RecherchearXiv cs.RO 4 août 2026

RIT* : arbres riemanniens informés pour la planification de mouvement optimale adaptative au coût

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs présentent RIT (Riemannian Informed Trees), un nouveau framework de planification de mouvement qui remplace les primitives euclidiennes utilisées dans les algorithmes de recherche "batch-informed" (comme BIT) par leurs équivalents riemanniens. Concrètement, RIT* construit un ensemble informé plus resserré et cohérent en coût, effectue une recherche de plus proches voisins sous une métrique de distance anisotrope, et évalue le coût des arêtes du graphe via un schéma en cascade pour rester efficace en calcul. Les auteurs ajoutent aussi CARM (Collision-Adaptive Metric Refinement), un mécanisme qui apprend en ligne un champ de coût de proximité aux obstacles à partir des retours de collision, réduisant la dépendance à un design de métrique fixé à l'avance. Les tests couvrent des environnements allant de 2 à 14 dimensions. Le code et les vidéos de démonstration sont disponibles sur le site des auteurs (muhayyuddin.github.io/ritstar).

Pour les praticiens de la planification de trajectoire en robotique (bras manipulateurs, robots bimanuels, systèmes à haute dimensionnalité), ce travail répond à une limite connue des planificateurs informés classiques: leur heuristique euclidienne devient trompeuse dès que le coût réel du mouvement varie spatialement, par exemple près d'obstacles ou dans des zones de configuration contraintes. En intégrant une métrique riemannienne adaptative, RIT* évite de gaspiller des échantillons dans des régions de l'espace des configurations qui semblent proches au sens euclidien mais coûtent cher à traverser réellement. Cela touche directement à la question de la mise à l'échelle des planificateurs pour la manipulation dextre et les systèmes multi-bras, un point de friction connu en robotique industrielle.

Les gains mesurés sont substantiels dans les régimes à forte anisotropie: jusqu'à 13,0% d'amélioration du coût initial médian face à BIT sur un benchmark 3D anisotrope, jusqu'à 9,0% sur le coût final médian en manipulation à 6 degrés de liberté, et entre 24,8% et 63,5% sur un problème de planification bimanuelle à 14 degrés de liberté, où les méthodes informées euclidiennes classiques se dégradent nettement. En dimension basse ou à métrique spatialement constante, RIT reste seulement compétitif avec BIT*, ce qui borne clairement le domaine où l'apport de la méthode se justifie.

À lire aussi

1arXiv cs.RO

Arbres de croyance gaussiens en temps continu pour la planification de mouvement

Un article de recherche publié sur arXiv (2607.02884) propose une nouvelle méthode de planification de trajectoire pour robots évoluant sous incertitude, en temps continu plutôt qu'en temps discret. Les auteurs modélisent la dynamique du robot comme une équation différentielle stochastique linéaire à temps continu, tandis que les mesures des capteurs n'arrivent qu'à des instants discrets. Ils construisent un modèle de propagation de croyance ("belief") hybride : entre deux mesures, la croyance évolue selon des équations différentielles ordinaires, puis subit une mise à jour brusque par filtre de Kalman à chaque nouvelle mesure. Pour garantir la sécurité, l'équipe introduit un vérificateur basé sur des fonctions barrières de croyance, capable de certifier la sécurité sur des segments entiers de trajectoire plutôt que seulement aux points d'échantillonnage. La méthode a été intégrée aux planificateurs RRT et SST et testée sur plusieurs environnements de référence, avec des taux de réussite élevés et un respect robuste des contraintes probabilistes, notamment dans des passages étroits. L'enjeu concret est la fiabilité des robots mobiles et manipulateurs en environnement incertain, un point critique pour les intégrateurs qui déploient des AMR ou des bras robotiques en usine. Les approches classiques de planification, qui ne vérifient la sécurité qu'à des nœuds discrets du chemin, peuvent laisser passer des violations de contraintes entre deux points d'échantillonnage, un angle mort particulièrement dangereux dans les couloirs étroits ou les zones à forte densité d'obstacles. En traitant l'incertitude et la vérification de sécurité en temps continu, cette approche comble une lacune connue des méthodes de planification sous incertitude, sans changer la nature probabiliste du problème. Ce travail s'inscrit dans la lignée des méthodes de planification sous incertitude basées sur des arbres de croyance, où les mises à jour par filtre de Kalman servent depuis longtemps à estimer l'état d'un robot à partir de mesures bruitées. En combinant cette estimation continue avec les planificateurs RRT et SST, largement utilisés en robotique mobile, les auteurs proposent une extension directement compatible avec les pipelines de planification existants, plutôt qu'un cadre entièrement nouveau à réimplémenter.

RecherchePaper

1 source

2arXiv cs.RO

Modélisation par diffusion optimale pour la planification de mouvement multi-robots

Des chercheurs présentent MDOC (Model-Based Diffusion Optimal Control), un planificateur de trajectoires pour flottes multi-robots fondé sur la diffusion, décrit dans un preprint publié sur arXiv (2607.12423). Contrairement aux approches récentes qui traitent la planification de trajectoires comme un problème d'inférence probabiliste et apprennent leurs fonctions de score à partir de larges jeux de données de démonstration, MDOC s'appuie directement sur des modèles de dynamique connus, sans données d'entraînement. Sa mécanique de sécurité combine ces modèles avec des projections contraintes par des Control Barrier Functions (CBF), et le système passe à l'échelle multi-robots grâce à la méthode de Conflict-Based Search (CBS), qui résout les conflits de trajectoires entre agents de façon hiérarchique. Les auteurs rapportent, en simulation, de meilleures performances que des planificateurs de référence en termes d'efficacité d'échantillonnage, de fluidité géométrique des trajectoires et de taux de réussite, tout en réduisant le temps de calcul et en garantissant des trajectoires sans collision. L'enjeu dépasse l'exercice académique : la planification de mouvement multi-robots en environnement continu se heurte à une explosion combinatoire de l'espace des trajectoires conjointes, et les méthodes par diffusion existantes peinent à garantir rigoureusement la faisabilité dynamique et les contraintes de sécurité strictes lors de l'échantillonnage. En s'affranchissant de la dépendance aux données de démonstration tout en conservant des garanties formelles de sécurité, MDOC répond à un frein réel à l'adoption industrielle de ces techniques pour des flottes d'AMR ou de robots collaboratifs, où l'absence de collision n'est pas négociable. Le travail s'inscrit dans la lignée des approches récentes qui recadrent la planification de trajectoires comme un problème d'inférence par diffusion, en s'en distinguant par son caractère "model-based" plutôt que piloté par les données. Il se positionne aussi comme une alternative aux méthodes classiques d'optimisation de trajectoire et de recherche multi-agents. À ce stade, les résultats restent limités à des expériences en simulation ; aucun déploiement sur robots physiques n'est mentionné, ce qui en fait une contribution méthodologique à confirmer avant tout usage en conditions réelles.

RecherchePaper

1 source

3arXiv cs.RO

Mouvement basé sur la diffusion, guidé par un modèle : optimisation sous contraintes et planification adaptative

Le laboratoire de recherche à l'origine du papier arXiv:2607.14455 (publié le 17 juillet 2026, catégorie "new") présente MD-COAS, une méthode de planification de trajectoire pour robot unique dans des environnements fortement non convexes et contraints. Le système s'appuie sur le Model-Based Diffusion (MBD), une approche récente qui traite la planification comme un tirage d'échantillons dans une distribution a posteriori sur des trajectoires, en utilisant la dynamique connue du robot pour estimer analytiquement la fonction de score à partir de rollouts, sans apprentissage par démonstration. MD-COAS combine deux mécanismes jusqu'ici traités séparément dans la littérature : une méthode de Lagrangien augmenté inexact (iALM), qui agit comme un prior de diffusion "souple" pour la sécurité, et un opérateur de projection "dur" basé sur un ensemble convexe faisable (CFS). L'algorithme ordonnance et co-optimise ces deux mécanismes de façon adaptative, en les couplant à la planification du bruit de diffusion lui-même. Les auteurs le valident sur des benchmarks 2D générés aléatoirement à forte non-convexité et sur une tâche d'évitement d'obstacles pour un bras robotique à 7 degrés de liberté. Pour l'industrie robotique, ce travail s'attaque à un problème concret : garantir des trajectoires sans collision, dynamiquement faisables et respectant des contraintes de tâche, tout en restant calculable en temps raisonnable. Les approches purement "souples" (contraintes ajoutées au coût) échouent parfois à garantir la sécurité, tandis que les projections "dures" peuvent bloquer la convergence ou dégrader la qualité de trajectoire. Unifier les deux, avec un ordonnancement qui s'adapte au fil du débruitage, vise justement ce compromis, pertinent pour les intégrateurs de bras industriels ou de robots mobiles évoluant en environnement encombré. Les auteurs rapportent des taux de sécurité et de succès supérieurs, une convergence plus rapide et des coûts finaux plus bas que les planificateurs de référence, mais ces gains restent mesurés sur des benchmarks contrôlés, pas en conditions industrielles réelles. Le papier s'inscrit dans la lignée des travaux sur le Model-Based Diffusion appliqué à la planification de mouvement sous contraintes, un axe de recherche encore jeune qui rivalise avec les méthodes classiques d'optimisation de trajectoire (MPC, RRT*, CHOMP) et les planificateurs par diffusion appris par démonstration. Les auteurs positionnent MD-COAS comme une réponse aux limites des variantes MBD contraintes précédentes, sans toutefois annoncer de déploiement matériel ni de calendrier de transfert vers un robot physique au-delà du bras 7-DDL testé en simulation ou banc d'essai.

RecherchePaper

1 source

4arXiv cs.RO

Relaxations semi-définies pour la planification de mouvement sans collision

Une équipe de chercheurs a soumis sur arXiv (identifiant 2606.14063) une analyse théorique des relaxations semi-définies (SDP) appliquées à la planification de trajectoires sans collision. Le problème étudié est volontairement élémentaire : un robot ponctuel doit rejoindre une cible en évitant des obstacles sphériques dans R^n, sous contraintes de continuité de trajectoire et avec un coût sur les dérivées au carré. Ce problème est d'abord formulé exactement comme un problème non-convexe sur des courbes polynomiales, puis une relaxation semi-définie naturelle est construite. Les benchmarks montrent un gain de vitesse de 10 à 100 fois par rapport aux solveurs de programmation non-linéaire directs SNOPT et IPOPT, avec une variance des temps de résolution nettement plus faible. La méthode est validée comme fonction de pilotage convexe dans un planificateur RRT pour des trajectoires quadrirotor à snap minimal avec continuité C^4 (jusqu'à la 4e dérivée). Les deux contributions théoriques constituent, selon les auteurs, la première analyse formelle des SDP pour ce problème. La première établit que résoudre la relaxation convexe revient à résoudre globalement un problème de planification connexe dans un espace de dimension potentiellement supérieure, ce qui donne des conditions nécessaires et suffisantes de tightness ainsi qu'une intuition géométrique claire des cas où la relaxation est lâche. La seconde identifie une réduction de symétrie décisive : les tailles des cônes semi-définis positifs (PSD) évoluent linéairement avec le degré polynomial et sont indépendantes de la dimension ambiante, évitant ainsi l'explosion combinatoire typique des méthodes NLP en haute dimension. La planification sans collision reste un verrou fondamental de la robotique, où les solveurs NLP classiques souffrent de sensibilité aux initialisations et de convergence vers des minima locaux sous-optimaux. Des frameworks comme Drake (groupe Tedrake, MIT CSAIL) utilisent déjà des relaxations convexes de type GCS ou DSOS, mais sans les garanties théoriques que ce travail commence à formaliser. L'extension aux obstacles non-sphériques et aux robots articulés à degrés de liberté multiples reste entière, deux généralisations indispensables avant tout déploiement industriel. Des applications en navigation de drones en intérieur ou en planification de mouvement pour bras manipulateurs constituent les prochaines étapes logiques.

RecherchePaper

1 source