Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
PathCover : une décomposition convexe rapide le long d'un chemin par partitionnement itératif aléatoire de l'espace (RISP) sur des nuages de points
RecherchearXiv cs.RO 

PathCover : une décomposition convexe rapide le long d'un chemin par partitionnement itératif aléatoire de l'espace (RISP) sur des nuages de points

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

Des chercheurs présentent PathCover, un framework de génération de corridors convexes pour la navigation autonome de robots, construit autour de RISP (Randomized Iterative Space Partitioning), un algorithme randomisé qui construit des polytopes convexes directement depuis des nuages de points bruts, en temps linéaire attendu. Face à des générateurs existants souvent trop lents pour suivre la cadence des capteurs, RISP produit des polytopes chevauchants et sans obstacle pour contraindre les modules de MPC et d'optimisation de trajectoire, avec une garantie de terminaison en temps fini. Sur des données LiDAR synthétiques et réelles, la méthode gagne un ordre de grandeur en vitesse sur l'état de l'art, à volume de corridor comparable, et a été validée en simulation quadrirotor puis déployée sur un robot quadrupède naviguant en environnement contraint avec du LiDAR en direct.

La génération de corridors sans obstacle est un goulot d'étranglement classique des pipelines de navigation: un module MPC doit recevoir une représentation de l'espace libre recalculée à chaque acquisition capteur, et beaucoup de méthodes de décomposition convexe deviennent le facteur limitant quand la fréquence LiDAR augmente. En traitant le nuage de points brut en complexité linéaire, PathCover rapproche la fréquence de replanification de celle de la perception, un enjeu direct pour les intégrateurs de drones et de robots à pattes en environnement encombré. Le passage réussi de la simulation à un déploiement physique sur quadrupède est notable, car beaucoup de méthodes de ce type publiées restent cantonnées à la simulation.

La décomposition convexe le long d'un chemin s'inscrit dans une lignée de travaux sur les corridors sûrs pour la planification de trajectoire, un problème classique en robotique où des méthodes comme IRIS ont posé les bases mais souffrent d'un coût de calcul croissant avec la densité du nuage de points. PathCover se positionne explicitement contre l'état de l'art sur ce critère de vitesse, en revendiquant un gain d'un ordre de grandeur sans sacrifier le volume de corridor. Le travail reste une publication de recherche déposée sur arXiv début août 2026, sans indication d'intégration commerciale, et la validation physique se limite à un seul robot quadrupède, laissant ouvertes les questions de généralisation à d'autres plateformes comme les drones ou les AMR à roues.

Dans nos dossiers

arXiv cs.RO

À lire aussi

RoughSense : prédiction légère des vibrations d'un rover sur terrain accidenté par nuages de points et IMU
1arXiv cs.RO 

RoughSense : prédiction légère des vibrations d'un rover sur terrain accidenté par nuages de points et IMU

Des chercheurs présentent RoughSense, une méthode légère de cartographie de la praticabilité du terrain sensible aux vibrations, conçue pour la navigation autonome des rovers, en particulier en environnement souterrain où communication, puissance de calcul et énergie embarquée sont limitées. Le travail est publié sur arXiv sous l'identifiant 2609.03720, en soumission de type "new", c'est-à-dire une prépublication non encore relue par les pairs. La méthode combine deux flux de données en temps réel : un nuage de points LiDAR et une centrale inertielle (IMU). Un premier indicateur de vibration est estimé à partir de la seule géométrie du terrain, en appliquant l'algorithme RANSAC à des portions locales du nuage de points produites par un système de cartographie et localisation simultanées (SLAM). En parallèle, l'IMU capte la vibration réellement subie par le rover pendant son déplacement, et cette mesure sert à corriger en continu l'estimation géométrique via un filtre des moindres carrés récursifs (Recursive Least Squares). L'approche a été testée sur trois terrains : un site analogue lunaire, un terrain extérieur et une mine souterraine, mais le résumé ne fournit aucun chiffre de performance (taux d'erreur, gain de précision, charge de calcul embarquée), ce qui limite l'évaluation de son efficacité réelle à ce stade. L'intérêt de l'approche tient à sa légèreté computationnelle : à l'inverse des méthodes de cartographie de terrain fondées sur l'apprentissage profond, souvent gourmandes en ressources, RoughSense repose sur des algorithmes classiques et peu coûteux, une contrainte centrale pour tout calculateur embarqué sur un rover planétaire ou une plateforme d'exploration souterraine coupée d'un lien de communication fiable. En couplant une estimation géométrique a priori avec une correction en ligne fondée sur la vibration mesurée, la méthode cherche à réduire l'écart classique entre prédiction de terrain et comportement réel du véhicule, un problème récurrent en robotique de terrain où les modèles purement géométriques sous-estiment souvent l'effet de la texture ou de la meuble du sol. Pour des équipes concevant des rovers destinés à l'exploration de tunnels de lave, de grottes ou de mines lunaires, ce type de brique laisse entrevoir une navigation plus autonome sans dépendre d'un lien radio permanent vers un centre de contrôle, enjeu direct compte tenu du délai de communication Terre-Lune ou Terre-Mars. Le papier s'inscrit dans le regain d'intérêt pour l'exploration robotique de sites souterrains extraterrestres, notamment les tunnels de lave lunaires envisagés comme abris naturels pour de futures missions habitées, et pour l'usage de mines terrestres comme environnements analogues avant tout déploiement spatial. Le résumé ne mentionne ni entreprise ni agence spatiale commanditaire, ni acteur français ou européen impliqué : il s'agit d'une contribution académique en prépublication, sans validation par les pairs. Aucun calendrier de suite, partenariat industriel ou mission cible n'est précisé ; le texte se limite à une validation expérimentale sur trois terrains, laissant ouvertes les questions de généralisation à d'autres sols ou véhicules.

RecherchePaper
1 source
Apprentissage d'unions d'ensembles convexes par décomposition latente invertible pour la planification de trajectoires
2arXiv cs.RO 

Apprentissage d'unions d'ensembles convexes par décomposition latente invertible pour la planification de trajectoires

Une équipe de chercheurs publie sur arXiv (référence 2606.12027) ILD, pour Invertible Latent Decomposition, un framework de planification de trajectoires sans collision dans des espaces de configuration encombrés. ILD apprend conjointement un mapping inversible et un ensemble de polytopes convexes explicites dans l'espace latent correspondant : la planification s'effectue sur ces convexes latents, et le mapping inversible retraduit les chemins vers l'espace d'origine en préservant la faisabilité vis-à-vis des régions sûres explicites. Le framework intègre également VGS (Visibility-Guided Sampling), une méthode d'échantillonnage guidée par la visibilité conçue pour maintenir la connectivité entre ensembles convexes lors de la planification. Les évaluations couvrent la navigation 2D, un manipulateur à 6 degrés de liberté (DOF) et un bras bimanuel à 14-DOF. Sur ce dernier, les auteurs démontrent une planification temps réel avec un affinement à l'exécution (test-time refinement) s'adaptant aux changements de géométrie de scène, confirmé sur un bras 6-DOF réel. Zéro faux positif n'est observé après cet affinement, contre des taux non nuls pour les méthodes de référence testées. L'enjeu industriel est la résolution d'un arbitrage fondamental en robotique de manipulation : les représentations explicites comme les unions de polytopes convexes s'intègrent directement dans les planificateurs à base d'optimisation comme contraintes dures, garantissant l'absence de collision, mais leur complexité de paramétrage explose avec la dimension de l'espace de configuration. Les représentations implicites passent mieux à l'échelle géométrique mais n'offrent pas ces garanties formelles. ILD combine les deux avantages. Pour un intégrateur ou un responsable de production, la planification temps réel sur 14-DOF avec adaptation dynamique à la scène représente un seuil d'utilisabilité concret en environnement industriel, à condition que les performances tiennent hors des conditions contrôlées de laboratoire, point sur lequel les auteurs restent prudemment ouverts. La planification sous contraintes de collision est un problème adressé depuis des décennies par des planificateurs probabilistes (RRT, PRM) et des méthodes d'optimisation convexe comme IRIS et GCS (Graph of Convex Sets), issus en particulier des travaux de Russ Tedrake au MIT CSAIL. ILD s'inscrit dans la tendance récente qui hybride apprentissage profond et garanties formelles plutôt que d'opposer les deux approches. Le preprint ne mentionne ni partenaire industriel ni calendrier de commercialisation, restant au stade académique. Les extensions attendues concernent la robustesse sur des scènes plus dynamiques et le passage à des espaces de configuration supérieurs à 14-DOF, en vue des manipulateurs humanoïdes à bras multiples dont les architectures dépassent souvent 28-DOF.

RecherchePaper
1 source
Optimisation de trajectoire dynamiquement cohérente pour robots à pattes via décomposition des points de contact
3arXiv cs.RO 

Optimisation de trajectoire dynamiquement cohérente pour robots à pattes via décomposition des points de contact

Une équipe de recherche publie sur arXiv (référence 2510.24069, version 2, qui remplace une soumission antérieure) un article intitulé "Dynamically-Consistent Trajectory Optimization for Legged Robots via Contact Point Decomposition". La méthode proposée est une optimisation de trajectoire par phases qui garantit, sur l'ensemble du mouvement, la faisabilité de la dynamique de translation ainsi que le respect des contraintes de cône de friction. Elle exploite les propriétés de superposition des équations différentielles linéaires pour découpler la dynamique de translation de chaque point de contact, chacun suivant sa propre séquence de phases d'appui et de vol. Les auteurs utilisent ensuite la matrice de différentiation des polynômes de Bézier pour établir une relation analytique directe entre position du robot et forces appliquées, puis la propriété d'enveloppe convexe de ces mêmes polynômes pour contraindre le frottement tout au long de la trajectoire. Le framework est validé sur un modèle de robot quadrupède, avec code source et matériel complémentaire publiés sur une page de projet dédiée. Pour la robotique à pattes, ce travail s'attaque à un goulot d'étranglement connu : calculer simultanément la séquence de contacts et une trajectoire dynamiquement valide est coûteux en calcul, et de nombreux optimiseurs existants ne vérifient la dynamique qu'en des instants discrets, laissant passer des violations entre ces points. En assurant une satisfaction continue et analytique des contraintes plutôt qu'une approximation par échantillonnage, l'approche vise des trajectoires plus fiables sur des allures variées (marche, trot, saut) sans recalcul correctif coûteux après coup. Pour des intégrateurs travaillant sur des plateformes quadrupèdes du type Spot, Unitree ou ANYmal, ce genre de méthode pourrait alimenter des planificateurs embarqués plus robustes. Il s'agit toutefois d'un résultat académique validé en simulation sur un seul modèle de robot, pas d'un produit commercial ni d'un déploiement de terrain. Cette contribution s'inscrit dans la lignée des recherches sur l'optimisation de trajectoire à contacts implicites et le contrôle prédictif corps entier pour robots légers, un domaine où dominent depuis plusieurs années des méthodes fondées sur la programmation quadratique séquentielle ou l'intégration numérique directe, qui peinent à garantir la cohérence dynamique entre les points d'échantillonnage. La publication d'une version 2 sur arXiv signale une révision après une première soumission, probablement liée à un processus d'évaluation par les pairs. Aucun partenariat industriel, calendrier de pilote ou passage au matériel réel n'est mentionné à ce stade : les auteurs renvoient uniquement vers leur page de projet et le code source pour toute reproduction ou prolongement des résultats.

RecherchePaper
1 source
TCBiRRT : planification rapide de mouvement pour manipulateur spatial à deux bras couplés par expansion aléatoire dans l'espace des tâches
4arXiv cs.RO 

TCBiRRT : planification rapide de mouvement pour manipulateur spatial à deux bras couplés par expansion aléatoire dans l'espace des tâches

Des chercheurs ont publié le 27 mai 2026 sur arXiv (identifiant 2605.27167) un algorithme de planification de mouvement baptisé TCBiRRT (Task-space Constrained Bidirectional Rapidly-exploring Random Tree), conçu pour les manipulateurs spatiaux bi-bras à chaîne cinématique fermée. Le problème visé est concret : lors de l'assemblage orbital de grandes structures spatiales, un bras double qui tient rigidement un objet forme une boucle fermée entre ses deux effecteurs, ce qui réduit drastiquement l'espace de configurations valides. TCBiRRT contourne cette difficulté en effectuant l'échantillonnage aléatoire directement dans l'espace tâche, défini par la pose de l'objet manipulé, plutôt que dans l'espace articulaire de haute dimension. Un algorithme de cinématique inverse sur chemin mappe ensuite chaque noeud tâche vers une trajectoire articulaire continue, intégré dans un cadre RRT bidirectionnel avec mécanisme de re-saisie. Les simulations portent sur plusieurs scénarios d'assemblage orbital à complexité environnementale variable. Les résultats annoncés sont significatifs sur le plan algorithmique : taux de succès nettement supérieurs et temps de planification améliorés de plusieurs ordres de grandeur par rapport aux planificateurs de référence. Pour un intégrateur travaillant sur des systèmes robotiques orbitaux, cela se traduit par des fenêtres d'action plus courtes et une meilleure fiabilité dans des environnements encombrés, pièces de structure, équipements déjà déployés. Il faut cependant souligner que tous les résultats reposent exclusivement sur simulation ; aucun test en microgravité réelle ni sur prototype physique n'est rapporté à ce stade. Le gap sim-to-real reste donc entier, question centrale pour toute qualification de vol. La planification de mouvement sous contraintes de chaîne fermée est un problème ancien en robotique, mais son application aux manipulateurs orbitaux bi-bras, type Canadarm2 ou les projets plus récents de bras d'assemblage pour les stations lunaires Gateway et les futures plateformes LEO commerciales, redevient stratégique. Côté concurrence algorithmique, les approches existantes (CBiRRT, planificateurs config-space classiques) peinent à passer à l'échelle dans des environnements complexes : c'est précisément ce verrou que TCBiRRT prétend lever. Aucun lien industriel ni partenariat agence spatiale n'est mentionné dans le préprint ; les prochaines étapes naturelles seraient une validation matérielle et une intégration dans des simulateurs de référence comme NASA's RSVP ou ESA's VREP.

UEAucun partenariat institutionnel européen confirmé, mais l'ESA VREP est cité comme cible d'intégration naturelle pour une validation future, ce qui représente un intérêt indirect pour les projets orbitaux européens (Gateway, stations LEO commerciales).

RecherchePaper
1 source