Aller au contenu principal
Fonctions de barrière de contrôle par opérations de Minkowski pour la navigation sécurisée parmi des polytopes
RecherchearXiv cs.RO 

Fonctions de barrière de contrôle par opérations de Minkowski pour la navigation sécurisée parmi des polytopes

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

Des chercheurs publient sur arXiv (2608.02886, 5 août 2026) une nouvelle formulation des fonctions de barrière de contrôle (CBF) pour la navigation sécurisée de robots dans des environnements composés de polytopes, c'est-à-dire d'obstacles à géométrie polyédrique exacte plutôt qu'approximée. Les méthodes CBF existantes simplifient généralement les obstacles par des formes lisses et conservatives, sphères ou ellipsoïdes, pour obtenir des fonctions de distance différentiables plus faciles à calculer. L'équipe propose à la place une fonction de distance signée (SDF) exacte, valable à la fois pour un robot et des obstacles de forme polyédrique quelconque. La méthode s'appuie sur des opérations de Minkowski et résout deux programmes convexes complémentaires, un pour le cas sans collision et un pour le cas en collision, ce qui permet de calculer la distance exacte dans les deux régimes. Les auteurs en dérivent également une expression analytique unifiée du gradient de cette SDF, obtenue par analyse de sensibilité en exploitant les propriétés géométriques des opérations de Minkowski en 2D. Le cadre est validé en simulation sur un cas de translation pure et trois scénarios avec des robots de type unicycle : récupération après une initialisation non sécurisée, évitement d'un obstacle unique, puis de plusieurs obstacles, comparés à des méthodes de référence.

L'enjeu pour la robotique industrielle est concret : la plupart des robots mobiles autonomes (AMR) et bras manipulateurs ont une géométrie proche du polytope, pas de la sphère, et les approximations conservatives leur font perdre de la marge de manœuvre dans des espaces contraints comme les allées d'entrepôt. Une SDF exacte promet des trajectoires moins prudentes sans sacrifier la garantie de sécurité formelle propre aux CBF. Fait notable, le calcul exact du gradient rotationnel révèle une classe de minima locaux jusque-là masquée par les approximations, provenant du couplage entre la géométrie du robot et sa cinématique non holonome, un mode de défaillance que les méthodes conservatives ne permettaient pas de voir.

Les CBF sont une technique établie de contrôle sûr depuis le milieu des années 2010, généralement appliquée à des formes simplifiées. Ce travail les étend à la géométrie exacte, un problème resté ouvert faute d'expression différentiable pratique de la distance entre polytopes. Il s'agit à ce stade d'une publication de recherche validée uniquement en simulation, sans démonstration sur robot physique ni déploiement industriel annoncé.

Dans nos dossiers

À lire aussi

Planification et commande de mouvement sûres par polytopes imbriqués et fonctions de barrière de contrôle
1arXiv cs.RO 

Planification et commande de mouvement sûres par polytopes imbriqués et fonctions de barrière de contrôle

Des chercheurs présentent dans un preprint arXiv (2606.09719) une méthode de planification de mouvement locale pour robots mobiles autonomes évoluant dans des espaces confinés. L'approche repose sur la représentation polytopique du footprint du robot : modéliser sa géométrie réelle par un polygone convexe plutôt que de la simplifier à un point ou un cercle. La condition de sécurité, le robot doit rester à l'intérieur d'une région libre convexe continuellement mise à jour, est formulée comme un ensemble de contraintes de type Control Barrier Function (CBF) intégrées dans un contrôleur prédictif à modèle (MPC). Les expériences sur matériel embarqué, avec un robot non-holonome équipé de LiDAR et de grilles d'occupation, valident le système à 10 Hz en temps réel, avec évitement réactif d'obstacles dynamiques. L'analyse comparative affiche une réduction du temps de calcul pouvant atteindre 91x face à une formulation classique basée sur la détection d'obstacles, lorsque la densité de l'environnement augmente. L'intérêt pour les intégrateurs de systèmes AMR tient à deux propriétés distinctes. Le nombre de contraintes de sécurité dépend uniquement de la complexité géométrique locale et de la forme du robot, pas du nombre d'obstacles, ce qui garantit une tenue en temps réel dans des environnements denses. Par ailleurs, l'absence de nécessité de détecter ou segmenter les obstacles individuellement simplifie le pipeline de perception. La validation sur hardware, et pas seulement en simulation, place ce travail au-delà d'un résultat purement théorique, même si la montée en charge vers des environnements industriels à grande échelle reste à démontrer. La fréquence de 10 Hz sur ordinateur embarqué est un indicateur crédible de déployabilité réelle. Les approches classiques de navigation sûre pour robots à empreinte non-triviale recourent soit à des simplifications conservatives, soit à des formulations obstacle-par-obstacle dont le coût de calcul croît avec la densité de la scène, un problème bien documenté dans les entrepôts opérés par des acteurs comme Exotec ou dans la navigation maritime autonome. Les CBF appliqués à la planification en espace libre s'inscrivent dans une tendance croissante aux côtés de méthodes comme MPPI ou les planificateurs basés sur des tubes de sécurité. Ce preprint n'a pas encore été soumis à révision par les pairs, mais la démonstration embarquée sur robot réel constitue un signal d'applicabilité sérieux pour les équipes R&D robotique cherchant à naviguer dans des couloirs étroits sans surestimer les marges de sécurité.

UELes équipes R&D d'intégrateurs AMR européens (dont Exotec en France) pourraient bénéficier de cette méthode pour améliorer la navigation en environnements confinés sans surcoût computationnel, mais le travail reste un preprint non encore validé par les pairs.

RecherchePaper
1 source
CN-CBF : fonction de barrière de contrôle neuronale composite pour la navigation robotique en environnements dynamiques
2arXiv cs.RO 

CN-CBF : fonction de barrière de contrôle neuronale composite pour la navigation robotique en environnements dynamiques

Des chercheurs proposent une nouvelle méthode de conception de fonctions de barrière de contrôle neuronales, baptisée CN-CBF (Composite Neural Control Barrier Function), pour sécuriser la navigation de robots autonomes dans des environnements dynamiques et incertains. L'approche combine plusieurs CBF neuronales individuelles en une seule fonction composite : chacune est entraînée hors ligne à partir de données générées par le cadre de calculabilité Hamilton-Jacobi, afin d'approximer l'ensemble de sécurité optimal face à un obstacle mobile unique. Une architecture neuronale résiduelle garantit que l'ensemble de sécurité estimé ne recoupe jamais l'ensemble d'échec correspondant. La méthode a été testée en simulation sur un robot terrestre et un quadricoptère, puis validée par des expériences matérielles sur les deux plateformes. Comparée aux meilleures méthodes de référence existantes, elle améliore le taux de réussite de la navigation jusqu'à 18%, tout en conservant des longueurs de trajectoire et des temps de déplacement comparables, voire inférieurs. Ce résultat s'attaque à un problème central pour l'industrie robotique : les filtres de sécurité basés sur les CBF sont simples à déployer mais notoirement difficiles à concevoir manuellement, en particulier quand l'environnement change en temps réel. En automatisant et en fiabilisant cette conception via l'apprentissage, CN-CBF pourrait faciliter le déploiement de robots autonomes, mobiles ou volants, dans des environnements partagés avec des obstacles mobiles, humains compris, sans sacrifier l'efficacité des trajectoires. Le passage du simulateur au matériel réel, sur deux morphologies distinctes, robot au sol et drone, est un signal encourageant pour les intégrateurs et les équipes de R&D qui cherchent des garanties de sécurité formelles plutôt que des heuristiques ad hoc, un enjeu clé pour la certification et l'adoption en environnements industriels ou logistiques. Les fonctions de barrière de contrôle sont un outil classique de la théorie du contrôle pour garantir la sécurité formelle des systèmes dynamiques, mais leur conception manuelle devient vite intraitable dès que la dimension ou la complexité de l'environnement augmente. Les approches existantes, qu'elles soient purement basées sur des modèles ou purement apprises, souffrent chacune de limites que les auteurs cherchent explicitement à corriger en combinant apprentissage neuronal et cadre théorique Hamilton-Jacobi. Publié sur arXiv en version révisée, ce travail s'inscrit dans une littérature croissante sur les CBF neuronales pour la robotique mobile et aérienne. Les auteurs mentionnent des évaluations étendues en simulation face à plusieurs méthodes concurrentes ; une extension naturelle consisterait à traiter des scénarios multi-obstacles ou multi-robots, au-delà du cas de l'obstacle mobile unique étudié ici.

RecherchePaper
1 source
Intégrer la conformité à la norme ISO 10218 dans les robots via les fonctions barrière de contrôle pour la collaboration homme-robot
3arXiv cs.RO 

Intégrer la conformité à la norme ISO 10218 dans les robots via les fonctions barrière de contrôle pour la collaboration homme-robot

Des chercheurs ont publié sur arXiv (réf. 2606.13203) une approche de contrôle permettant d'intégrer nativement la conformité à la norme ISO 10218 dans les robots industriels collaboratifs, en s'appuyant sur une Fonction Barrière de Contrôle (CBF). Le système a été validé en simulation et en conditions réelles sur un bras UR10e d'Universal Robots. Plutôt que de se contenter des hypothèses conservatives des modules SSM (Speed and Separation Monitoring) classiques, qui supposent une vitesse humaine constante, la CBF proposée intègre les données d'accélération humaine pour prédire analytiquement la distance de séparation minimale humain-robot le long d'une trajectoire d'arrêt en cas de pire scénario. Deux méthodes sont présentées : Method I, un filtre de sécurité PD contraint par CBF, et Method II, un contrôleur SQP (Sequential Quadratic Programming) qui impose une contrainte de tube spatial sur la trajectoire. Method II réduit l'erreur de trajectoire moyenne de 63 % par rapport à Method I, et supprime les manoeuvres évasives excessives qui dégradent le débit opérationnel. L'enjeu industriel est direct : les modules SSM standard génèrent des arrêts préventifs fréquents parce qu'ils surestiment le risque de collision, faute de pouvoir anticiper les mouvements humains. Dans un contexte d'atelier où des cobots travaillent aux côtés d'opérateurs, ces arrêts non nécessaires représentent un coût de productivité réel. La méthode proposée déplace le curseur : au lieu d'un filtre de vitesse binaire (go/stop), le contrôleur module dynamiquement la vitesse d'exécution et la déviation spatiale du robot en temps réel, en restant dans les limites de la norme. C'est un pas vers des cobots réellement compétitifs en termes de cycle time, sans sacrifier la conformité réglementaire. La norme ISO 10218, qui régit la sécurité des robots industriels, est aujourd'hui au coeur des déploiements de cobots chez des fabricants comme FANUC, KUKA, ABB ou Universal Robots. Le SSM est l'approche la plus répandue pour y répondre, mais son conservatisme est documenté depuis plusieurs années. Les CBF, issues de la théorie du contrôle, émergent comme alternative formellement vérifiable, et plusieurs groupes académiques (MIT, ETH, TU Munich) explorent cette direction. La prochaine étape probable est l'intégration de ces contraintes dans des environnements multi-robots et des scénarios à personnes multiples, plus représentatifs de la réalité des ateliers.

UELa norme ISO 10218 étant centrale pour les déploiements de cobots chez KUKA (Allemagne) et ABB (Suisse-Suède), cette approche CBF pourrait réduire les arrêts non productifs dans les ateliers européens et renforcer la compétitivité des intégrateurs face aux contraintes de la directive Machines révisée.

RecherchePaper
1 source
Évitement de collisions par fonctions barrières de contrôle géométriques et approximations polynomiales de Bernstein
4arXiv cs.RO 

Évitement de collisions par fonctions barrières de contrôle géométriques et approximations polynomiales de Bernstein

Des chercheurs ont déposé sur arXiv (référence 2605.30696) un article présentant une nouvelle méthode de navigation sûre pour robots basée sur des fonctions de barrière de contrôle (CBF) couplées à des champs de distance signée approximés par polynômes de Bernstein, baptisés BP-SDFs. L'approche cible un problème concret du pipeline de planification de mouvement : les substituts géométriques classiques comme les sphères ou les super-ellipsoïdes sont soit trop conservateurs dans des environnements non structurés, soit nécessitent un grand nombre de primitives locales, ce qui gonfle le nombre de contraintes et dégrade les performances temps réel. La méthode proposée offre une représentation unifiée pour les robots et les obstacles via un seul champ de distance signé, réduisant le problème de sécurité à une contrainte de distance minimale unique, applicable en boucle fermée grâce à la différentiabilité des polynômes de Bernstein. Les validations sont réalisées exclusivement en simulation, sur des scénarios de navigation mono-robot et d'évitement de collision multi-robots hétérogènes. L'enjeu industriel est réel : les CBFs sont aujourd'hui un outil central pour garantir mathématiquement la sûreté des systèmes robotiques, mais leur passage à l'échelle dans des environnements complexes (entrepôts encombrés, lignes de production partagées entre AMRs hétérogènes) bute souvent sur l'explosion combinatoire des contraintes. Réduire cette inflation tout en conservant des garanties formelles d'invariance de l'ensemble sûr serait un gain direct pour les intégrateurs qui déploient des flottes mixtes. La différentiabilité des BP-SDFs permet en outre d'intégrer la contrainte dans un QP (quadratic program) standard sans approximations supplémentaires, ce qui simplifie l'architecture de contrôle. Les CBFs ont été formalisés et popularisés principalement par le groupe d'Aaron Ames (Caltech) depuis le début des années 2010, et les SDF comme représentation géométrique sont exploités depuis longtemps en planification de mouvement et en apprentissage (NeRF, NeuralSDF). D'autres équipes combinent déjà CBFs et SDFs appris par réseaux de neurones, ou utilisent des CBFs à base de convex decomposition. Cette contribution se positionne dans la continuité de ces travaux avec l'angle spécifique de l'approximation polynomiale, plus analytiquement contrôlable. Étant un preprint sans validation hardware, la distance entre simulation et déploiement réel reste à combler, et aucune timeline ni partenaire industriel ne sont mentionnés.

RecherchePaper
1 source