RecherchearXiv cs.RO 30 juillet 2026

Contrôle temporel par retard utilisant une nouvelle loi adaptative non linéaire pour robots à câbles

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs présentent, dans une prépublication déposée sur arXiv le 26 juillet 2026 (arXiv:2607.26383v1), une nouvelle stratégie de commande pour les robots à câbles, ces manipulateurs entraînés par des câbles au lieu de bras rigides. Ces systèmes souffrent de fortes non-linéarités et d'une faible rigidité structurelle, ce qui complique le suivi précis de trajectoire face à des incertitudes variables et des perturbations externes. La méthode, baptisée AFONTSM (adaptive fractional-order nonsingular terminal sliding mode), s'appuie sur l'estimation du retard temporel (time-delay estimation, TDE) dans un cadre de commande sans modèle dynamique, combinée à une dynamique d'erreur en mode glissant terminal non singulier d'ordre fractionnaire et à une loi d'approche en mode glissant terminal rapide. Sa contribution principale est une loi adaptative qui introduit un terme exponentiel dans le gain de mise à jour, un mécanisme non linéaire censé limiter le broutement (chattering) causé par le bruit pendant un suivi lisse, tout en maintenant le gain adaptatif lors des inversions de trajectoire. Une analyse de Lyapunov établit la bornitude uniforme de l'erreur de poursuite. Sur banc d'essai, mesuré sur deux articulations, le RMSE recule de 34,52% et 31,11%, l'ITAE de 33,79% et 32,97%, et l'ISCT de 6,69% et 17,77% par rapport à une méthode de référence.

Pour les intégrateurs qui déploient des robots à câbles, en logistique, en rééducation ou pour des applications à grande échelle comme les radiotélescopes suspendus, l'intérêt tient surtout au caractère sans modèle de l'approche: la commande TDE évite de devoir identifier précisément la dynamique du robot, souvent complexe et changeante pour ce type de mécanisme. Une meilleure suppression du chattering sans sacrifier la réactivité lors des changements brusques de direction s'attaque à un compromis classique des commandes en mode glissant, potentiellement transposable à d'autres classes de robots sous-actionnés ou à câbles industriels.

Ce travail s'inscrit dans une lignée de recherche déjà dense sur les modes glissants terminaux et leurs variantes d'ordre fractionnaire, où les auteurs comparent explicitement leur loi adaptative à plusieurs lois récemment publiées, revendiquant une réponse plus rapide et une évolution de gain plus stable. Des essais complémentaires en charge visent à vérifier la robustesse et la répétabilité. Il s'agit toutefois d'une prépublication non encore évaluée par les pairs, validée en laboratoire sur un prototype à deux articulations, loin d'un déploiement industriel: les gains annoncés restent à confirmer sur des architectures de câbles plus complexes.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

CART : adaptation au terrain sensible au contexte par sélection de séquences temporelles pour robots à pattes

Une équipe de chercheurs a publié CART (Context-Aware Terrain Adaptation), un contrôleur de locomotion conçu pour permettre aux robots à pattes de naviguer sur des terrains complexes non structurés. Le système fusionne deux sources d'information embarquées: la proprioception (couples articulaires, accélérations du torse, contacts au sol) et l'extéroception (vision par caméra), via une architecture de sélection de séquences temporelles. Les expériences ont été réalisées sur trois plateformes: le Unitree Go2 et l'ANYmal-C d'ANYbotics en simulation sous NVIDIA IsaacSim, et un Boston Dynamics SPOT pour les essais en conditions réelles. Les gains mesurés sont significatifs: +5 % de taux de traversée réussi par rapport aux méthodes de référence, -41 % d'oscillation de la base du robot en simulation, et -22 % en conditions réelles, sans dégradation du temps de mission. Le problème central que CART adresse est ce que les auteurs nomment le "Visual-Texture Paradox": ce que le capteur visuel détecte peut différer radicalement de ce que le robot ressent lors du contact physique (béton recouvert de sable, herbe sur substrat rocheux, revêtements peints imitant une autre texture). La majorité des systèmes d'adaptation de terrain actuels ne modélisent pas explicitement cette discordance, ce qui se traduit par des chutes ou des récupérations erratiques sur terrains difficiles. En liant l'historique des interactions proprioceptives récentes à l'apparence extéroceptive courante, CART construit une représentation contextuelle du terrain plus fiable que la vision seule. C'est une propriété directement utile pour des déploiements en extérieur: inspection d'infrastructure, logistique sur chantier, robotique minière. La locomotion adaptative pour robots à pattes a connu des avancées majeures depuis les travaux fondateurs d'ETH Zurich sur ANYmal (2016-2022), avec des méthodes d'apprentissage par renforcement en simulation démontrant un transfert sim-to-real robuste. Boston Dynamics SPOT reste la référence commerciale sur terrains difficiles, tandis que le Unitree Go2 s'impose dans la recherche académique grâce à son coût réduit. CART se positionne comme une couche de contrôle agnostique à la plateforme, sans modification matérielle requise. Il s'agit d'un preprint arXiv (identifiant 2604.14344, avril 2026), sans déploiement ni partenaire industriel annoncé à ce stade. La validation sur des conditions météorologiques adverses et des scénarios multi-terrains plus variés constitue la prochaine étape attendue.

UEImpact indirect via ANYbotics (Suisse, hors UE) et l'héritage ETH Zurich sur ANYmal, mais aucun déploiement ni partenaire européen annoncé à ce stade.

RecherchePaper

1 source

2arXiv cs.RO

Commande adaptative à retard artificiel avec contraintes barrière de Lyapunov pour robots Euler-Lagrange

Une équipe de chercheurs a déposé en mai 2026 sur arXiv (réf. 2605.31405) un cadre de contrôle adaptatif pour robots de type Euler-Lagrange, combinant deux techniques jusqu'alors rarement intégrées : l'estimation par retard temporel artificiel (Time-Delay Estimation, TDE) et les fonctions de Lyapunov à barrière (Barrier Lyapunov Function, BLF). Le problème ciblé est double : compenser en temps réel les incertitudes dynamiques dépendantes de l'état sans modèle a priori, tout en maintenant les états du robot, position et vitesse, à l'intérieur de bornes variables dans le temps. Les expériences ont été conduites sur un manipulateur à cinq degrés de liberté (5-DOF), et les auteurs rapportent une meilleure adhérence aux contraintes de sécurité par rapport aux méthodes de référence sous incertitudes dynamiques. L'apport technique central est la dérivation analytique d'une borne supérieure dépendant de l'état sur l'erreur d'approximation du TDE, là où la littérature existante se limite généralement à des bornes constantes, souvent trop conservatives. Une loi d'adaptation estime ces paramètres en ligne, ce qui dispense entièrement le contrôleur de toute identification préalable du modèle du robot. Le BLF intégré garantit que position et vitesse ne franchissent jamais les limites prescrites, une propriété critique pour les applications en collaboration humain-robot ou chirurgicale. La stabilité est prouvée formellement par analyse de Lyapunov, ce qui distingue cette approche des méthodes purement data-driven en apprentissage par renforcement, pour lesquelles les garanties formelles restent difficiles à établir. Pour un intégrateur ou un bureau d'études, cela ouvre la voie à un contrôleur certifiable sans phase d'identification, déployable en principe sur des cobots standards. Le TDE est une technique établie depuis les années 1990, largement utilisée pour les manipulateurs redondants et les exosquelettes, mais sa fusion avec un mécanisme de contraintes via BLF reste un sujet de recherche actif. Des groupes en Corée du Sud et à Hong Kong publient des travaux dans des directions proches. Ce preprint n'a pas encore été évalué par les pairs et n'est associé à aucun produit commercialisé ni déploiement industriel annoncé ; les extensions naturelles porteraient sur des systèmes à dynamique plus élevée, des robots à câbles ou des plateformes sous-actionnées, ainsi qu'une validation à plus grande échelle pour consolider les résultats.

RecherchePaper

1 source

3arXiv cs.RO

Cadre d'apprentissage continu pour le contrôle adaptatif de robots souples modulaires

Une équipe de recherche propose un nouveau cadre de contrôle pour robots souples modulaires (Modular Soft Robots, MSR), basé sur les principes de l'apprentissage continu, selon un article publié sur arXiv le 7 juillet 2026 (arXiv:2607.06740v1). Les MSR sont des systèmes composés de plusieurs segments interconnectés, hautement déformables et reconfigurables, utilisés notamment en intervention médicale, en rééducation et en manipulation robotique. Le problème que résout ce travail est concret : jusqu'ici, changer la morphologie d'un MSR obligeait à réentraîner entièrement son contrôleur, faute de pouvoir réutiliser les connaissances acquises sur les configurations précédentes. Le framework proposé permet au contrôleur d'apprendre séquentiellement de nouvelles configurations sans oublier les précédentes, et peut aussi fonctionner de façon distribuée pour apprendre la dynamique propre de chaque module sur un robot à configuration fixe. La validation s'est faite en deux temps : des expériences de suivi de trajectoire en boucle fermée en simulation sur un robot souple actionné par tendons, puis un test sur un bras robotique souple pneumatique à trois modules, en conditions réelles. Pour l'industrie robotique, l'apport principal est méthodologique plutôt qu'un produit prêt à déployer : il s'attaque à un goulot d'étranglement bien identifié dans la robotique souple, à savoir la difficulté à faire évoluer la morphologie d'un robot sans tout reconstruire. Les MSR intéressent particulièrement les intégrateurs travaillant sur des tâches nécessitant une compliance mécanique élevée, comme la chirurgie mini-invasive ou la manipulation d'objets fragiles, où la rigidité des robots classiques est un handicap. Un contrôleur capable de s'adapter progressivement à des changements de structure, tout en activant sélectivement seulement les modules nécessaires pour atteindre une cible (ce qui réduit la charge de calcul), pourrait accélérer l'itération de conception sur ces plateformes reconfigurables, un axe encore peu mature comparé aux robots humanoïdes rigides à actionneurs classiques. Ce travail s'inscrit dans la lignée des recherches en robotique souple qui cherchent à dompter la nonlinéarité et la redondance hyper-élevée de ces systèmes, deux caractéristiques qui rendent les approches de contrôle classiques inadaptées. L'article ne mentionne pas de partenaire industriel ni de calendrier de commercialisation : il s'agit d'une contribution de recherche académique, à un stade de preuve de concept en laboratoire, dont l'étape suivante logique serait l'extension à des morphologies plus complexes ou à des tâches de manipulation réelles au-delà du suivi de trajectoire.

RecherchePaper

1 source

4arXiv cs.RO

Contrôle prédictif non linéaire par programmation convexe séquentielle pour l'amarrage drone-à-drone

Des chercheurs publient sur arXiv (arXiv:2608.10542v1) un nouveau cadre de contrôle prédictif non linéaire pour l'amarrage autonome en vol de drones multirotors, une tâche rendue difficile par un mouvement de cible perturbé par le vent. Le problème est formulé comme un contrôle optimal à horizon fini, appuyé sur un modèle non linéaire d'ordre réduit augmenté d'états de perturbation, puis résolu par programmation convexe séquentielle (SCP) dans un schéma à horizon glissant. Un module d'estimation d'état gère des mesures bruitées pour prédire le mouvement relatif entre les deux appareils. Les essais, menés en simulation haute fidélité sous MuJoCo pour des cibles fixes ou à vitesse constante, montrent des violations du cône d'amarrage quasi nulles, des erreurs terminales dans les tolérances prescrites, un amarrage fiable jusqu'à des demi-angles de cône de 10 degrés, et une robustesse conservée face à des perturbations de vent d'écart-type allant jusqu'à 0,5. Ce travail s'attaque à un verrou technique central pour toute flotte de drones autonomes appelée à se recharger, se ravitailler ou s'assembler en vol sans intervention humaine, un prérequis pour les missions longue durée, l'inspection d'infrastructures ou les opérations en essaim. En démontrant qu'un contrôleur optimisé en temps réel peut garantir une capture géométrique fiable même avec une cible mobile et du vent, l'étude illustre que l'amarrage aérien devient un problème d'ingénierie de contrôle tractable plutôt qu'un obstacle fondamental non résolu. La validation s'arrête toutefois à la simulation: aucun vol réel n'est rapporté, ce qui limite pour l'instant la portée des chiffres annoncés à un cadre contrôlé et idéalisé, loin des conditions d'un déploiement opérationnel. L'amarrage drone-à-drone s'inscrit dans une lignée de travaux sur la commande prédictive appliquée à la robotique aérienne, où la programmation convexe séquentielle s'est imposée ces dernières années comme alternative rapide aux solveurs non linéaires classiques pour générer des trajectoires dynamiquement faisables en temps réel. L'approche se distingue par l'intégration explicite d'états de perturbation et de bruit de mesure directement dans la boucle de contrôle, plutôt que de les traiter en aval par un simple asservissement correctif. Les auteurs ne précisent aucun calendrier de transfert vers du matériel réel ni de partenaire industriel; la prochaine étape logique resterait une démonstration physique confirmant ces marges de robustesse hors simulation.

RecherchePaper

1 source