RecherchearXiv cs.RO 11 août 2026

CoCoNav : un contrôle conforme pour une navigation robotique sûre en milieu de foule

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Un article déposé sur arXiv en août 2026 (arXiv:2608.07751) présente CoCoNav, un framework de navigation pour robots évoluant en foule, conçu pour anticiper les mouvements imprévisibles des piétons. Le système combine une calibration conforme en ligne et une planification certifiée en temps réel. Son composant central, un contrôleur conforme proportionnel-intégral spécifique à l'horizon temporel, ajuste dynamiquement les marges d'erreur de trajectoire pour maintenir un taux de couverture empirique stable face à des erreurs de prédiction qui évoluent au fil du temps. Un second module, baptisé "relax-then-verify" (détendre puis vérifier), génère d'abord des trajectoires nominales via un contrôle prédictif par modèle (MPC) à contraintes souples, avant de certifier séparément ces trajectoires, ainsi que des manœuvres de secours, par rapport aux bornes calibrées, juste avant leur exécution. Les auteurs ont validé l'approche à la fois en simulation et lors d'expériences avec un robot quadrupède, mesurant l'évitement de collision, le taux de réussite de tâche et l'efficacité de navigation par rapport à plusieurs méthodes de référence.

Ce travail s'attaque à un point de friction connu dans le déploiement de robots mobiles en environnement humain: les méthodes réactives classiques produisent des comportements oscillants dès que la densité de piétons augmente, tandis que les planificateurs prédictifs supposent souvent des trajectoires piétonnes exactes ou s'appuient sur des modèles d'erreur trop rigides pour rester fiables en conditions réelles. Imposer des marges d'incertitude conservatrices comme contraintes strictes rend par ailleurs le MPC souvent infaisable en pratique, un problème qui limite l'usage de ces techniques dans des AMR (robots mobiles autonomes) commerciaux, des robots de livraison ou des plateformes de service. En séparant génération de trajectoire et certification, et en calibrant les marges d'erreur en continu plutôt qu'a priori, CoCoNav propose une piste concrète pour rendre les garanties de sécurité compatibles avec la réactivité nécessaire en environnement dense, un compromis que peu d'approches publiées atteignent simultanément selon les auteurs.

La navigation sociale en robotique reste un domaine actif de recherche depuis plusieurs années, tiraillé entre approches purement réactives, rapides mais instables, et planificateurs prédictifs, plus robustes mais coûteux en calcul ou trop optimistes sur la qualité des prévisions de mouvement humain. La prédiction conforme, technique statistique permettant de quantifier l'incertitude d'un modèle sans hypothèse forte sur sa distribution d'erreur, gagne du terrain dans la robotique de perception et de planification comme alternative aux bornes d'erreur fixes. CoCoNav s'inscrit dans cette tendance en l'appliquant spécifiquement à l'horizon de prédiction du MPC. À ce stade, les résultats se limitent à des simulations et à des essais sur un robot quadrupède en conditions contrôlées, sans déploiement en foule réelle ni partenariat industriel annoncé; les auteurs ne précisent pas de calendrier pour un transfert vers des plateformes commerciales de type AMR ou robots de service.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

Intégration du flow matching et de la commande prédictive pour une navigation robotique sûre

Des chercheurs proposent, dans une prépublication arXiv (v1, octobre 2026), un cadre qui associe un planificateur de trajectoires par flow matching à un contrôle prédictif de suivi de chemin (MPC, pour model prédictive control). Le modèle génératif, entraîné sur des démonstrations, apprend la distribution multimodale des chemins possibles. Le contrôleur prédictif adapte ensuite le mouvement en ligne pour respecter les contraintes d'état et d'entrée, et pour éviter les obstacles à partir des données locales des capteurs. Un mécanisme de replanification déclenché par événement réinjecte les solutions du contrôleur dans la génération de chemins suivante, afin de favoriser une navigation sans collision face à des obstacles absents des données d'entraînement. L'évaluation se limite à des simulations de navigation de robot mobile en environnements encombrés. Les auteurs annoncent des performances robustes, mais le résumé ne donne ni taux de succès, ni temps de calcul, ni comparaison chiffrée avec d'autres méthodes. L'intérêt du travail tient à un angle mort bien connu des planificateurs appris par diffusion ou flow matching. Ils produisent des trajectoires variées et réalistes, mais n'offrent aucune garantie de respect des contraintes ni d'évitement de collision au moment du déploiement. C'est un frein concret pour les intégrateurs et les responsables industriels qui doivent certifier le comportement de robots mobiles (AMR) en entrepôt ou en usine. Séparer la génération de chemins, confiée au modèle appris, de l'exécution sous contraintes, confiée à un contrôleur à base de modèle, ramène la sécurité dans une couche vérifiable. Cette architecture hybride est plus crédible pour l'industrie qu'une politique de bout en bout. Elle ne démontre rien sur le transfert simulation-réel, ni sur la tenue du flow matching dans des scènes dynamiques, ni sur la charge de calcul d'un MPC couplé à une replanification fréquente. Le résultat reste donc une preuve de concept académique, sans robot physique ni déploiement. Le contexte est celui de la montée des politiques génératives en robotique. Les modèles de diffusion, puis le flow matching, sont devenus des briques standard dans les politiques d'imitation et dans les modèles vision-langage-action (VLA), comme Pi-0, qui repose sur le flow matching. Leur faiblesse sur les contraintes dures a conduit à de nombreux travaux de guidage ou de filtres de sécurité, auxquels le MPC offre une alternative éprouvée. Les prochaines étapes naturelles seraient des essais sur plateforme réelle, des comparaisons avec les méthodes de guidage par diffusion et des tests avec obstacles dynamiques. Aucun calendrier de ce type n'est annoncé.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

2arXiv cs.RO

AC-SMPC : MPC différentiable acteur-critique avec contraintes d'état pour une navigation robotique sûre et rapide

Des chercheurs proposent AC-SMPC, un cadre de navigation pour robots mobiles qui associe apprentissage par renforcement de type acteur-critique et commande prédictive par modèle (MPC) différentiable, avec prise en compte explicite des contraintes d'état. Le travail, publié en préprint sur arXiv (v1), vise la navigation sûre dans des environnements confinés et dynamiques, par exemple plusieurs robots évoluant dans des passages étroits. Les obstacles et le robot sont représentés par des sommets, l'espace de travail par des demi-espaces. La dynamique non linéaire du robot est linéarisée localement, et les contraintes d'évitement de collision, fondées sur des hyperplans séparateurs, sont convexifiées puis intégrées directement dans la couche MPC différentiable. L'acteur ajuste en boucle fermée les paramètres de l'objectif du MPC, qui façonnent le comportement local, tandis que le critique évalue la performance à long terme. Pour les cas où les approximations locales des contraintes ne peuvent pas être satisfaites simultanément, celles-ci sont assouplies par des variables d'écart bornées et pénalisées, ce qui donne un programme quadratique « élastique ». Le résumé ne publie aucun chiffre : ni taux de collision, ni gain de temps de trajet, ni fréquence de calcul. Les tests, menés en simulation puis en expérimentation, portent sur l'évitement dynamique pour plusieurs robots dans des configurations étroites. L'enjeu est technique mais concret pour les intégrateurs de robots mobiles (AMR) et de flottes en entrepôt ou en usine. Les architectures acteur-critique avec MPC différentiable existantes ne savent pas intégrer facilement des contraintes d'état explicites, ce qui oblige à traiter l'évitement de collision par des pénalités dans la fonction de coût, sans garantie dure. AC-SMPC place ces contraintes au cœur de la couche d'optimisation apprise, ce qui rapproche l'apprentissage de ce que les décideurs exigent : une politique adaptative qui ne sacrifie pas la sécurité au profit de l'efficacité. L'approche tend à montrer que l'on peut conserver l'interprétabilité et la structure d'un contrôleur d'optimisation tout en profitant de l'adaptation par apprentissage. Il faut cependant rester prudent : les contraintes sont des approximations locales, relaxées par des variables d'écart, donc la sécurité reste empirique plutôt que formellement garantie, et l'article ne chiffre ni les gains ni la comparaison avec des références nommées. Ce travail s'inscrit dans une lignée qui combine MPC et apprentissage, avec des couches d'optimisation différentiables, pour dépasser les limites des planificateurs purement appris, souvent opaques, et des MPC à paramètres fixes, difficiles à régler en milieu dynamique. Il s'adresse à un segment distinct de la course humanoïde et des modèles VLA : la navigation multi-robots en espace restreint. Les concurrents sont les approches d'apprentissage par renforcement de bout en bout, les MPC classiques et les variantes à fonctions de barrière de contrôle. La suite logique serait une validation sur des plateformes réelles plus nombreuses, avec des métriques publiées, une évaluation du temps de calcul embarqué, puis des essais en conditions industrielles. À ce stade, il s'agit d'un résultat de recherche non évalué par les pairs, sans produit ni déploiement annoncé.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

3arXiv 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

4arXiv cs.RO

Micro-politiques neuronales pour un contrôle robotique sûr en temps réel

Des chercheurs publient sur arXiv (2610.08541v1) une méthode de synthèse de « Micro Neural Policies » (MNP), des politiques de contrôle neuronales minuscules, conçues pour piloter des robots en temps réel sur des microcontrôleurs aux ressources très limitées. La recherche d'une politique combine une stratégie d'évolution (Evolution Strategy, ES) et une vérification par model checking statistique (SMC). Selon les auteurs, cette combinaison réduit fortement la taille du réseau sans dégrader la sécurité ni la robustesse. L'entraînement et l'évaluation ont été menés à grande échelle sur deux tâches, le pendule inversé sur chariot (Cartpole) et le contrôle d'un quadrirotor. Les fréquences de contrôle et les architectures de réseau variaient. Après validation en simulation, les politiques ont été transférées en « zero-shot » sur des systèmes physiques, c'est-à-dire sans réentraînement ni ajustement. Leur empreinte mémoire va de 0,5 à 7,5 ko. Sur microcontrôleur, la latence d'inférence est déterministe, avec moins de 25 ns de gigue, et la puce reste inactive plus de 97 % du temps. Cela laisse de la marge pour d'autres charges de travail. L'intérêt tient à ce que ce travail va à contre-courant de la tendance dominante. Les modèles VLA (vision-langage-action) et les politiques de fondation grossissent et exigent des GPU embarqués. Ici, la contrainte s'inverse : un contrôleur de quelques kilo-octets, avec une exécution prévisible et une vérification formelle de la sécurité. Pour un intégrateur, c'est la couche basse qui compte, celle des boucles rapides de stabilisation, de la commande de moteurs et des drones légers. Le temps réel dur et la certifiabilité y pèsent davantage que la capacité de généralisation. Le résultat de sim-to-real sans perte de performance est encourageant. Il faut cependant le relativiser : Cartpole et un quadrirotor sont des bancs d'essai classiques, de faible dimension, loin de la manipulation dextre ou de la locomotion d'un humanoïde. Le résumé ne donne ni les marges de sécurité mesurées ni les comparaisons chiffrées avec d'autres méthodes. Ces points restent donc à vérifier dans l'article complet. Ces travaux s'inscrivent dans un courant plus large qui cherche à réduire les politiques neuronales (distillation, quantification, TinyML) et à les doter de garanties formelles. Ils répondent à un frein bien connu, la difficulté de certifier un réseau opaque dans un système critique. Ils se démarquent aussi des approches par apprentissage par renforcement profond, plus gourmandes en calcul et plus difficiles à vérifier. Le résumé ne cite ni partenaire industriel ni calendrier de déploiement. Il s'agit donc d'une publication de recherche, pas d'un produit. La suite logique serait de tester l'approche sur des systèmes plus complexes, avec davantage de degrés de liberté, et de l'intégrer dans des chaînes de contrôle hiérarchiques. Un modèle de haut niveau y fixerait les objectifs, et une micro-politique vérifiée assurerait la stabilité en temps réel.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source