Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
Prédiction conforme par particules pour la calibration d'incertitude tenant compte du contact dans des espaces de configuration stratifiés
RecherchearXiv cs.RO 

Prédiction conforme par particules pour la calibration d'incertitude tenant compte du contact dans des espaces de configuration stratifiés

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

Des chercheurs ont publié le 11 août 2026 sur arXiv (référence 2608.09166) un nouvel algorithme baptisé CaPTURe (Calibrated Particle-sets for Trans-dimensional Uncertainty Representation), destiné à quantifier de façon fiable l'incertitude de mouvement d'un robot lors de contacts avec son environnement, par exemple en navigation dans un espace encombré ou en insertion de pièce dans un assemblage. Basée sur la prédiction conforme et des modèles à base de particules, la méthode construit des régions de prédiction garanties statistiquement, à une probabilité fixée par l'utilisateur, quelle que soit la fidélité du modèle de mouvement employé. Testée en simulation sur deux tâches, le pilotage d'une bille dans un labyrinthe et une insertion peg-in-hole à tolérance serrée avec un bras manipulateur, elle respecte la couverture de probabilité demandée aussi bien avec que sans contact, et améliore le taux de réussite de la tâche jusqu'à 30 points de pourcentage par rapport à la meilleure méthode de référence.

Le résultat cible un problème concret pour l'industrie robotique : les modèles de mouvement, analytiques ou appris, sont souvent imprécis faute de données suffisantes ou à cause d'hypothèses simplificatrices, et un contact avec un obstacle peut rendre la distribution des configurations futures multimodale, discontinue, ou confinée à une variété de dimension inférieure à l'espace de configuration complet, ce qui invalide les approches classiques de planification sous incertitude. Pour les intégrateurs travaillant sur l'assemblage à tolérance serrée, le picking en environnement encombré ou la navigation en usine, disposer de garanties de couverture calibrées séparément pour les phases avec et sans contact permet de réduire les échecs de tâche et les arrêts de sécurité inutiles, sans sacrifier l'efficacité du mouvement.

CaPTURe s'inscrit dans le champ de la prédiction conforme, une famille de méthodes statistiques de plus en plus utilisée en robotique pour garantir une couverture de probabilité sans hypothèse forte sur la distribution sous-jacente. Contrairement aux approches conformes classiques, pensées pour un espace de configuration fixe et continu, elle cible des espaces stratifiés dont la dimensionnalité effective change selon la présence ou non de contact, un cas de figure courant en manipulation robotique et en navigation de robots mobiles. L'article ne mentionne ni déploiement industriel ni partenariat commercial : il s'agit à ce stade d'une contribution de recherche académique, évaluée uniquement en simulation sur deux bancs d'essai contrôlés, sans calendrier annoncé de transfert vers du matériel réel.

Dans nos dossiers

Manipulation robotiquearXiv cs.RO

À lire aussi

Recherche de drones en essaim tenant compte de l'incertitude de localisation pour la surveillance maritime sans GNSS
1arXiv cs.RO 

Recherche de drones en essaim tenant compte de l'incertitude de localisation pour la surveillance maritime sans GNSS

Des chercheurs proposent un cadre de commande distribuée pour essaims de mini-drones (sUAV) chargés de la recherche maritime sans signal GNSS, publié sur arXiv (2610.34873). Dans ce scénario, les drones n'ont pas de positionnement satellitaire et se localisent de façon coopérative par mesures de distance entre eux. L'incertitude de position se propage donc le long de la chaîne de référence multi-sauts, ce qui dégrade la connectivité, l'évitement de collisions et l'efficacité de la recherche. Les auteurs approximent cette covariance de localisation en cascade à l'aide de matrices d'information de Fisher. Ils y ajoutent des fonctions barrières de contrôle (CBF) dont les marges sont resserrées en fonction de l'incertitude et de son taux de variation, avec des bornes d'invariance conditionnelle et de dégradation progressive. Une stratégie hiérarchique Voronoï-cibles, avec maintien de formation, assure une couverture anticipée de la zone. Le contrôleur est validé avec un filtre de Kalman étendu non biaisé standard intégré à la boucle. Les résultats portent sur plusieurs formes de polygones et des essaims de 6 à 30 drones. Un essai avec estimateur dans la boucle termine la recherche en 302,5 s. Vingt déploiements Monte Carlo confirment une complétion répétable, avec tous les programmes quadratiques locaux réalisables et un confinement dans au moins 98,97 % des couples drone-image. Six essais sur le scénario MBZIRC fournissent des preuves supplémentaires avec estimateur dans la boucle. Le code source est public. Il s'agit d'un travail de simulation: aucun vol réel ni déploiement en mer n'est annoncé. L'intérêt tient à un verrou concret de la surveillance maritime: le brouillage ou l'indisponibilité du GNSS est un risque opérationnel connu, et les essaims coopératifs se heurtent à l'accumulation d'erreurs quand chaque drone se repère par rapport à ses voisins. Intégrer cette incertitude directement dans les garanties de sécurité, plutôt que de la traiter après coup, est une approche utile pour les intégrateurs de systèmes de recherche et sauvetage ou de patrouille. Le taux de confinement proche de 99 % reste toutefois inférieur à une garantie stricte, et les 302,5 s correspondent à un seul scénario sans point de comparaison publié dans le résumé. L'écart entre simulation et mer réelle (vent, houle, pertes de liaison, bruit de mesure non gaussien) reste donc à combler. Ces travaux s'inscrivent dans la lignée de la navigation coopérative sans GNSS et des méthodes de couverture de type Voronoï, que les CBF permettent désormais de sécuriser. La référence au MBZIRC, compétition robotique organisée aux Émirats arabes unis, indique un ancrage dans des scénarios de défi maritime proches du terrain. Les prochaines étapes logiques sont des essais en vol avec de vrais capteurs de distance, une comparaison avec d'autres architectures d'essaim, et une montée en échelle au-delà de 30 appareils. La publication du code facilite la reproduction et la comparaison par d'autres équipes.

UEPas d\'impact direct sur la France/UE

RecherchePaper
1 source
Navigation dans la foule : commande prédictive non linéaire avec dynamique des forces sociales pour la navigation robotique tenant compte des humains
2arXiv cs.RO 

Navigation dans la foule : commande prédictive non linéaire avec dynamique des forces sociales pour la navigation robotique tenant compte des humains

Une équipe de chercheurs publie sur arXiv (arXiv:2607.10374v1, dépôt du 14 juillet 2026) un nouveau cadre de contrôle baptisé SFM-NMPC, pour Social Force Model based Non-linear Model Predictive Control. L'idée consiste à intégrer directement le Social Force Model, un modèle physique classique de la dynamique des foules, dans la boucle d'optimisation d'un contrôleur prédictif non linéaire (NMPC) pilotant la navigation d'un robot mobile. Concrètement, le contrôleur prédit simultanément les trajectoires futures des humains environnants et celle du robot sur tout l'horizon de prédiction, et s'appuie sur un ensemble de fonctions de coût sociales dédiées pour orienter la planification vers des comportements jugés conformes aux normes sociales, au-delà du simple évitement de collision. Malgré la complexité accrue du modèle, les auteurs annoncent un fonctionnement temps réel à 20 Hz, validé par des tests simulés extensifs en environnements encombrés, ainsi qu'une étude d'ablation isolant la contribution de la dynamique SFM et des termes de coût social. Pour l'industrie de la robotique mobile et les intégrateurs de robots destinés à des environnements partagés avec des humains, entrepôts, hôpitaux, espaces commerciaux, ce travail s'attaque à un point de friction connu: les méthodes classiques d'évitement d'obstacles traitent les piétons comme des obstacles dynamiques sans anticiper leur comportement, ce qui produit une navigation perçue comme intrusive ou erratique. En démontrant qu'un modèle de prédiction humaine sophistiqué peut être embarqué dans la boucle de contrôle sans casser la contrainte temps réel, l'étude apporte un argument concret contre l'hypothèse selon laquelle précision sociale et efficacité computationnelle seraient nécessairement antagonistes en MPC. Reste que les résultats, à ce stade, ne reposent que sur de la simulation: la validation sur robot physique en environnement humain réel, avec ses incertitudes de perception et de suivi de trajectoire, constitue l'étape suivante indispensable avant toute conclusion sur l'applicabilité terrain. Le Model Predictive Control s'est imposé ces dernières années comme alternative robuste aux approches classiques de planification et aux méthodes purement data-driven pour la navigation robotique, mais sa performance dépend étroitement de la qualité des modèles de prédiction humaine qu'il embarque. Le Social Force Model, formalisé dans les années 1990 pour modéliser les dynamiques de foule, offre une base physique interprétable que plusieurs travaux récents cherchent à coupler à des contrôleurs optimaux. SFM-NMPC s'inscrit dans cette lignée et se compare à des méthodes de référence de l'état de l'art sur des métriques de conformité sociale, sans toutefois se positionner face à des acteurs industriels ou des systèmes commerciaux déployés, le travail restant à ce stade de nature académique et exploratoire.

RecherchePaper
1 source
Exploration des espaces de préhension robotique tenant compte de la connectivité
3arXiv cs.RO 

Exploration des espaces de préhension robotique tenant compte de la connectivité

Des chercheurs publient sur arXiv (arXiv:2609.22983v1, prépublication non encore évaluée par les pairs) une étude sur la structure spatiale des prises robotiques réussies dans l'espace SE(3), c'est-à-dire l'ensemble à six degrés de liberté des positions et orientations possibles d'un préhenseur. Plutôt que de traiter chaque pose de saisie comme un problème binaire isolé (valide ou non), les auteurs s'intéressent à la façon dont les prises réussies s'organisent entre elles au sein de cet espace. En exploitant un jeu de données de saisie à grande échelle, ils montrent que les ensembles de prises valides forment, pour un objet donné, une structure de connectivité hétérogène mais reproductible d'un objet à l'autre. Ils introduisent ensuite une stratégie d'échantillonnage dite « connectivity-aware », qui explore de façon incrémentale l'espace de prise observé en priorisant quatre types de candidats : les ponts potentiels entre composantes déconnectées, les frontières structurelles, les extensions de bordure et la nouveauté géométrique. Dans des expériences de reconstruction contrôlées, cette méthode retrouve la topologie des ensembles de prises réussies nettement plus vite que les deux références standard du domaine, l'échantillonnage aléatoire et le farthest-point sampling. Pour l'industrie de la manipulation robotique, bin-picking, pick-and-place industriel, l'enjeu est la réduction du nombre d'essais physiques ou simulés nécessaires pour cartographier les prises viables d'un nouvel objet, un poste de coût récurrent pour les intégrateurs. Les auteurs testent aussi si la structure de connectivité apprise sous viabilité partiellement masquée accélère la découverte de nouvelles prises, et si l'expérience structurelle acquise sur des objets déjà explorés se transfère à des objets inédits, une piste pertinente pour généraliser sans réentraîner à chaque nouvelle référence produit. Il s'agit toutefois de résultats de recherche en environnement contrôlé, pas d'un système déployé en usine. Ce travail s'inscrit dans la lignée des détecteurs de prise par apprentissage et des planificateurs par échantillonnage, qui évaluent traditionnellement des poses candidates indépendamment les unes des autres sans modéliser leur organisation géométrique collective. En pointant une structure exploitable au-delà de la viabilité individuelle de chaque pose, l'étude ouvre la voie à des méthodes d'exploration sensibles à la géométrie de l'espace d'action, avec des travaux futurs attendus sur le passage à des objets réels et des scènes de manipulation plus complexes.

RecherchePaper
1 source
Mise en forme de la distribution tenant compte des spécifications pour les modèles fondation en robotique
4arXiv cs.RO 

Mise en forme de la distribution tenant compte des spécifications pour les modèles fondation en robotique

Des chercheurs proposent un cadre d'optimisation de la distribution d'actions qui impose des contraintes de logique temporelle de signaux (STL, Signal Temporal Logic) à un modèle de fondation robotique pré-entraîné, sans en modifier les paramètres. L'approche s'applique au moment de l'exécution. À chaque pas de décision, elle calcule la distribution d'actions la plus proche possible de celle produite par le modèle, tout en respectant une contrainte de faisabilité STL stricte. Pour cela, elle raisonne sur l'horizon restant par propagation de la dynamique vers l'avant. Les spécifications couvrent des exigences spatio-temporelles riches : visites d'objectifs dans un délai borné, objectifs séquentiels, conditions de sécurité permanentes. La validation reste purement en simulation, avec des modèles de fondation robotiques de pointe, plusieurs environnements et des spécifications complexes. Le résumé publié (version 2 du preprint arXiv 2603.17969) ne donne aucun chiffre sur les taux de succès, les temps de calcul ni la part des actions modifiées. Il ne précise pas non plus quels modèles ont été testés. Ce travail vise un point faible connu des modèles VLA (vision-langage-action) et des politiques généralistes : ils exécutent bien des instructions en langage naturel sur des tâches variées, mais restent pilotés par les données et n'offrent aucune garantie formelle de respect des contraintes au déploiement. Pour un intégrateur ou un responsable sûreté, c'est souvent ce qui bloque la mise en production en environnement industriel, où une règle comme « ne jamais entrer dans cette zone » ou « visiter A puis B en moins de 30 secondes » doit être tenue à chaque cycle, et pas seulement en moyenne. Agir sur la distribution d'actions, sans réentraîner ni ajuster le modèle, rend la méthode en principe compatible avec des politiques existantes. Les limites sont à garder en tête : la garantie dépend de la fidélité du modèle de dynamique utilisé pour la propagation, l'écart entre simulation et réel n'est pas traité dans le résumé, et le coût de calcul en temps réel sur un robot physique reste inconnu. Cette recherche s'inscrit dans un courant qui cherche à greffer des garanties de type vérification formelle sur des politiques apprises. Ce courant va des filtres de sécurité et des fonctions barrières de contrôle jusqu'à la synthèse sous contraintes STL, jusque-là surtout appliquée à des contrôleurs classiques ou à des politiques de petite taille. Les modèles généralistes de type Pi-0 ou GR00T, tout comme les approches de Figure ou de Tesla, misent sur l'échelle des données et ne proposent pas de garanties comparables. La suite logique serait une validation sur matériel, des mesures de latence et une comparaison avec les couches de sûreté certifiées utilisées aujourd'hui en robotique industrielle. Aucun pilote ni calendrier n'est annoncé.

UEPas d\'impact direct sur la France/UE

RecherchePaper
1 source