RecherchearXiv cs.RO 11 août 2026

Projection-rétraction MPPI : contrôle exact sur variété de contraintes pour manipulateurs

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs du RCI Lab publient sur arXiv (référence 2608.07573v1) une nouvelle méthode de commande pour bras manipulateurs baptisée Projection-Retraction MPPI (PR-MPPI). Le système a été validé sur des plateformes bimanuelles à 14 degrés de liberté (DOF) : en simulation, via un test de stress sur les limites articulaires et un test d'évitement d'obstacles randomisé, puis sur matériel réel avec un humanoïde Unitree H1-2 dont les deux bras évitent de façon réactive un obstacle mobile. Le code source et les vidéos d'expérience sont publiés sur rcilab.github.io/prmppi. Il s'agit d'une publication de recherche académique, sans annonce de produit commercial ni de déploiement industriel.

Le Model Predictive Path Integral (MPPI) est une technique de commande prédictive très utilisée en manipulation robotique car elle gère des coûts non convexes sans calcul de gradient, en échantillonnant en parallèle de nombreuses trajectoires candidates, une approche qui tire parti du calcul GPU massivement parallèle. Sa limite connue est que les contraintes strictes, comme une chaîne cinématique fermée que deux bras doivent maintenir exactement pour porter ensemble un objet rigide, ou les limites articulaires et distances de sécurité aux obstacles, ne sont traitées que comme des pénalités douces dans le coût, susceptibles d'être violées dès que le coût de tâche devient dominant. PR-MPPI corrige ce point en projetant, à chaque étape de simulation, la vitesse échantillonnée sur le sous-espace de la contrainte d'égalité puis sur le demi-espace de chaque contrainte d'inégalité, avant de ramener la commande finale sur la contrainte à une tolérance numérique près, indépendamment du poids attribué à la tâche. Pour la manipulation bimanuelle et les humanoïdes évoluant près d'humains ou d'obstacles mobiles, cette garantie de respect exact, et non plus seulement approximatif, des contraintes de sécurité répond à une faiblesse pratique connue des architectures de commande par échantillonnage.

Le MPPI est hérité des méthodes de commande prédictive par échantillonnage développées initialement pour les véhicules autonomes, avant d'être largement repris ces dernières années dans la commande corps-complet des bras manipulateurs et des humanoïdes, portée par les gains de calcul parallèle sur GPU. L'article positionne PR-MPPI comme une réponse directe à la principale faiblesse de cette famille de méthodes, la gestion uniquement molle des contraintes strictes, un problème qui concerne potentiellement des architectures de commande similaires chez d'autres constructeurs d'humanoïdes et de bras bimanuels, alors même que le H1-2 d'Unitree a servi ici de plateforme de test réel. Aucun partenariat industriel, pilote commercial ni calendrier de déploiement n'est mentionné : la publication reste, à ce stade, une validation académique en simulation et sur un seul robot en laboratoire, code et vidéos mis à disposition de la communauté recherche.

Dans nos dossiers

Unitree Manipulation robotique arXiv cs.RO

À lire aussi

1arXiv cs.RO

ADMM Stein projeté avec contact implicite pour découvrir des stratégies variées de manipulation riche en contacts

Un article déposé sur arXiv (référence 2609.28299, soumission anonyme, signe probable d'une évaluation en double-aveugle pour une conférence de robotique) propose une nouvelle méthode d'optimisation de trajectoire pour la manipulation robotique riche en contacts. Le problème visé: les solveurs dits "contact-implicit trajectory optimization" formulent la tâche comme un programme d'optimisation unique sous contraintes, qui converge systématiquement vers un seul optimum local alors qu'il existe souvent plusieurs modes de contact, prises ou directions de poussée tout aussi valides. La stratégie obtenue est donc rigide et très sensible aux conditions d'initialisation. Les auteurs combinent une variante de l'ADMM par consensus (Consensus Alternating Direction Method of Multipliers) avec l'inférence variationnelle de Stein pour produire, en une seule résolution, un ensemble de solutions distinctes plutôt qu'une réponse unique. Leur trouvaille technique: appliquer la force répulsive de Stein sur la variable "splittée" de l'ADMM plutôt que sur sa forme primale, ce qui permet de couvrir l'espace des stratégies de contact faisables sans bloquer prématurément la convergence. La méthode est testée sur des tâches de poussée, de saisie et de transfert d'objet entre deux robots, avec vidéos et code publiés sur un site dédié. Pour la recherche en manipulation robotique, ce travail s'attaque à une limite connue: l'incapacité des solveurs actuels à explorer plusieurs stratégies de contact en parallèle, ce qui fragilise les robots face aux perturbations ou aux variations d'initialisation en conditions réelles. Produire un ensemble diversifié de solutions plutôt qu'une trajectoire figée intéresse directement les intégrateurs cherchant à fiabiliser des tâches de pick-and-place ou de transfert d'objets en environnement non structuré. Les auteurs affirment que leur solveur, plus simple à formuler que les approches existantes, découvre des modes de contact que ces dernières manquent, ce qui, si confirmé indépendamment, nuancerait l'idée que la diversité de stratégies exige des architectures plus complexes. Le travail s'inscrit dans la lignée des méthodes traitant les contacts comme variables continues plutôt qu'événements discrets, en combinant deux briques existantes, l'ADMM et l'échantillonnage par particules de Stein issu du machine learning bayésien. Aucun déploiement matériel, partenariat industriel ni acteur français ou européen n'est mentionné: il s'agit d'un résultat en simulation, à ce stade en preprint. Une validation sur robot physique et une comparaison chiffrée avec les solveurs concurrents restent les suites logiques attendues.

RecherchePaper

1 source

2arXiv cs.RO

Contrôle par échantillonnage en temps réel sous contraintes strictes : l'approche MPPI avec contraintes de variété

Une équipe du RCI Lab publie MC-MPPI (Manifold-Constrained Model Predictive Path Integral), un framework de contrôle temps-réel déposé sur arXiv le 26 mai 2026 (arXiv:2605.24813). La méthode répond à une limitation structurelle du MPPI standard : l'impossibilité de garantir des contraintes d'égalité strictes (hard constraints) lors de tâches de manipulation en chaîne fermée. MC-MPPI sépare le problème en deux niveaux : une planification dans un espace latent de faible dimension, apprise par un VAE (Variational Autoencoder) qui encode la variété de contraintes, suivie d'une correction d'exécution par un contrôleur QP (Quadratic Programming) résolvant en un seul appel l'erreur résiduelle. Sur un système bi-bras à 14 degrés de liberté en chaîne fermée, le framework tourne à 100 Hz aussi bien en simulation qu'en conditions réelles, et surpasse significativement les méthodes de référence en précision de suivi de trajectoire. Le verrou adressé est structurel : les pénalités de coût douces du MPPI standard ne garantissent pas la faisabilité des trajectoires candidates, rendant la méthode inapplicable à la manipulation bimanuelle contrainte, aux systèmes à deux points de contact rigide, ou à toute chaîne cinématique fermée. MC-MPPI conserve le parallélisme massif qui rend MPPI attractif : le VAE génère des trajectoires quasi-faisables sans modification par échantillon, permettant une linéarisation précise des contraintes et réduisant la correction d'exécution à un QP résolu en un seul passage au lieu d'une projection itérative coûteuse. Pour un intégrateur ou un responsable technique industriel, cela ouvre MPPI à des tâches d'assemblage et de manipulation précise jusqu'ici réservées aux solveurs par optimisation itérative comme iLQR ou SQP. MPPI est une méthode de contrôle prédictif par échantillonnage stochastique, introduite par Williams et al. à Georgia Tech en 2016 et depuis adoptée en navigation robotique et pour les systèmes sous-actionnés. Les extensions contraintes existantes recourent à des projections itératives coûteuses ou à des reformulations variationnelles qui dégradent la fréquence de contrôle. MC-MPPI se distingue en apprenant la géométrie de contrainte hors-ligne via le VAE, limitant la charge en ligne au seul QP. Les approches concurrentes incluent les méthodes CBF-QP (Control Barrier Function), le MPC différentiable, et les planificateurs neuronaux pour la manipulation bimanuelle. L'équipe met à disposition vidéos et implémentation à rcilab.github.io/mcmppi ; des validations sur des configurations plus complexes ou des manipulateurs mobiles constitueraient des étapes naturelles.

RecherchePaper

1 source

3arXiv cs.RO

Utilisation de l'inpainting pour la détection de points clés pour le contrôle visuel de manipulateurs robotiques

Des chercheurs présentent, dans une version mise à jour d'un papier arXiv (2604.13309v2, avril 2026), un système d'asservissement visuel pilotant un bras manipulateur robotique via des caractéristiques visuelles naturelles, sans marqueur permanent. Pour entraîner leur détecteur de points clés, ils fixent des marqueurs ArUco sur le bras, utilisent leurs centres comme étiquettes, puis appliquent de l'inpainting pour effacer ces marqueurs et reconstruire les zones occultées, générant des images markerless étiquetées automatiquement, sans calibration caméra ni modèle CAO du robot. À l'exécution, un second modèle d'inpainting reconstruit les zones masquées pour une détection continue, et un filtre de Kalman sans parfum (UKF) stabilise les estimations dans le temps. Le contrôle vision-based fonctionne en visibilité totale comme en occultation partielle, et le pipeline est aussi testé sur des bras souples origami à deux et trois modules. Cette méthode s'attaque à une dépendance classique du contrôle robotique par vision : la calibration caméra précise, les modèles CAO exacts ou les marqueurs fiduciaires visibles en permanence, autant de contraintes fragiles dès qu'un bras s'auto-occulte ou qu'un objet manipulé masque une partie de sa structure. En générant automatiquement des données d'entraînement markerless à partir de données marquées, l'approche réduit le coût d'annotation pour des manipulateurs arbitraires. Son extension aux bras souples origami, où les modèles cinématiques classiques s'appliquent mal faute de structure rigide, élargit sa pertinence à la robotique souple et chirurgicale, un terrain où l'absence de modèle géométrique fiable freine encore l'automatisation. L'asservissement visuel repose traditionnellement sur deux options limitées : une calibration précise caméra-robot, ou des marqueurs fiduciaires comme ArUco, efficaces mais intrusifs et peu adaptés à une interaction naturelle. Les détecteurs de points clés basés sur l'apprentissage profond promettaient une alternative sans marqueur, mais butaient sur le coût d'annotation des données d'entraînement. Ce travail ferme la boucle en utilisant les marqueurs eux-mêmes, via inpainting, pour générer puis effacer leurs propres étiquettes. Aucune entreprise ni laboratoire n'est nommé dans le résumé : il s'agit d'une contribution de recherche méthodologique, dont la suite logique serait une validation plus large sur des manipulateurs industriels et d'autres plateformes de robotique souple.

RecherchePaper

1 source

4arXiv cs.RO

Approche de contrôle d'énergie minimale pour les manipulateurs mobiles redondants en interaction physique homme-robot

Un article publié sur arXiv (référence 2603.25259, version 2 de remplacement) présente une nouvelle approche de commande pour les manipulateurs mobiles redondants, des robots associant une base mobile à un bras robotique monté à son sommet. L'objectif est de minimiser l'énergie cinétique totale stockée dans l'ensemble du système corps complet lors de tâches d'interaction physique homme-robot (pHRI). La méthode a été testée expérimentalement sur une tâche d'insertion de cheville dans un trou (peg-in-hole), un exercice standard de manipulation fine. Les auteurs rapportent une réduction de l'énergie cinétique globale et une amélioration des performances par rapport à une méthode de référence utilisée comme benchmark, sans toutefois publier de chiffres précis : ni degrés de liberté (DOF) du système, ni modèle de robot, ni gain quantifié ne sont donnés dans le résumé. L'enjeu est central pour l'industrie robotique : ajouter des degrés de liberté via une base mobile complique la commande mais permet des tâches impossibles pour un bras fixe, comme manipuler un objet tout en suivant un opérateur en déplacement. Pour les intégrateurs qui déploient des cobots mobiles en usine ou en logistique, réduire l'énergie cinétique du système corps complet touche directement à la sécurité : moins d'énergie stockée réduit le risque en cas de contact imprévu avec un humain, un critère clé pour toute certification de cobotique mobile. Le travail illustre aussi une bascule de fond, du réglage isolé d'un bras manipulateur vers une optimisation conjointe base et bras, rendue nécessaire par la redondance cinématique croissante des plateformes mobiles. Ce papier s'inscrit dans la recherche académique sur la commande optimale et la redondance cinématique en robotique mobile, un champ actif depuis la diffusion des plateformes combinant AMR (robots mobiles autonomes) et bras collaboratifs. La comparaison avec une méthode de benchmark existante situe les auteurs par rapport à l'état de l'art en pHRI, sans toutefois citer d'acteur industriel ni de plateforme commerciale. Aucun partenariat, déploiement réel ou pilote industriel n'est mentionné : il s'agit à ce stade d'un résultat de recherche validé en laboratoire sur une seule tâche expérimentale, et non d'une technologie prête pour une intégration en environnement de production.

RecherchePaper

1 source