Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
PEEL : extraction parallèle pour la planification du désassemblage à long terme par échantillonnage invariant à l'échelle
RecherchearXiv cs.RO 

PEEL : extraction parallèle pour la planification du désassemblage à long terme par échantillonnage invariant à l'échelle

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

Des chercheurs présentent PEEL (Parallel Extraction for Long-Horizon Disassembly), un algorithme de planification pour le démontage robotique d'assemblages multi-pièces, publie en preprint sur arXiv en aout 2026 (arXiv:2608.08773). Il calcule des séquences de retrait sans collision, y compris via des corridors étroits, grâce a un planificateur MAB-RRT qui alterne entre stratégies d'échantillonnage selon un signal de récompense, couple a un échantillonnage scale-invariant ou l'échelle de l'objet, estimée en phase de rodage, guide ensuite un échantillonneur directionnel; plusieurs planificateurs tournent en parallèle pour produire un graphe ordonne du retrait des pièces. Resultat: 100% de réussite sur 76 assemblages testes en retrait pièce par pièce, et résolution de quatre problèmes complets, de 10 a 17 pièces, sur un bras manipulateur Fetch.

Le démontage automatise reste un verrou pour la robotique industrielle: contrairement a l'assemblage, il impose de planifier de longues séquences interdépendantes, chaque retrait pouvant bloquer l'accès aux pièces suivantes dans des marges de passage parfois très étroites, un enjeu concret pour le reconditionnement électronique, le recyclage de batteries et l'économie circulaire industrielle. En hybridant la planification RRT classique avec un arbitrage type bandit manchot entre stratégies d'échantillonnage, PEEL montre qu'un même planificateur peut traiter des assemblages a deux chiffres de pièces sans exploser combinatoirement, la ou des méthodes a stratégie unique échouent souvent sur des corridors étroits. Le taux de 100% annonce ne concerne toutefois que le sous-problème le plus simple, teste en laboratoire, et non les démontages longs, valides sur un seul robot.

PEEL s'inscrit dans la lignée des RRT, famille d'algorithmes de planification par échantillonnage utilises depuis plus de vingt ans en robotique, ici hybrides avec les bandits manchots empruntes a l'apprentissage par renforcement. Le champ de la planification de démontage reste domine par la recherche académique plutôt que par des produits commerciaux matures, a la différence de l'assemblage robotise déjà industrialise, et le preprint ne mentionne ni affiliation, ni partenaire industriel, ni calendrier de déploiement. Il s'agit d'une preuve de concept testée sur un seul bras Fetch, dont les suites logiques, extension a des assemblages plus grands ou a plusieurs bras coopérants, ne sont pas annoncées dans la publication.

Dans nos dossiers

arXiv cs.RO

À lire aussi

LASMP étendu : planificateur de mouvement par échantillonnage de sous-ensembles assisté par le langage pour la navigation de drones
1arXiv cs.RO 

LASMP étendu : planificateur de mouvement par échantillonnage de sous-ensembles assisté par le langage pour la navigation de drones

Des chercheurs proposent une extension du planificateur LASMP (Language-Aided Subset Sampling Motion Planner) aux quadricoptères évoluant en trois dimensions. Leur méthode intègre directement les commandes de navigation dans le processus d'exploration, via une distribution d'échantillonnage alignée sur la commande. Les instructions en langage naturel sont converties en contraintes géométriques sensibles à l'altitude et conditionnées par le lacet (yaw). Un grand modèle de langage, piloté par prompt, extrait les entités de la phrase et valide l'instruction. Les auteurs affirment obtenir des trajectoires sans collision et cohérentes, avec un effort d'échantillonnage nettement réduit par rapport aux planificateurs RRT à échantillonnage uniforme. Les résultats reposent sur des simulations dans des environnements complexes. Le résumé ne donne ni gain chiffré, ni temps de calcul, ni test sur un drone réel. L'intérêt tient à la manière de combiner un LLM et un planificateur classique. Le modèle de langage ne génère pas la trajectoire. Il restreint seulement la zone où le planificateur tire ses échantillons. La complétude probabiliste de l'algorithme est donc conservée, ce qui est un argument de sûreté pour les intégrateurs. Les approches de bout en bout de type VLA (vision-langage-action) n'offrent pas cette garantie. Cette architecture hybride répond à un besoin concret: piloter un drone par des consignes de haut niveau, comme "contourne le bâtiment par la gauche et monte à 10 mètres". Cela concerne l'inspection d'infrastructures, la logistique d'entrepôt et les opérations en environnement peu structuré. Il faut toutefois rester prudent. Tant que les gains ne sont pas chiffrés et que les essais restent en simulation, l'écart entre démonstration et déploiement reste entier. La validation par LLM reste sensible aux ambiguïtés du langage et à la latence d'inférence, deux points que le résumé n'aborde pas. Ce travail prolonge la version initiale de LASMP, conçue pour des robots au sol, en l'étendant à la 3D. Les planificateurs à échantillonnage de la famille RRT, qui servent ici de référence, sont connus pour leur coût en environnement dense. Beaucoup d'équipes cherchent à les guider par des heuristiques apprises ou des priors sémantiques. Le travail s'inscrit aussi dans la tendance qui consiste à utiliser les LLM comme interface de commande, en laissant la planification aux méthodes éprouvées. Il s'agit d'une prépublication arXiv (v1), non évaluée par des pairs. Les prochaines étapes logiques sont des essais en vol, des mesures de latence embarquée et des comparaisons avec d'autres planificateurs guidés. Aucun calendrier ni partenaire industriel n'est annoncé.

UEPas d\'impact direct sur la France/UE

RecherchePaper
1 source
Planification certifiée par échantillonnage à l'aide de graphes d'ensembles convexes
2arXiv cs.RO 

Planification certifiée par échantillonnage à l'aide de graphes d'ensembles convexes

Des chercheurs publient sur arXiv (référence 2608.29770v1) la première mesure chiffrée d'un écart resté largement ignoré dans la planification de trajectoire par graphes d'ensembles convexes (GCS), une famille de planificateurs réputés produire des trajectoires sans collision "par construction". Le problème: le générateur de régions convexes sous-jacent ne garantit cette absence de collision que de façon probabiliste, et aucun planificateur GCS existant ne vérifie réellement cette propriété avant de livrer sa réponse. Sur une bibliothèque bimanuelle à 14 degrés de liberté (DOF) mise à l'échelle, les auteurs mesurent que 3,2 % des échantillons d'interface entre régions sont en réalité en collision. Le planificateur de référence testé, GCS* (approche par recherche), transforme cette erreur de volume en 62 % d'erreur de réponse: 18 des 29 requêtes de pick-and-place évaluées retournent des trajectoires faisant pénétrer les bras jusqu'à 91 mm dans les étagères, tout en étant rapportées comme des succès. Ce résultat met en défaut une hypothèse de confort répandue dans la planification de mouvement robotique, celle voulant que les garanties théoriques "correct par construction" des GCS se traduisent automatiquement en fiabilité opérationnelle. Pour des intégrateurs déployant des bras robotiques en environnement encombré (entrepôt, cellule industrielle, picking bimanuel), cela signale un risque concret de collisions silencieuses, d'autant plus critique que l'espace de configuration est dense avec deux bras. Les correctifs évidents échouent: durcir dix fois le contrat d'acceptation des régions, générer des régions certifiées par sommes de carrés, ou imposer des marges uniformes, détruisent tous la connectivité nécessaire à la planification avant même d'obtenir une garantie de solidité, révélant une tension structurelle entre sécurité et faisabilité dans cette famille d'algorithmes. Face à ce constat, les auteurs proposent un planificateur qui certifie chaque réponse plutôt que de faire confiance à la génération de régions en amont: il échantillonne les recouvrements et faces partagées de la décomposition convexe, élague la recherche via une borne informée admissible, vérifie en continu le candidat proposé à chaque tour par une chaîne de certificats de dégagement sans paramètre de résolution arbitraire, répare les échecs par des détours locaux internes aux régions, puis revérifie le polissage convexe final. Sur les mêmes 29 requêtes, ce planificateur ne produit aucune réponse invalide, contre 21 pour la référence, atteint sa première réponse certifiée en 0,11 seconde contre 1,59 seconde pour la version non vérifiée, et reproduit exactement l'optimum de référence chaque fois que celui-ci est physiquement valide. L'article, un pré-print de recherche sans affiliation industrielle précisée, ne mentionne ni calendrier de déploiement ni partenaire commercial.

RecherchePaper
1 source
Feuille d'usinage coordonnée pour l'optimisation du temps total de désassemblage d'ensembles à grande échelle
3arXiv cs.RO 

Feuille d'usinage coordonnée pour l'optimisation du temps total de désassemblage d'ensembles à grande échelle

Une équipe de chercheurs publie CoMuDi (coordinated multi-robot disassembly), une méthode de planification tâche-mouvement pour coordonner une flotte de robots chargés de désassembler de grands ensembles mécaniques dans des espaces de travail confinés. Le système prend en entrée une équipe de robots, un assemblage d'objets et un graphe de dépendances entre pièces, puis construit des tâches composites de prise, de dépose et de sortie pour chaque robot. En propageant des contraintes temporelles entre ces tâches, CoMuDi permet à chaque robot de démarrer et terminer son mouvement le plus tôt possible tout en évitant les collisions avec les robots voisins évoluant dans le même espace. La méthode intègre le planificateur ST-RRT (space-time RRT), qui minimise le temps d'arrivée de chaque tâche individuelle et, par effet cumulé, le makespan global de l'opération. Les auteurs comparent CoMuDi couplé à ST-RRT face à une version utilisant RRT classique, sous différentes bornes de temps de calcul, puis valident l'approche sur six assemblages allant jusqu'à 49 pièces et nécessitant jusqu'à 9 robots simultanés. Pour l'industrie du désassemblage automatisé, recyclage, reconditionnement, retraitement de produits en fin de vie, la coordination de plusieurs robots dans un espace exigu reste un verrou technique majeur : au delà de deux ou trois bras, les risques de collision et les temps d'attente explosent, ce qui limite en pratique l'échelle des déploiements. En démontrant des temps d'inactivité robot réduits sur des scénarios à 9 robots et 49 pièces, CoMuDi apporte une preuve de passage à l'échelle rare dans ce domaine, où la plupart des démonstrations publiées se limitent à deux ou trois bras sur des assemblages simples. L'usage combiné de ST-RRT pour raisonner conjointement sur l'espace et le temps, plutôt que de traiter planification de trajectoire et ordonnancement séparément, est présenté comme le facteur clé du gain en taux de réussite et en makespan. Le travail s'inscrit dans le champ plus large de la planification tâche-mouvement multi-robot (TAMP), où les approches par échantillonnage comme RRT servent de référence historique. Publié en preprint sur arXiv (2608.05830v1), l'article ne mentionne pas encore de validation sur robots physiques ni de partenariat industriel identifié ; la suite logique évoquée par les auteurs serait une évaluation en conditions réelles, hors simulation, pour confirmer la tenue des gains observés face aux incertitudes de perception et d'exécution propres au désassemblage physique.

RecherchePaper
1 source
Planification cinodynamique par échantillonnage avec des modèles du monde
4arXiv cs.RO 

Planification cinodynamique par échantillonnage avec des modèles du monde

Des chercheurs proposent d'abandonner les optimiseurs habituels (CEM, MPPI) au profit d'une planification de mouvement par échantillonnage cinématique et dynamique appliquée aux modèles du monde visuels. Leur méthode utilise le modèle appris comme propagateur d'un arbre de recherche dans l'espace latent. Deux stratégies d'exploration y sont déclinées : un RRT guidé par plus proches voisins et un KPIECE fondé sur des projections. L'expansion de l'arbre est calculée par lots, nativement sur GPU, pour bien exploiter le matériel. L'évaluation s'appuie sur un DINO-WM standard, sans réentraînement spécifique, testé sur quatre domaines simulés et sur une tâche réelle de poussée de bloc avec un robot. En simulation, les deux approches égalent ou dépassent le taux de succès de CEM et MPPI, avec un temps de planification jusqu'à 13,8 fois inférieur. Sur le robot réel, le taux de succès gagne 20 %. Le papier ne détaille pas, dans son résumé, l'ampleur absolue des taux de succès ni la taille des échantillons de test. L'enjeu dépasse l'optimisation de vitesse. Les modèles du monde visuels prédisent les conséquences d'actions à partir d'images, mais les optimiseurs qui les pilotent sont myopes : ils échouent dès que la progression exige un mouvement que la fonction objectif ne récompense pas, comme contourner un bloc avant de le pousser. Les auteurs montrent que les stratégies d'échantillonnage conçues pour la recherche en haute dimension dans l'espace de configuration se transposent directement à l'espace latent. L'arbre traverse ainsi des états intermédiaires que CEM et MPPI ne tirent jamais. Pour les intégrateurs et les équipes qui visent des tâches de manipulation à horizon long, le message est que le goulot d'étranglement tient autant à l'algorithme de planification qu'à la qualité du modèle du monde. Il faut toutefois rester prudent : quatre environnements simulés et une seule tâche réelle, très proche de la simulation, ne disent rien de la robustesse sur des scènes industrielles encombrées, déformables ou à contacts riches. Le gain de 20 % sur robot réel reste modeste et son intervalle de confiance n'est pas indiqué. Ce travail s'inscrit dans la montée des modèles du monde latents, dont DINO-WM, qui s'appuie sur des représentations visuelles DINO pré-entraînées pour prédire l'évolution des scènes sans reconstruction de pixels. La planification par échantillonnage de trajectoires (CEM, MPPI) est devenue la norme dans ce cadre, au prix des limites décrites plus haut. Les auteurs ramènent à ce domaine un héritage de la robotique classique : RRT et KPIECE, utilisés de longue date dans les planificateurs de mouvement de type OMPL. Il s'agit d'une publication académique (arXiv, version 1, octobre 2026), sans produit ni déploiement annoncé. Les suites naturelles sont des tests sur des tâches plus longues et plus variées, sur d'autres modèles du monde, et une comparaison avec les approches de politiques VLA apprises de bout en bout, qui évitent la planification explicite.

UEPas d\'impact direct sur la France/UE

RecherchePaper
1 source