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

Apprentissage de trajectoires SE(3) lisses selon des métriques riemanniennes invariantes à gauche

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

Des chercheurs présentent, dans un article publié le 4 août 2026 sur arXiv (2608.01562), une méthode d'apprentissage pour générer des trajectoires lisses sur SE(3), le groupe des déplacements rigides combinant rotation et translation, sous des métriques riemanniennes invariantes à gauche. Le problème classique consiste à minimiser une fonctionnelle d'énergie définie par la métrique choisie, ce qui produit des trajectoires optimales pour un corps rigide en mouvement. Si des solutions analytiques existent pour des cas particuliers (métriques produit, conditions aux limites de repos à repos), le cas général avec états limites arbitraires et couplage rotation-translation exige normalement un solveur numérique de problème aux limites, coûteux en temps de calcul. Les auteurs paramétrisent les trajectoires en torseurs cinématiques (body-twist) par des polynômes d'ordre élevé, où un réseau de neurones apprend un sous-ensemble des coefficients ainsi que la durée du mouvement, le reste des coefficients étant calculé analytiquement pour respecter les conditions aux limites. L'entraînement combine des pertes issues des conditions d'optimalité d'Euler-Lagrange, des objectifs de lissage pondérés par la métrique, et des contraintes de faisabilité. Résultat annoncé : des trajectoires proches des solutions d'optimisation numérique classique, mais calculées en quelques millisecondes.

Pour la planification et le contrôle robotique en temps réel, ce goulot d'étranglement du calcul aux limites est justement ce qui empêche aujourd'hui l'usage de trajectoires géométriquement cohérentes dans des boucles de contrôle rapides. Un générateur conditionné par la métrique, capable de s'adapter à différentes structures de métrique et conditions de mouvement sans nouvelle résolution numérique, ouvrirait la voie à une planification de mouvement plus réactive pour des bras manipulateurs, des drones ou tout système dont la cinématique s'exprime naturellement sur SE(3).

Les auteurs valident l'approche sur deux applications concrètes : la génération en temps réel de primitives de mouvement avec passage par points de cheminement, et le raffinement de trajectoires de vol pour quadrirotor en conditions dynamiques. Ce travail s'inscrit dans la lignée des méthodes d'optimisation géométrique sur groupes de Lie pour la robotique, où l'apprentissage automatique sert ici à contourner, plutôt qu'à remplacer, les fondements théoriques du problème variationnel classique.

Dans nos dossiers

arXiv cs.RO

À lire aussi

Apprentissage par imitation sur des variétés riemanniennes via des équations différentielles ordinaires neuronales
1arXiv cs.RO 

Apprentissage par imitation sur des variétés riemanniennes via des équations différentielles ordinaires neuronales

Une équipe de chercheurs a publié en juin 2026 (arXiv:2606.05422) un cadre d'apprentissage par démonstration (LfD) sur des variétés riemanniennes, en utilisant des équations différentielles ordinaires neuronales (Neural ODEs). Le problème de fond est connu : les approches LfD classiques supposent que l'état du robot évolue dans un espace euclidien plat, ce qui est inexact pour les données d'orientation ; les rotations habitent SO(3), un espace mathématiquement courbe. La méthode proposée encode conjointement position et orientation dans une variété riemannienne, calcule numériquement les chemins géodésiques (les plus courts chemins sur la variété) via un réseau de type Neural ODE, puis décode ces trajectoires dans l'espace de tâche avant déploiement sur le robot. Les résultats présentés proviennent exclusivement de simulations ; aucun déploiement matériel n'est rapporté. L'article est soumis comme "extended abstract", signalant une recherche en phase préliminaire. L'enjeu industriel est réel : quand un système LfD ignore la géométrie courbe de l'espace d'orientation, il risque de produire des trajectoires discontinues ou non naturelles, particulièrement pénalisant pour l'assemblage de précision, la soudure ou toute manipulation fine requérant un contrôle strict de l'orientation de l'effecteur. Les méthodes existantes de calcul géodésique sur variétés riemanniennes sont coûteuses en calcul, un goulot d'étranglement qui freine leur adoption opérationnelle. L'usage de Neural ODEs, qui intègrent numériquement une équation différentielle plutôt que de la résoudre analytiquement, est présenté comme une voie pour réduire ce surcoût. Les auteurs comparent leur approche à d'autres mécanismes de calcul géodésique en simulation, sans pour l'instant de validation sur hardware réel. Ce travail s'inscrit dans une trajectoire de recherche qui part du LfD de Schaal (1999) et des Dynamical Movement Primitives, passe par les GMM riemanniennes de Calinon (IDIAP) et les travaux de Zeestraten et al. (2017), et intègre désormais les Neural ODEs popularisés par Chen et al. à NeurIPS 2018. Les approches concurrentes incluent les réseaux équivariants SE(3), les politiques de diffusion (Diffusion Policy, Chi et al. 2023) et les modèles quaternion-aware. Aucun partenaire industriel, financement ou calendrier de déploiement n'est mentionné ; les auteurs eux-mêmes qualifient les suites de "défis et perspectives", ce qui situe clairement ce travail au stade de la preuve de concept en simulation.

RecherchePaper
1 source
Apprentissage de politiques visuomotrices robustes par correspondance de flux à trajectoires cohérentes
2arXiv cs.RO 

Apprentissage de politiques visuomotrices robustes par correspondance de flux à trajectoires cohérentes

Une équipe de recherche publie sur arXiv (arXiv:2605.08511, mai 2026) une méthode pour corriger un défaut structurel des politiques de type flow matching appliquées à la manipulation robotique. Ces architectures apprennent des champs de vitesse continus pour convertir du bruit en séquences d'actions, permettant une inférence déterministe rapide. Le problème identifié est un écart fondamental entre entraînement et inférence : l'objectif d'entraînement optimise une vitesse ponctuelle, tandis que l'inférence requiert l'intégration numérique de ce champ sur une trajectoire complète. Les erreurs s'accumulent et dégradent les performances. La méthode proposée, baptisée TC-Flow, associe quatre correctifs complémentaires : une régression de vitesse par rectified flow auxiliaire pour une supervision uniforme sur l'intervalle temporel, un entraînement par cohérence de trajectoire multi-étapes qui supervise directement le déplacement intégré, une régularisation du champ de vitesse pour forcer la continuité temporelle, et un intégrateur de Runge-Kutta d'ordre 4 (RK4) à l'inférence pour réduire l'erreur de discrétisation. Un encodeur de nuage de points 3D à double vue, basé sur deux PointNet indépendants, complète l'architecture. Validée sur un bras Franka et un robot quadrupède Boston Dynamics Spot, la méthode atteint 70 % et 60 % de succès sur deux tâches longue-horizon multi-phases où les deux baselines de référence stagnent à 0 %, et 100 % sur une tâche de placement d'outil de précision. Trois tâches de simulation MetaWorld confirment les gains. Ce résultat est significatif pour les équipes qui développent des VLAs (vision-language-action) basées sur le flow matching : il démontre que le sim-to-real gap et l'échec sur les tâches longue-horizon ne viennent pas nécessairement de la représentation sensorielle ou de la politique en elle-même, mais du désalignement train-inférence. Le passage de 0 % à 60-70 % sur les mêmes tâches en corrigeant uniquement cet écart est un signal fort. L'ablation confirme que les quatre composants sont nécessaires en synergie : RK4 seul sans champ lisse échoue, et la régularisation sans supervision trajectoire dérive quand même. Dans le contexte du marché, le flow matching pour la robotique a été popularisé par Physical Intelligence avec pi-0, qui domine aujourd'hui les benchmarks de manipulation généraliste, et par des travaux comme ACT ou Diffusion Policy. TC-Flow se positionne comme une correction algorithmique orthogonale, applicable à toute architecture flow matching existante. Il s'agit d'un preprint arXiv sans code public annoncé à ce stade, ni déploiement industriel. Les prochaines étapes naturelles seraient une validation sur des tâches bi-manuelles ou sur des plateformes humanoïdes, terrain où les erreurs cumulées de trajectoire sont particulièrement pénalisantes.

RechercheOpinion
1 source
Apprentissage d'une variété de trajectoires kinodynamiques pour l'interception souple d'objets rapides avec gestion de l'impact
3arXiv cs.RO 

Apprentissage d'une variété de trajectoires kinodynamiques pour l'interception souple d'objets rapides avec gestion de l'impact

Des chercheurs ont déposé sur arXiv (2605.28462) une méthode pour permettre à un bras robotique de rattraper des objets en vol libre à grande vitesse. Le problème cumule trois difficultés : temps de réaction très court, incertitude à l'impact, et contraintes cinédynamiques (cinématiques et dynamiques couplées). L'approche utilise l'apprentissage par renforcement en simulation pour collecter des trajectoires de rattrapage réussies, encodées ensuite dans une variété basse dimension appelée kinodynamic trajectory manifold. À l'exécution, l'état initial estimé de l'objet est mappé directement vers une trajectoire de référence, sans optimisation non linéaire en temps réel. Un contrôle compliant prend le relais près du contact pour absorber les impacts et stabiliser la prise. L'intérêt principal est computationnel : les méthodes classiques de planification exigent une optimisation non linéaire à chaque cycle, trop lente pour des objets rapides. Remplacer ce calcul par un mapping appris réduit la latence décisionnelle de plusieurs ordres de grandeur. Le contrôle compliant au contact, qui relâche la rigidité du contrôleur au bon moment, s'attaque à un problème bien documenté : les chocs rigides provoquent rebonds, ratés de préhension, et contraintes mécaniques excessives sur les actionneurs. Ce travail s'inscrit dans la lignée des recherches RL-sim-to-real appliquées à la manipulation dynamique, domaine actif depuis les travaux sur le jonglage robotique (DeepMind) et le rattrapage en chute libre (ETH Zurich). La limite principale de ce preprint est l'absence de validation sur robot physique : les résultats restent simulés, et le gap sim-to-real pour des trajectoires d'impact n'est pas quantifié. Les prochaines étapes attendues incluent une validation expérimentale pour éprouver la robustesse du manifold appris face aux bruits réels de perception.

RecherchePaper
1 source
Traj-VLN : apprentissage de l'interaction dans l'espace des pixels par génération autorégressive de trajectoire
4arXiv cs.RO 

Traj-VLN : apprentissage de l'interaction dans l'espace des pixels par génération autorégressive de trajectoire

Des chercheurs présentent Traj-VLN, une méthode publiée en prépublication sur arXiv (référence 2607.10744) pour la navigation vision-langage en environnements continus (VLN-CE), où un agent embarqué doit se déplacer dans un lieu inconnu en suivant des instructions en langage naturel du type « marche jusqu'au bout du canapé et tourne à gauche ». Plutôt que d'injecter des données de profondeur ou une géométrie 3D explicite dans le modèle vision-langage (VLM), les auteurs proposent de faire apprendre directement au VLM, par fine-tuning, à générer une trajectoire dans l'espace des pixels de l'image 2D, de façon autorégressive : à partir de l'instruction et de l'historique d'observations, le modèle prédit une séquence de coordonnées de pixels formant un chemin depuis le centre bas de l'image courante. Les auteurs indiquent que cette supervision par trajectoire en pixels, dont un signal proche (le pixel-goal) avait déjà montré sa supériorité sur l'apprentissage d'actions discrètes dans des travaux antérieurs, améliore sensiblement les performances de navigation, et que leur modèle principal atteint un niveau état de l'art avec des ressources de calcul et un volume de données d'entraînement relativement limités. L'intérêt dépasse l'exercice académique : la navigation vision-langage en continu reste un verrou central pour tout robot mobile ou humanoïde censé exécuter des instructions naturelles dans un environnement non cartographié au préalable, un scénario clé pour la logistique d'entrepôt, l'assistance domestique ou l'inspection industrielle. Le choix de contourner la profondeur et la géométrie 3D est significatif : les VLM généralistes sont entraînés quasi exclusivement sur des conversations autour d'images RGB, et leur faire ingérer des cartes de profondeur ou des nuages de points exige d'ordinaire des architectures spécialisées ou des données rares. En reformulant le problème comme une génération de trajectoire en pixels, modalité que ces modèles maîtrisent déjà nativement, Traj-VLN illustre une tendance de fond du secteur : réutiliser les priors des VLM plutôt que d'entraîner des chaînes de perception 3D dédiées, ce qui pourrait réduire le coût d'intégration pour les fabricants de robots mobiles autonomes (AMR) et les intégrateurs cherchant à connecter leurs plateformes à des VLM existants. Ce travail s'inscrit dans la lignée des approches vision-langage-action (VLA) qui, ces deux dernières années, cherchent à faire des sorties en pixels ou en points-objectifs une interface universelle entre perception et action, aussi bien pour la manipulation que pour la navigation. Le résumé du papier ne précise ni les benchmarks utilisés, ni les chiffres de performance exacts, ni la disponibilité du code ou des poids, ce qui invite à la prudence tant que ces éléments ne sont pas comparés indépendamment aux systèmes concurrents. Publié comme simple prépublication arXiv (catégorie « cross »), Traj-VLN n'est rattaché à aucun laboratoire nommé ni à un acteur français ou européen dans les informations disponibles ; la suite logique, comme pour la plupart des travaux VLN académiques, sera une évaluation sur des benchmarks standards du domaine (R2R, RxR ou équivalents en continu) et, potentiellement, un transfert au delà de la simulation vers des plateformes robotiques réelles.

RechercheOpinion
1 source