Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
RecherchearXiv cs.RO 

Sampling-Based Visibility Task Planning : planification de tâches de visibilité par échantillonnage

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

Des chercheurs présentent deux nouveaux algorithmes de planification de mouvement pour robots équipés d'instruments à champ de vision, comme les caméras, capteurs extéroceptifs, lampes torches ou antennes directionnelles. Baptisés VisPRM et VisRRT, ces algorithmes s'appuient sur l'approche par échantillonnage utilisée en planification de tâches et de mouvement (TAMP), mais l'adaptent spécifiquement aux contraintes de visibilité, un problème que les méthodes classiques comme RRT ou PRM gèrent mal faute de prendre en compte le champ de vision de l'outil. VisPRM décompose l'environnement de façon hiérarchique en s'appuyant sur la notion d'intégrité de visibilité, ce qui permet d'échantillonner efficacement des configurations offrant une ligne de vue dégagée vers la cible. VisRRT, de son côté, intègre un solveur de cinématique inverse spécialisé capable de faire "jeter un œil" au robot dans la direction voulue au bon moment, accélérant la découverte des configurations clés. Les auteurs rapportent de meilleurs taux de réussite et des temps d'exécution plus courts que des versions adaptées de RRT, PRM et VIR, validés en simulation et sur banc physique.

Ce travail comble un angle mort de la planification robotique classique, pensée surtout pour des tâches de manipulation où seule la position de l'organe terminal compte, pas son orientation vers une cible visuelle. Or l'inspection industrielle, la surveillance par caméra mobile, le contrôle qualité automatisé ou encore le pointage d'antennes reposent tous sur cette contrainte de visibilité, largement ignorée par les heuristiques et métriques de distance standards. Pour les intégrateurs travaillant sur des bras robotiques équipés de capteurs ou d'outils optiques, disposer d'un planificateur natif pour ce type de tâche pourrait réduire les développements ad hoc actuellement nécessaires.

L'article s'inscrit dans la lignée des travaux TAMP qui cherchent à intégrer directement les propriétés physiques des outils dans le processus de planification, plutôt que de les traiter après coup. Les auteurs comparent leur approche à des adaptations de méthodes existantes plutôt qu'à des solutions commerciales, ce qui suggère un stade encore académique, sans indication de déploiement industriel à ce jour.

À lire aussi

SBAMP : planification de mouvement adaptative par échantillonnage
1arXiv cs.RO 

SBAMP : planification de mouvement adaptative par échantillonnage

Des chercheurs ont publié sur arXiv (référence 2511.12022, version 3) un cadre hybride de planification de mouvement baptisé SBAMP (Sampling-Based Adaptive Motion Planning), conçu pour les robots autonomes évoluant dans des environnements dynamiques. L'approche fusionne un planificateur global basé sur RRT (Rapidly-exploring Random Tree star), qui génère des trajectoires quasi-optimales, avec un contrôleur local de type SEDS (Stable Estimator of Dynamical Systems) intégrant une optimisation sous contraintes en temps réel. Ce qui distingue SBAMP des implémentations SEDS classiques : aucune donnée d'entraînement préalable n'est requise, le contrôleur s'ajuste à la volée via une optimisation contrainte légère directement embarquée dans la boucle de contrôle. Les expériences ont été menées à la fois en simulation et sur une plateforme matérielle RoboRacer, avec des tests de récupération après perturbations, de contournement d'obstacles et de tenue de performance en conditions dynamiques. L'enjeu technique adressé est fondamental en robotique mobile : les planificateurs globaux comme RRT produisent de bonnes trajectoires hors ligne mais peinent à réagir aux perturbations en temps réel, tandis que les approches à systèmes dynamiques comme SEDS offrent une réactivité fluide mais nécessitent une optimisation offline sur données. SBAMP propose un compromis opérationnel : la structure de chemin global est préservée, mais le robot peut s'en écarter localement de manière stable au sens de Lyapunov, ce qui garantit la convergence vers l'objectif sans oscillations incontrôlées. Pour un intégrateur industriel ou un développeur de systèmes de navigation, l'absence de phase de pré-entraînement réduit significativement le coût de déploiement sur de nouveaux environnements. Il convient de noter que les résultats présentés restent au stade académique, sur une plateforme de recherche compacte, sans validation à l'échelle industrielle ni benchmark comparatif public. SBAMP s'inscrit dans un champ de recherche dense sur la planification hybride, aux côtés de travaux récents comme MPPI (Model Predictive Path Integral) ou TEB (Timed Elastic Band), qui visent tous à réconcilier optimalité globale et réactivité locale. RRT* est un algorithme établi depuis les travaux de Karaman et Frakcas (2011), et SEDS est utilisé en robotique depuis une décennie pour la reproduction de gestes appris. La contribution de SBAMP réside dans leur couplage sans supervision, un point non trivial. Les auteurs n'annoncent pas de transfert industriel immédiat ni de partenariat commercial, et la prochaine étape naturelle serait une validation sur robots à plus haute dynamique (manipulateurs, AMR en entrepôt) et dans des environnements avec obstacles mobiles denses.

RecherchePaper
1 source
Une approche par échantillonnage incrémental et segmentation pour l'infaisabilité en planification de mouvement
2arXiv cs.RO 

Une approche par échantillonnage incrémental et segmentation pour l'infaisabilité en planification de mouvement

Des chercheurs ont publié une troisième révision sur arXiv (2501.11434v3) d'un algorithme destiné à détecter l'infaisabilité d'un plan de mouvement en robotique, c'est-à-dire à prouver rapidement qu'aucun chemin ne relie une configuration de départ à une configuration d'arrivée. La méthode discrétise l'espace des configurations du robot, chaque degré de liberté (DOF) ne prenant qu'un nombre fini de valeurs. L'espace obstacle divise cet espace en régions connexes distinctes : pour qu'un chemin existe, départ et arrivée doivent appartenir à la même région. L'algorithme construit progressivement une carte de cet espace, initialement supposé entièrement libre, en échantillonnant des points dans la zone obstacle et en mettant à jour une bitmap correspondante. Il segmente ensuite cet espace partiellement rempli pour identifier ses composantes connexes et vérifier la connectivité entre départ et arrivée. Les auteurs valident l'approche sur cinq scénarios allant jusqu'à 5 DOF, puis démontrent expérimentalement son passage à l'échelle sur des robots à 6 et 7 DOF, avec des optimisations visant à accélérer significativement les calculs. L'enjeu dépasse la simple curiosité académique : prouver qu'un mouvement est impossible est structurellement plus difficile que d'en trouver un possible, car les planificateurs par échantillonnage les plus répandus (RRT, PRM et leurs variantes) sont conçus pour converger vers une solution quand elle existe, mais tournent indéfiniment ou échouent silencieusement en son absence. Pour un intégrateur industriel programmant une cellule robotisée, savoir en amont qu'une trajectoire est irréalisable évite un temps de calcul infini et permet de reconfigurer l'environnement ou la pose du robot plus tôt dans le cycle de conception. La démonstration sur des configurations à 6 et 7 DOF est le point notable : elle indique que la méthode ne reste pas cantonnée à des cas jouets de basse dimension, un écueil fréquent pour les approches de segmentation d'espace de configuration. La détection de complétude et d'infaisabilité en planification de mouvement est un sujet de recherche ancien, où les méthodes par grille ou par décomposition cellulaire coexistent avec les approches probabilistes plus rapides mais incomplètes. Cette publication, revue une troisième fois avant réévaluation, s'inscrit dans cette lignée en proposant une alternative simple à implémenter plutôt qu'une preuve théorique lourde, ouvrant la voie à une intégration dans des pipelines de planification existants pour des bras robotiques à haute dimensionnalité.

RecherchePaper
1 source
LIPP : planification de trajectoire informative sensible à la charge, par échantillonnage physique
3arXiv cs.RO 

LIPP : planification de trajectoire informative sensible à la charge, par échantillonnage physique

Une équipe de recherche en robotique présente LIPP (Load-aware Informative Path Planning), une nouvelle formulation de la planification de trajectoire informative pour les robots qui collectent des échantillons physiques plutôt que de simples mesures numériques comme des images ou des relevés de radiation. Le problème identifié est concret : dans les formulations classiques (C-IPP), le coût de déplacement d'un robot reste constant peu importe quand une mesure est prise, ce qui convient aux capteurs numériques mais ignore un phénomène physique réel pour les missions de prélèvement d'échantillons, où chaque échantillon collecté ajoute de la masse et alourdit le coût énergétique de tous les déplacements suivants. Les chercheurs modélisent LIPP comme un programme quadratique en nombres mixtes entiers (MIQP) qui optimise simultanément l'emplacement des visites, leur ordre, et le nombre d'échantillons prélevés à chaque site, sous une contrainte de budget énergétique. Ils démontrent aussi des bornes théoriques sur l'allongement de trajectoire de LIPP par rapport à C-IPP, et valident l'approche sur 2 000 scénarios de mission simulés. Pour les concepteurs de robots mobiles autonomes, notamment dans les missions d'exploration planétaire, de surveillance environnementale ou de prélèvement géologique, ce travail répond à une lacune pratique : ignorer le couplage entre gain d'information et coût de charge produit des plans efficaces en distance mais sous-optimaux en énergie, ce qui se traduit concrètement par moins d'échantillons collectés que ce que le budget énergétique permettrait. Les simulations montrent que l'avantage de LIPP sur les approches classiques augmente à mesure que la masse des échantillons croît, ce qui en fait un candidat pertinent pour les rovers ou drones dont la charge utile évolue significativement pendant la mission. LIPP se positionne comme une généralisation stricte du C-IPP, ce dernier étant retrouvé comme cas particulier lorsque la masse des échantillons est nulle, ce qui garantit une compatibilité avec les formulations existantes de planification de trajectoire informative. L'article, publié sur arXiv, s'inscrit dans un courant de recherche en robotique de terrain cherchant à mieux modéliser les contraintes physiques réelles des missions de collecte, un axe distinct des approches purement perceptuelles dominantes dans la littérature IPP.

RecherchePaper
1 source
Planification de trajectoires multi-objectifs pour flottes de robots hétérogènes par échantillonnage
4arXiv cs.RO 

Planification de trajectoires multi-objectifs pour flottes de robots hétérogènes par échantillonnage

Une équipe de chercheurs en robotique vient de publier sur arXiv (référence 2503.03509, troisième révision) un ensemble de planificateurs de trajectoires conçus pour coordonner plusieurs robots évoluant simultanément dans un espace de travail partagé, chacun devant atteindre plusieurs objectifs successifs dans des configurations physiques variées. Le problème ciblé, dit "multi-modal multi-robot multi-goal", couvre des scénarios concrets tels que le passage de pièces entre bras robotiques (handover), la navigation avec changements de mode de préhension, ou la coordination de flottes sur des horizons de planification longs. Les planificateurs proposés sont des extensions de méthodes classiques à base d'échantillonnage (de type RRT/PRM) adaptées à l'espace composite de l'ensemble des robots, et sont prouvés probabilistically complete et asymptotically optimal, deux propriétés formelles rarement réunies dans ce contexte. Le code source et le benchmark de validation sont disponibles publiquement. L'apport principal est théorique et algorithmique : les approches existantes pour ce type de problème reposent soit sur la priorisation entre robots (un robot cède le passage à un autre selon un rang fixé), soit sur une hypothèse de complétion synchrone des tâches. Ces simplifications sacrifient à la fois l'optimalité (la solution trouvée n'est pas la meilleure possible) et la complétude (l'algorithme peut rater des solutions valides). En reformulant le problème comme un seul problème centralisé de planification, les auteurs montrent qu'on peut lever ces limitations sans explosion combinatoire, au prix d'une planification dans un espace de dimension élevée. Pour les intégrateurs de cellules robotisées multi-bras ou les concepteurs de systèmes pick-and-place collaboratifs, cela ouvre la voie à des planificateurs de référence plus rigoureux que les heuristiques actuellement déployées en production. Ce travail s'inscrit dans un courant de recherche actif sur la planification multi-robot, aux côtés de travaux comme CBS (Conflict-Based Search) pour les AMR en entrepôt ou les approches de task-and-motion planning (TAMP) développées notamment chez MIT CSAIL, TU Berlin ou dans des labos liés à Boston Dynamics et Intrinsic (Alphabet). La distinction entre planification centralisée et décentralisée reste un axe structurant du domaine : cette contribution penche résolument du côté centralisé, ce qui la rend plus adaptée aux cellules industrielles fixes qu'aux flottes mobiles à grande échelle. La prochaine étape naturelle serait une validation sur hardware réel et une confrontation aux contraintes temps-réel des contrôleurs industriels.

RecherchePaper
1 source