Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
Manipulateurs souples à câbles : estimation à horizon glissant et commande prédictive non linéaire
RecherchearXiv cs.RO 

Manipulateurs souples à câbles : estimation à horizon glissant et commande prédictive non linéaire

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

Une équipe de chercheurs présente un nouveau cadre de commande pour les manipulateurs souples actionnés par câbles, combinant estimation à horizon glissant (MHE) et commande prédictive non linéaire (NMPC), fondé sur des modèles de Cosserat réduits qui décrivent la dynamique du robot souple de façon physique plutôt que par apprentissage pur. Les auteurs développent une formulation lissée de la commande par longueur de câble, qui approxime la relation de complémentarité entre tension et relâchement du câble, permettant de piloter le robot uniquement via la longueur des câbles, sans capteur de tension dédié. L'estimateur MHE reconstruit l'état réduit et la configuration complète du bras à partir des mesures de pose de l'effecteur et des longueurs de câble, tandis que le NMPC assure le suivi de trajectoire dans l'espace tâche sous contraintes de longueur et de vitesse de câble. Le système a été validé en simulation sur un manipulateur multi-câbles, puis expérimentalement sur un prototype à quatre câbles, où le schéma MHE-NMPC tourne en temps réel et suit la position de l'effecteur avec précision.

L'intérêt de ces travaux tient au problème central de la robotique souple: les modèles suffisamment précis pour capturer la déformation continue d'un bras flexible sont en général trop coûteux à calculer pour une commande temps réel, ce qui pousse beaucoup d'équipes vers des approches purement data-driven, moins interprétables et moins robustes hors distribution. En montrant qu'un modèle physique réduit peut suffire à estimer et contrôler un bras souple en temps réel, sans capteur de tension supplémentaire, ce travail va dans le sens d'une commande moins instrumentée et donc moins coûteuse à déployer, un enjeu pour toute application où les manipulateurs souples visent des tâches de préhension délicate ou d'inspection en espace confiné.

Il s'agit ici d'une publication de recherche académique (arXiv, prépublication non encore relue par les pairs), sans lien avec un produit commercial ou une entreprise identifiée. Elle s'inscrit dans une lignée de travaux utilisant la théorie des poutres de Cosserat pour modéliser les robots continuum, et répond spécifiquement à la difficulté classique du relâchement des câbles dans les mécanismes tendon-driven. Les prochaines étapes attendues concernent l'extension à des manipulateurs plus complexes et l'intégration dans des tâches robotiques réelles au-delà du banc d'essai à quatre câbles.

Dans nos dossiers

arXiv cs.RO

À lire aussi

Mouvement pour manipulateurs mobiles franchissant des portes par commande prédictive de modèle
1arXiv cs.RO 

Mouvement pour manipulateurs mobiles franchissant des portes par commande prédictive de modèle

Ouvrir une porte reste un goulot d'étranglement classique pour les robots mobiles déployés en environnement humain (bureaux, hôpitaux, entrepôts à accès cloisonnés), car la base doit se déplacer tout en maintenant le bras en prise sur la poignée sans désaligner ou lâcher la porte. Voici le texte final : Des chercheurs publient sur arXiv (2608.00206v1) un cadre de planification de mouvement pour manipulateurs mobiles franchissant des portes, coordonnant base roulante et bras robotique pour ouvrir et traverser aussi bien des portes à pousser que des portes à tirer. L'approche modélise le robot et la porte comme un système dynamique couplé, résolu par un contrôle prédictif par modèle (MPC) non linéaire qui génère des trajectoires dynamiquement faisables et sans collision. Plutôt que de modéliser explicitement la cinématique du bras, les auteurs imposent la faisabilité de la manipulation via une simple contrainte de pénalité dans l'optimisation. Le papier ne précise ni la plateforme robotique, ni le nombre de degrés de liberté, ni de temps de cycle chiffré, et la validation se limite à des simulations complétées par une seule expérience matérielle. Ouvrir une porte reste un goulot d'étranglement classique pour les robots mobiles déployés en environnement humain (bureaux, hôpitaux, entrepôts à accès cloisonnés), car la base doit se déplacer tout en maintenant le bras en prise sur la poignée sans désaligner ou lâcher la porte. En évitant une modélisation cinématique explicite du bras, la méthode simplifie l'optimisation et pourrait se transférer plus facilement d'une architecture de bras à une autre. Pour les intégrateurs d'AMR augmentés d'un manipulateur, ce type de travail cible un besoin concret d'autonomie de dernier mètre, le franchissement de porte figurant parmi les tâches les plus souvent citées comme non résolues en déploiement logistique ou de service. Le papier ne fournit toutefois qu'une démonstration matérielle isolée, sans test sur des portes non calibrées, des poignées variées ou des charges réalistes, ce qui laisse ouvert l'écart habituel entre preuve de concept académique et robustesse industrielle. Ce travail s'inscrit dans un champ de recherche actif sur la manipulation mobile, où plusieurs équipes testent le MPC pour coordonner base et bras en temps réel, en alternative aux pipelines classiques planifiant séparément base et manipulateur. L'article ne précise ni affiliation académique ou industrielle, ni comparaison quantitative avec des méthodes concurrentes de franchissement de porte, et aucun acteur français ou européen n'y est cité. La suite logique pour ce type de recherche serait une validation sur davantage de configurations de portes puis un test en flotte sur robot réel, des étapes qui restent à ce stade non annoncées.

RecherchePaper
1 source
Navigation multi-robots mobile sous incertitude d'exécution : apprentissage par opérateur de Koopman et commande prédictive non linéaire
2arXiv cs.RO 

Navigation multi-robots mobile sous incertitude d'exécution : apprentissage par opérateur de Koopman et commande prédictive non linéaire

Des chercheurs ont développé un système de contrôle prédictif non linéaire (NMPC) pour la navigation de robots mobiles en essaim, en couplant l'optimisation de trajectoire à des modèles dynamiques appris via la théorie de l'opérateur de Koopman. Le cœur de la méthode repose sur un modèle Koopman bilinéaire "relevé" (lifted), capable de prédire le comportement de systèmes à entrées affines soumis à des perturbations, sans connaître le modèle dynamique réel des robots. L'équipe a testé son approche sur deux tâches classiques de robotique en essaim : l'atteinte de cible (target reaching) et le contrôle de formation, avec des robots à roues évoluant dans des environnements encombrés d'obstacles. La validation s'est faite exclusivement par simulations numériques étendues, en faisant varier le degré de glissement aléatoire des roues, une source d'incertitude fréquente en conditions réelles. Aucun déploiement matériel n'est mentionné dans l'article, publié sur arXiv (2609.14058) : il s'agit donc d'une preuve de concept en simulation, pas d'une démonstration sur du hardware physique. L'intérêt pour l'industrie tient à la promesse d'un contrôle robuste sans identification précise du système, un problème récurrent pour les intégrateurs déployant des flottes de robots mobiles ou d'AMR sur des sols glissants, irréguliers ou mal caractérisés. Contourner la modélisation dynamique explicite via un opérateur de Koopman appris permettrait, en théorie, de réduire le travail d'ingénierie nécessaire pour adapter un contrôleur à chaque nouvelle plateforme ou terrain, tout en gardant les garanties de stabilité et de contrainte propres au NMPC. Reste que la démonstration se limite à des glissements de roues simulés dans des environnements contrôlés : l'écart classique entre simulation et réalité n'est pas encore comblé, et la généralisation à des perturbations non modélisées en usine reste à prouver. Cette approche s'inscrit dans un courant de recherche actif combinant apprentissage de dynamiques (Koopman, souvent présenté comme alternative linéarisable aux réseaux de neurones profonds) et commande optimale robuste, pour pallier les limites des modèles physiques classiques en robotique mobile multi-agents. Elle se positionne face à des méthodes concurrentes de contrôle de formation basées sur l'apprentissage par renforcement ou sur des modèles analytiques de glissement. Les auteurs ne mentionnent ni collaboration industrielle, ni calendrier de test sur robots physiques ; les prochaines étapes attendues pour ce type de travaux académiques sont généralement une validation expérimentale sur plateforme réelle et un passage à l'échelle vers des essaims plus nombreux.

RecherchePaper
1 source
Adaptive-MHE : un MPC adaptatif basé échantillonnage pour la loco-manipulation des robots à pattes via estimation à horizon glissant
3arXiv cs.RO 

Adaptive-MHE : un MPC adaptatif basé échantillonnage pour la loco-manipulation des robots à pattes via estimation à horizon glissant

Un article publié sur arXiv sous la référence 2609.17832, signalé comme nouvelle soumission ce qui situe sa parution en septembre 2026, présente Adaptive-MHE, un framework de contrôle pour robots à pattes effectuant des tâches de loco-manipulation, c'est-à-dire combinant déplacement et manipulation d'objets. Le système associe une estimation à horizon glissant (moving horizon estimation, MHE) à un contrôleur prédictif basé sur l'échantillonnage (sampling-based model predictive control, MPC), qui compare en parallèle des milliers de trajectoires simulées aux trajectoires réellement mesurées. Il estime ainsi en continu, pendant l'exécution, des paramètres physiques inconnus comme la masse d'un objet manipulé ou le coefficient de friction du terrain. Les auteurs rapportent des tests menés à la fois en simulation et sur du matériel réel, où Adaptive-MHE dépasse systématiquement des méthodes de référence et atteint des performances comparables à celles d'un contrôleur disposant directement des paramètres réels du terrain et des objets. L'article ne précise ni le nombre de degrés de liberté du robot testé, ni la charge utile, ni de temps de cycle chiffré, ce qui limite la comparaison avec des plateformes commerciales. Cette approche s'attaque à un problème central de la robotique à pattes: l'écart entre simulation et réalité, qui dégrade le contrôle dès que les paramètres physiques réels diffèrent de ceux du modèle simulé. Les méthodes classiques d'identification de système supposent une dynamique différentiable, hypothèse qui ne tient pas pour des systèmes riches en contacts comme un robot à pattes manipulant un objet sur un sol variable. Les techniques d'identification par échantillonnage contournaient déjà cette limite mais restaient cantonnées à un traitement hors ligne, incapables de suivre des conditions changeantes en temps réel. En rendant cette estimation adaptative et embarquée, ce travail répond directement à un besoin des intégrateurs qui déploient des robots à pattes dans des environnements logistiques ou industriels non contrôlés, où la nature du sol et le poids des charges varient d'un cycle à l'autre sans qu'aucun capteur ne les mesure directement. Cette contribution s'inscrit dans la lignée des recherches sur le contrôle prédictif basé échantillonnage, une famille de méthodes qui gagne du terrain face aux approches par apprentissage par renforcement ou aux modèles vision-language-action pour piloter des robots à pattes dans des tâches de contact riche. Contrairement aux plateformes humanoïdes commerciales déjà présentées en usine par certains acteurs du secteur, Adaptive-MHE reste à ce stade une contribution académique, validée par des expériences de simulation et un prototype matériel, sans partenaire industriel ni calendrier de transfert produit annoncés. Les auteurs présentent leur méthode comme un pas vers une identification de système en ligne plus généralisable, ouvrant la voie à des essais sur des tâches de loco-manipulation plus complexes et sur davantage de plateformes robotiques dans de futurs travaux.

RecherchePaper
1 source
Manipulation d'objets linéaires déformables par contrôle prédictif MPPI et apprentissage LSTM bidirectionnel
4arXiv cs.RO 

Manipulation d'objets linéaires déformables par contrôle prédictif MPPI et apprentissage LSTM bidirectionnel

Un article publié sur arXiv (référence 2609.26238v1) décrit une nouvelle méthode de commande pour la manipulation robotique d'objets linéaires déformables (DLO), comme les câbles. L'approche combine deux briques : un modèle de dynamique appris par un réseau récurrent bidirectionnel de type LSTM (biLSTM), entraîné sur des données synthétiques générées par le moteur physique MuJoCo, et un contrôleur prédictif de type Model Predictive Path Integral (MPPI), une variante stochastique et sans calcul de gradient de la commande prédictive classique (MPC). Le système a été validé à la fois en simulation et lors d'essais expérimentaux, sans que l'abstract ne précise le robot utilisé, le laboratoire d'origine ni de date au-delà de sa mise en ligne récente sur arXiv. Aucun chiffre de charge utile, de temps de cycle ou de volume de déploiement n'est communiqué : il s'agit d'un article scientifique, pas d'une annonce produit. La manipulation de câbles, de harnais électriques ou de tuyaux flexibles reste l'un des problèmes non résolus de l'automatisation industrielle, du fait des degrés de liberté quasi infinis et de la dynamique non linéaire de ces objets, difficile à capturer avec des modèles physiques classiques. Une dynamique apprise par réseau de neurones, couplée à un contrôleur robuste aux non-linéarités comme MPPI, intéresse directement les intégrateurs qui doivent automatiser le câblage de faisceaux électriques dans l'automobile, l'assemblage de connecteurs en électronique ou la manipulation de tuyaux en logistique, des tâches encore largement confiées à des opérateurs humains. Ce travail s'inscrit dans l'effort plus large de la recherche en robotique pour réduire l'écart entre simulation et réel sur la manipulation d'objets déformables, un domaine où les résultats publiés restent souvent limités à des démonstrations de laboratoire plutôt qu'à des déploiements en usine. Historiquement, la manipulation de DLO reposait sur des modèles analytiques explicites, systèmes masse-ressort ou éléments finis, coûteux à calibrer pour chaque type de câble et peu généralisables d'un objet à l'autre. L'approche proposée ici s'inscrit dans une tendance plus récente qui remplace ces modèles physiques par des réseaux de neurones entraînés sur des données simulées, MuJoCo étant l'un des moteurs physiques les plus utilisés en recherche pour la robotique et l'apprentissage par renforcement. Le choix de MPPI plutôt que d'un MPC linéarisé classique permet de gérer la non-linéarité et les contraintes sans dérivation explicite de gradient. L'article ne mentionne aucun partenariat industriel, pilote annoncé ni calendrier de transfert vers un produit commercial : il s'agit à ce stade d'une contribution académique dont la portée pour un déploiement industriel reste à démontrer par des travaux futurs.

RecherchePaper
1 source