Aller au contenu principal
Apprentissage de tubes spatiotemporels pour toutes les tâches de logique temporelle de signal, pour le contrôle de systèmes inconnus sous contraintes d'entréeIllustration générée par IA
RecherchearXiv cs.RO 

Apprentissage de tubes spatiotemporels pour toutes les tâches de logique temporelle de signal, pour le contrôle de systèmes inconnus sous contraintes d'entrée

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

Le 9 juillet 2026 (arXiv:2607.07136v1), une équipe de chercheurs a publié un nouveau cadre de contrôle basé sur les "spatiotemporal tubes" (STT) destiné aux systèmes non linéaires inconnus de type Euler-Lagrange, sous contraintes d'entrée, pour satisfaire des spécifications de logique temporelle de signal (STL). L'idée centrale : au lieu de calculer une trajectoire optimale classique, la méthode apprend un tube englobant variable dans le temps, modélisé comme une boule dont le centre et le rayon évoluent, dont le confinement de la trajectoire garantit automatiquement le respect de la tâche STL. Ce tube est paramétré conjointement par un réseau de neurones informé par la physique (PINN), entraîné en intégrant directement la métrique de robustesse de la spécification STL comme fonction de perte. Pour les scénarios multi-agents, une métrique de robustesse globale supplémentaire est ajoutée afin que les tubes individuels ne se chevauchent jamais, évitant ainsi les collisions. Une loi de contrôle en forme close est ensuite dérivée pour maintenir la trajectoire dans le tube tout en respectant les bornes du système. L'approche a été validée sur plusieurs études de cas simulées, pas sur du matériel réel.

L'intérêt pratique tient au fait que la méthode ne suppose aucune connaissance du modèle dynamique du système, un point de friction majeur pour appliquer des spécifications formelles (STL) à des robots ou véhicules réels dont la dynamique exacte est rarement connue avec précision. En couplant apprentissage par PINN et garanties de robustesse formelle, le travail tente de combler l'écart entre contrôle par apprentissage, souvent sans garantie, et contrôle formel, souvent limité à des modèles simplifiés. La prise en compte explicite des contraintes d'entrée (actionneurs limités) rapproche aussi la méthode de cas d'usage industriels concrets, comme la coordination de flottes de robots mobiles ou de bras manipulateurs.

Ce travail s'inscrit dans la lignée des recherches sur les tubes de contrôle (funnel control, control barrier functions) et sur l'usage croissant des PINN pour encoder des contraintes physiques dans l'apprentissage. Les prochaines étapes attendues concernent la validation sur des plateformes matérielles réelles et l'extension à des dynamiques plus complexes que le formalisme Euler-Lagrange.

Dans nos dossiers

À lire aussi

Système d'exploitation de tubes spatiotemporels sous contraintes d'entrée pour la navigation sûre de systèmes Euler-Lagrange inconnus en environnements dynamiques
Illustration générée par IA
1arXiv cs.RO 

Système d'exploitation de tubes spatiotemporels sous contraintes d'entrée pour la navigation sûre de systèmes Euler-Lagrange inconnus en environnements dynamiques

Une équipe de chercheurs propose un nouveau cadre de contrôle en temps réel permettant à des robots dont la dynamique est inconnue de naviguer en sécurité dans des environnements changeants, tout en respectant les limites physiques de leurs actionneurs. Publiés sur arXiv (2607.08189v1), ces travaux étendent le cadre des « spatiotemporal tubes » (STT), une technique qui définit des corridors de trajectoires garantissant qu'un système atteint une zone cible, évite les obstacles et s'y maintient dans un temps fini, propriété désignée par les auteurs sous l'acronyme FT-RAS (finite-time reach-avoid-stay).

RecherchePaper
1 source
STT-LfD : apprentissage par démonstration pour robots à dynamique inconnue, via des tubes spatio-temporels
Illustration générée par IA
2arXiv cs.RO 

STT-LfD : apprentissage par démonstration pour robots à dynamique inconnue, via des tubes spatio-temporels

Des chercheurs présentent STT-LfD, un nouveau cadre d'apprentissage par démonstration (Learning from Demonstration) qui unifie l'apprentissage du mouvement et le contrôle pour des systèmes Euler-Lagrange dont la dynamique reste inconnue, c'est-à-dire la plupart des robots mobiles et manipulateurs industriels réels. Publié sur arXiv (2607.00534) début juillet 2026, l'article décrit une méthode qui s'appuie sur des processus gaussiens hétéroscédastiques pour apprendre des tubes spatio-temporels, une enveloppe qui encode les exigences de précision variables dans le temps d'une tâche démontrée. Un contrôleur en boucle fermée, à forme close, applique ensuite ces contraintes tout en respectant les limites physiques des actionneurs, sans passer par une identification explicite du système.

RecherchePaper
1 source
Apprentissage coopératif en ligne asynchrone pour le contrôle multi-robots sous contraintes de délais de calcul
Illustration générée par IA
3arXiv cs.RO 

Apprentissage coopératif en ligne asynchrone pour le contrôle multi-robots sous contraintes de délais de calcul

Des chercheurs proposent une stratégie d'apprentissage coopératif asynchrone pour le contrôle de systèmes multi-robots opérant sous des délais de calcul hétérogènes, décrite dans un article publié le 29 août 2026 sur arXiv (arXiv:2608.29562v1). L'approche s'appuie sur des modèles de régression par processus gaussiens (GP), largement utilisés en robotique multi-agents pour leur capacité à quantifier de façon interprétable l'incertitude des prédictions face aux perturbations externes et aux modèles dynamiques imprécis. Les agents échangent leurs inférences GP locales avec leurs voisins et les agrègent via des stratégies GP distribuées, mais les méthodes existantes ignorent généralement les écarts de puissance de calcul entre agents, qui génèrent des délais variables et des divergences dans les points de requête.

RecherchePaper
1 source
pdSTL : logique temporelle de signal probabiliste et différentiable pour les systèmes stochastiques
Illustration générée par IA
4arXiv cs.RO 

pdSTL : logique temporelle de signal probabiliste et différentiable pour les systèmes stochastiques

Des chercheurs ont déposé en juin 2026 sur arXiv pdSTL (probabilistic differentiable Signal Temporal Logic), un cadre formel pour robots autonomes opérant dans des environnements stochastiques. Le système étend la Signal Temporal Logic (STL), formalisme standard pour spécifier des propriétés de sécurité et temporelles dans les systèmes dynamiques, en combinant deux capacités jusqu'ici dissociées : la différentiabilité permettant l'optimisation de trajectoires par gradient, et la sémantique probabiliste appliquée aux trajectoires de croyances (belief trajectories), c'est-à-dire la distribution d'états estimée à partir de capteurs bruités. pdSTL calcule des bornes de satisfaction conservatrices via des sémantiques à intervalles propagées compositionnellement, et formule l'évaluation de la robustesse temporelle comme un dépliage récurrent de style LSTM pour une surveillance en temps linéaire.

UEBitcraze (Suède, UE) fournit la plateforme drone de validation matérielle, ce qui ancre marginalement ce travail académique dans l'écosystème européen, mais sans impact opérationnel direct à ce stade de preprint non relu.

RecherchePaper
1 source