Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
Filtrage adaptatif de Kalman basé sur les résidus pour l'estimation d'état des robots à pattes
RecherchearXiv cs.RO 

Filtrage adaptatif de Kalman basé sur les résidus pour l'estimation d'état des robots à pattes

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

Des chercheurs proposent une nouvelle méthode d'adaptation en ligne pour l'estimation d'état des robots à pattes, publiée sur arXiv (2608.02316) début août 2026. Le filtre de Kalman est l'outil standard pour estimer la position et la vitesse du corps flottant d'un robot en fusionnant plusieurs capteurs, mais le réglage de ses paramètres de bruit (matrices de covariance de processus Q et de mesure R) exige une expertise pointue et reste figé face aux changements de démarche ou d'environnement. L'équipe introduit une adaptation basée sur le résidu du filtre et l'innovation, intégrée dans un filtre de Kalman étendu invariant (InEKF) qui fusionne données IMU et cinématique des pattes. Les tests, menés en intérieur et en extérieur sur un quadrupède Unitree Go2, montrent qu'adapter uniquement R suffit à améliorer la précision de 25 % en trot par rapport à un InEKF réglé de façon fixe, tout en égalant les performances d'une approche concurrente basée sur des capteurs de force au sol.

Pour l'industrie robotique, l'enjeu dépasse la seule performance chiffrée: cette méthode supprime le besoin de capteurs de force plantaire, souvent coûteux ou absents sur des plateformes commerciales comme le Go2, et réduit la dépendance à un réglage manuel expert lors du déploiement sur de nouveaux terrains ou de nouvelles démarches. Pour les intégrateurs qui cherchent à faire tourner des robots à pattes hors laboratoire, sur des sols irréguliers ou en extérieur, un estimateur d'état qui s'auto-ajuste en temps réel limite les échecs de contrôle liés à un mauvais calage des filtres, un problème récurrent qui freine le passage des démonstrations en intérieur vers des déploiements réels plus robustes.

L'estimation d'état par filtre de Kalman est un pilier du contrôle basé modèle en robotique à pattes depuis des années, avec l'InEKF comme évolution reconnue pour sa cohérence géométrique. Les approches précédentes s'appuyaient largement sur des capteurs de force additionnels pour corriger les dérives, une solution matérielle plus lourde. En s'appuyant uniquement sur IMU et cinématique, cette adaptation résiduelle s'inscrit dans une tendance plus large vers des pipelines de perception moins dépendants d'instrumentation spécialisée, avec des validations attendues sur d'autres démarches et plateformes bipèdes ou humanoïdes.

Dans nos dossiers

UnitreearXiv cs.RO

À lire aussi

Filtre de Kalman neuronal à mécanisme d'attention pour l'estimation d'état des robots à pattes
1arXiv cs.RO 

Filtre de Kalman neuronal à mécanisme d'attention pour l'estimation d'état des robots à pattes

Une équipe de chercheurs a publié sur arXiv (2601.18569v2) un filtre hybride baptisé AttenNKF (Attention-Based Neural-Augmented Kalman Filter), conçu pour améliorer l'estimation d'état sur les robots à pattes. Le glissement de pied constitue la principale source d'erreur dans ces systèmes : lorsqu'un pied glisse sur une surface, la mesure cinématique viole l'hypothèse de non-glissement et injecte un biais dans l'étape de mise à jour du filtre, dégradant l'estimation de position, vitesse et orientation. La solution augmente un InEKF (Invariant Extended Kalman Filter) avec un compensateur neuronal à mécanisme d'attention, qui infère l'erreur induite par le glissement en fonction de sa sévérité et l'applique en correction post-mise-à-jour sur l'état du filtre. Ce compensateur est entraîné dans un espace latent pour réduire la sensibilité aux échelles brutes des entrées et encourager des corrections structurées, tout en préservant la récursion mathématique de l'InEKF. L'enjeu est concret pour les équipes de locomotion et les intégrateurs industriels : l'estimation d'état est la brique fondamentale du contrôle d'un robot à pattes, et une erreur non corrigée se propage dans la boucle de contrôle jusqu'à provoquer des chutes ou des trajectoires aberrantes, notamment sur sols glissants, rampes ou surfaces variables en environnement d'usine. L'approche hybride filtres classiques plus réseau de neurones léger préserve les garanties mathématiques de l'InEKF tout en ajoutant une adaptabilité aux conditions non modélisées, sans reformuler entièrement le pipeline d'estimation. Les expériences montrent des performances supérieures aux estimateurs existants sous conditions de glissement, bien que les plateformes hardware testées ne soient pas précisées dans la version publiée, ce qui limite l'évaluation comparative. L'InEKF s'est imposé comme référence pour les robots à pattes grâce à des travaux de l'Université du Michigan vers 2019-2020 sur le bipède Cassie d'Agility Robotics, exploitant son invariance aux symétries de groupe de Lie. L'augmentation par réseaux neuronaux pour corriger les non-linéarités résiduelles est une direction active chez plusieurs groupes de recherche, dont ETH Zurich sur ANYmal, MIT et Carnegie Mellon. Les déploiements réels de Spot (Boston Dynamics), Digit (Agility Robotics) et Figure 02 font tous face au problème d'estimation sous glissement en conditions industrielles, ce qui donne à cette approche une pertinence directe pour le transfert sim-to-real vers des systèmes commerciaux. La prochaine étape naturelle sera une validation embarquée sous contraintes temps-réel sur des plateformes standardisées avec benchmarks publics.

RecherchePaper
1 source
K-VARK : filtre de Kalman résiduel à variance et noyaux pour l'estimation sans capteur des forces dans les cobots
2arXiv cs.RO 

K-VARK : filtre de Kalman résiduel à variance et noyaux pour l'estimation sans capteur des forces dans les cobots

Des chercheurs ont publié sur arXiv (référence 2512.13009v2) K-VARK, un filtre de Kalman adaptatif qui permet d'estimer les forces de contact dans les robots collaboratifs sans capteur de force dédié. L'algorithme combine des Primitives de Mouvement Noyau (Kernelized Movement Primitives, KMP) entraînées sur des trajectoires d'excitation optimisées avec un filtre de Kalman à bruit de mesure adaptatif. Validé sur un manipulateur collaboratif à 6 degrés de liberté (DoF), K-VARK atteint une réduction de plus de 20 % de l'erreur quadratique moyenne (RMSE) par rapport aux meilleures méthodes sensorless actuelles. Les tâches de validation incluent le polissage et l'assemblage, deux opérations industrielles qui exigent un contrôle précis des efforts appliqués sur la pièce. La difficulté centrale de l'estimation sensorless réside dans la modélisation des couples résiduels aux articulations : erreurs de frottement, dynamiques non linéaires, et variabilité selon la position en espace de travail. K-VARK répond à ce problème en capturant à la fois la moyenne prédictive et la variance hétéroscédastique dépendante de l'entrée, ce qui permet au filtre d'augmenter automatiquement le bruit de mesure dans les zones sous-représentées dans les données d'entraînement. Cette conscience de l'incertitude est un atout concret pour les intégrateurs : le robot sait quand il ne sait pas, et adapte sa confiance en conséquence. Le bruit de processus, lui, est réajusté en ligne par optimisation bayésienne variationnelle pour absorber les perturbations dynamiques. Combinés, ces deux mécanismes offrent une robustesse aux transitions brutales sans compromettre la précision en régime établi. L'estimation de force sans capteur est un enjeu majeur dans la conception des cobots (robots collaboratifs), car les capteurs force/couple six axes coûtent plusieurs milliers d'euros par bras et compliquent l'intégration mécanique. Les approches existantes s'appuient généralement sur des observateurs de type momentum ou des modèles dynamiques rigides, qui peinent à compenser la friction articulaire variable. K-VARK s'inscrit dans un courant de recherche qui cherche à substituer le hardware par de l'estimation probabiliste apprise, une tendance également visible chez Universal Robots (PolyScope X), Franka Robotics ou FANUC avec leur couche d'estimation d'effort. La méthode étant publiée en accès ouvert sans code associé annoncé, son adoption dépendra de la disponibilité d'implémentations de référence et de benchmarks sur des bras commerciaux standardisés.

UELes intégrateurs européens de cobots, dont Franka Robotics (Allemagne), pourraient réduire leurs coûts matériels en adoptant cette estimation probabiliste à la place des capteurs force/couple six axes, mais aucune implémentation de référence ni adoption industrielle n'est annoncée.

RecherchePaper
1 source
DogLegs : estimation robuste de l'état proprioceptif pour robots à pattes grâce à plusieurs IMU montées sur les pattes
3arXiv cs.RO 

DogLegs : estimation robuste de l'état proprioceptif pour robots à pattes grâce à plusieurs IMU montées sur les pattes

Une équipe de chercheurs a publié une version mise à jour sur arXiv (arXiv:2503.04580v3, soumission de type "replace") d'un système baptisé DogLegs, conçu pour l'estimation d'état proprioceptif des robots à pattes. Le système fusionne les mesures d'une centrale inertielle montée sur le corps du robot (Body-IMU), des encodeurs articulaires, et de plusieurs centrales inertielles supplémentaires fixées sur les pattes (Leg-IMU), le tout via un filtre de Kalman étendu (EKF) qui gère les états d'erreur de toutes les IMU simultanément. Les Leg-IMU servent à détecter le contact des pieds au sol, ce qui permet d'injecter des mesures de vitesse nulle pour recaler l'état de chaque patte, tandis que la cinématique des pattes fournit des contraintes de position relative entre le corps et les pattes pour corriger la dérive globale. Les auteurs rapportent, sur des expériences de terrain menées sur différents types de sols, une précision supérieure à la méthode classique d'odométrie par les pattes, qui ne s'appuie que sur la Body-IMU et les encodeurs. Le code et les jeux de données sont mis à disposition publiquement sur GitHub (YibinWu/DogLegs). L'enjeu dépasse la simple amélioration incrémentale: l'estimation d'état proprioceptif devient critique lorsque les capteurs extéroceptifs comme les LiDAR ou les caméras cessent de fonctionner de façon fiable, par exemple dans la fumée, la poussière, l'obscurité ou des environnements sans repères visuels exploitables. Pour les intégrateurs travaillant sur des robots quadrupèdes ou humanoïdes destinés à l'inspection industrielle, la recherche et sauvetage ou des missions en environnement extrême, disposer d'une estimation de position robuste sans dépendre de la vision constitue une brique fondamentale souvent négligée face aux annonces plus spectaculaires sur la marche ou la manipulation. La mise à disposition ouverte du code abaisse aussi la barrière d'entrée pour la communauté de recherche en locomotion. Il s'agit ici d'une contribution académique et non d'un produit commercial ou d'un déploiement industriel: le papier, republié dans une version révisée, s'inscrit dans la lignée des travaux sur l'odométrie par les pattes, historiquement limitée par la dérive sur terrains meubles ou glissants et par la fiabilité de la détection de contact. L'approche multi-IMU proposée ici se positionne comme une alternative complémentaire aux méthodes de fusion visuelle-inertielle ou LiDAR-inertielle utilisées par d'autres équipes travaillant sur des plateformes comme celles d'ANYbotics ou d'Unitree, sans qu'aucune intégration commerciale ne soit annoncée à ce stade.

RecherchePaper
1 source
Adaptive-MHE : un MPC adaptatif basé échantillonnage pour la loco-manipulation des robots à pattes via estimation à horizon glissant
4arXiv 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