une politique réactive classique et une politique bird's-eye-view sans rollout prédictif, testées comme références de comparaison. La validation reste toutefois limitée à 16 essais réels sur un seul modèle de robot, la majorité des résultats provenant de simulation Isaac Lab ; aucun calendrier de déploiement commercial ni partenariat industriel n'est mentionné, le document ayant le statut d'une simple publication de recherche nouvelle.

RecherchePaper
1 source