RecherchearXiv cs.RO 12 août 2026

Contrôle prédictif non linéaire par programmation convexe séquentielle pour l'amarrage drone-à-drone

1 source couvre ce sujet·Source originale ↗·

Compilé et résumé par IA · sources vérifiables en un clic · publié sans lecture humaine préalable · méthodologie

Résumé IASource unique

Des chercheurs publient sur arXiv (arXiv:2608.10542v1) un nouveau cadre de contrôle prédictif non linéaire pour l'amarrage autonome en vol de drones multirotors, une tâche rendue difficile par un mouvement de cible perturbé par le vent. Le problème est formulé comme un contrôle optimal à horizon fini, appuyé sur un modèle non linéaire d'ordre réduit augmenté d'états de perturbation, puis résolu par programmation convexe séquentielle (SCP) dans un schéma à horizon glissant. Un module d'estimation d'état gère des mesures bruitées pour prédire le mouvement relatif entre les deux appareils. Les essais, menés en simulation haute fidélité sous MuJoCo pour des cibles fixes ou à vitesse constante, montrent des violations du cône d'amarrage quasi nulles, des erreurs terminales dans les tolérances prescrites, un amarrage fiable jusqu'à des demi-angles de cône de 10 degrés, et une robustesse conservée face à des perturbations de vent d'écart-type allant jusqu'à 0,5.

Ce travail s'attaque à un verrou technique central pour toute flotte de drones autonomes appelée à se recharger, se ravitailler ou s'assembler en vol sans intervention humaine, un prérequis pour les missions longue durée, l'inspection d'infrastructures ou les opérations en essaim. En démontrant qu'un contrôleur optimisé en temps réel peut garantir une capture géométrique fiable même avec une cible mobile et du vent, l'étude illustre que l'amarrage aérien devient un problème d'ingénierie de contrôle tractable plutôt qu'un obstacle fondamental non résolu. La validation s'arrête toutefois à la simulation: aucun vol réel n'est rapporté, ce qui limite pour l'instant la portée des chiffres annoncés à un cadre contrôlé et idéalisé, loin des conditions d'un déploiement opérationnel.

L'amarrage drone-à-drone s'inscrit dans une lignée de travaux sur la commande prédictive appliquée à la robotique aérienne, où la programmation convexe séquentielle s'est imposée ces dernières années comme alternative rapide aux solveurs non linéaires classiques pour générer des trajectoires dynamiquement faisables en temps réel. L'approche se distingue par l'intégration explicite d'états de perturbation et de bruit de mesure directement dans la boucle de contrôle, plutôt que de les traiter en aval par un simple asservissement correctif. Les auteurs ne précisent aucun calendrier de transfert vers du matériel réel ni de partenaire industriel; la prochaine étape logique resterait une démonstration physique confirmant ces marges de robustesse hors simulation.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

Contrôle Prédictif Non Linéaire Multi-Fréquences pour la Locomotion Bipède Appuyée au Mur de Robots Quadrupèdes

Cette étude, publiée sur arXiv le 1er juillet 2607 (arXiv:2607.01574), présente un nouveau cadre de contrôle baptisé MR-NMPC (commande prédictive non linéaire multi-cadence) permettant à un robot quadrupède d'adopter une locomotion bipède partiellement assistée par un mur, dans des environnements confinés. Le système repose sur deux niveaux : en haut, le MR-NMPC planifie simultanément les points de contact discrets et les trajectoires continues du centre de masse et de l'orientation du robot, à partir d'un modèle dynamique de corps rigide unique (SRB) ; en bas, un contrôleur de corps complet (WBC) non linéaire, basé sur des contraintes virtuelles et un programme quadratique, traduit ces références en commandes moteur tout en respectant la dynamique complète du système. Les auteurs ont validé leur approche exclusivement par simulation numérique, sur un robot quadrupède Unitree A1, en terrain accidenté et soumis à des perturbations externes. Résultat chiffré : le MR-NMPC atteint un taux de réussite 2,9 fois supérieur à celui d'un MPC classique combiné à un placement de pied heuristique, notamment à haute vitesse sur terrain irrégulier. L'intérêt pratique dépasse la prouesse académique : faire tenir un quadrupède en appui partiel sur un mur pour libérer ou stabiliser ses pattes ouvre la voie à des manœuvres dans des couloirs étroits, des échafaudages ou des zones sinistrées, là où la locomotion quadrupède classique manque de portée verticale. Cela confirme aussi qu'une planification conjointe des contacts et de la trajectoire, plutôt qu'une heuristique de pose de pied, réduit nettement les échecs dynamiques en conditions difficiles, un argument technique plus qu'une démonstration marketing. Le travail s'inscrit dans la lignée des recherches sur le contrôle prédictif des robots à pattes, où Unitree A1 sert de plateforme de référence académique peu coûteuse. Contrairement aux annonces produits d'acteurs comme Boston Dynamics ou ANYbotics, il s'agit ici d'une contribution de recherche en simulation, sans validation matérielle réelle annoncée : la prochaine étape logique serait un déploiement physique sur robot pour confirmer la robustesse observée in silico.

RecherchePaper

1 source

2arXiv cs.RO

Au-delà de l'échantillonnage pur : mécanismes d'optimisation hybrides pour le contrôle prédictif non convexe

Une équipe de chercheurs a publié fin mai 2026 une étude (arXiv:2606.00737) proposant un mécanisme d'optimisation hybride pour la commande prédictive de robots en environnements encombrés. Le framework présenté, baptisé ME-DDP (Maximum Entropy Differential Dynamic Programming), combine deux phases distinctes : une première phase d'exploitation du gradient du paysage de coût via DDP classique, suivie d'une phase de perturbation par échantillonnage depuis des politiques paramétrées par l'inverse de la matrice hessienne de la fonction valeur-action. Trois variantes sont proposées et analysées rigoureusement : ME-DDP gaussien unimodal, ME-DDP gaussien multimodal, et Stein Variational DDP. Les auteurs ont benchmarké ces variantes contre DDP déterministe et MPPI (Model Predictive Path Integral) sur quatre systèmes robotiques naviguant dans des environnements denses, avec validation matérielle sur un quadrotor évoluant dans un champ d'obstacles non-convexe dense. Ce travail s'attaque à un problème fondamental en robotique : les méthodes purement basées sur le gradient convergent systématiquement vers des minima locaux sous-optimaux dès que le paysage de coût devient non-convexe, ce qui arrive dès qu'on introduit des obstacles multiples ou une dynamique non-linéaire complexe. Les résultats montrent que ME-DDP surpasse MPPI de façon cohérente sur les systèmes de basse dimension, où le paysage de coût reste relativement simple. Sur les systèmes haute dimension en revanche, MPPI peut découvrir ocasionnellement des manoeuvres agressives permettant des trajectoires plus rapides, mais ME-DDP maintient un taux de succès plus élevé et plus stable. La validation sur quadrotor en conditions réelles confirme la robustesse du framework, un point souvent manquant dans les contributions MPC purement simulées. Le MPC non-convexe est un sujet de recherche actif, porté par des groupes comme ceux travaillant sur les véhicules autonomes et la manipulation dextère. MPPI, développé initialement chez Georgia Tech et popularisé par des implémentations comme celles de l'Université de Washington, reste la référence sampling-based dominante dans la communauté robotique. ME-DDP se positionne comme une alternative plus stable en exploitant la courbure locale du paysage d'optimisation plutôt qu'un échantillonnage purement aléatoire. La prochaine étape naturelle serait l'extension aux manipulateurs multi-DOF et aux robots mobiles terrestres à haute dynamique, terrains où l'arbitrage vitesse/robustesse documenté ici devient particulièrement critique.

RecherchePaper

1 source

3arXiv cs.RO

Manipulation d'objets linéaires déformables par contrôle prédictif MPPI et apprentissage LSTM bidirectionnel

Un article publié sur arXiv (référence 2609.26238v1) décrit une nouvelle méthode de commande pour la manipulation robotique d'objets linéaires déformables (DLO), comme les câbles. L'approche combine deux briques : un modèle de dynamique appris par un réseau récurrent bidirectionnel de type LSTM (biLSTM), entraîné sur des données synthétiques générées par le moteur physique MuJoCo, et un contrôleur prédictif de type Model Predictive Path Integral (MPPI), une variante stochastique et sans calcul de gradient de la commande prédictive classique (MPC). Le système a été validé à la fois en simulation et lors d'essais expérimentaux, sans que l'abstract ne précise le robot utilisé, le laboratoire d'origine ni de date au-delà de sa mise en ligne récente sur arXiv. Aucun chiffre de charge utile, de temps de cycle ou de volume de déploiement n'est communiqué : il s'agit d'un article scientifique, pas d'une annonce produit. La manipulation de câbles, de harnais électriques ou de tuyaux flexibles reste l'un des problèmes non résolus de l'automatisation industrielle, du fait des degrés de liberté quasi infinis et de la dynamique non linéaire de ces objets, difficile à capturer avec des modèles physiques classiques. Une dynamique apprise par réseau de neurones, couplée à un contrôleur robuste aux non-linéarités comme MPPI, intéresse directement les intégrateurs qui doivent automatiser le câblage de faisceaux électriques dans l'automobile, l'assemblage de connecteurs en électronique ou la manipulation de tuyaux en logistique, des tâches encore largement confiées à des opérateurs humains. Ce travail s'inscrit dans l'effort plus large de la recherche en robotique pour réduire l'écart entre simulation et réel sur la manipulation d'objets déformables, un domaine où les résultats publiés restent souvent limités à des démonstrations de laboratoire plutôt qu'à des déploiements en usine. Historiquement, la manipulation de DLO reposait sur des modèles analytiques explicites, systèmes masse-ressort ou éléments finis, coûteux à calibrer pour chaque type de câble et peu généralisables d'un objet à l'autre. L'approche proposée ici s'inscrit dans une tendance plus récente qui remplace ces modèles physiques par des réseaux de neurones entraînés sur des données simulées, MuJoCo étant l'un des moteurs physiques les plus utilisés en recherche pour la robotique et l'apprentissage par renforcement. Le choix de MPPI plutôt que d'un MPC linéarisé classique permet de gérer la non-linéarité et les contraintes sans dérivation explicite de gradient. L'article ne mentionne aucun partenariat industriel, pilote annoncé ni calendrier de transfert vers un produit commercial : il s'agit à ce stade d'une contribution académique dont la portée pour un déploiement industriel reste à démontrer par des travaux futurs.

RecherchePaper

1 source

4arXiv cs.RO

ISB-NMPC : commande prédictive non linéaire à roulement sphérique pour l'interception par quadrirotors

Des chercheurs publient ISB-NMPC, une commande prédictive non linéaire (NMPC) destinée aux quadrirotors intercepteurs équipés d'une caméra fixe, sans nacelle stabilisée (strapdown). Le système cible la neutralisation physique de drones non autorisés. Il couple une prédiction de la direction de la cible, modélisée sur la sphère unitaire S², à la dynamique non linéaire complète du quadrirotor. L'optimisation porte à la fois sur le mouvement de rapprochement et sur le maintien de la cible dans le champ de vision. Un filtre de Kalman étendu compensé en attitude estime le mouvement angulaire de la cible, corrige le retard de perception et prédit sa position dans l'image pour guider une détection adaptée à l'échelle. En simulation, sur 30 essais appariés, le taux d'interception atteint 86,7 %, le meilleur parmi les contrôleurs comparés, avec une cible visible 99,11 % du temps en moyenne par essai. En extérieur, l'équipe annonce l'acquisition d'une cible de 30 cm à environ 150 m. L'intercepteur atteint 17 m/s sur le vol longue distance et environ 14 m/s face à une cible manœuvrante remorquée par un autre quadrirotor. Le code logiciel et la conception matérielle (projet « holydrone ») sont publiés en open source sur GitHub. L'intérêt tient à un verrou classique de l'interception par vision embarquée. Sans nacelle, tout mouvement d'accélération incline le drone et déplace la caméra, si bien que foncer sur la cible risque de la faire sortir du champ. Traiter cette contrainte directement dans l'optimiseur, plutôt qu'avec un suivi visuel et un guidage découplés, est une piste crédible pour réduire le coût et la masse des intercepteurs. La visibilité quasi continue en simulation est encourageante, mais elle ne garantit pas la même performance en conditions réelles. Les chiffres demandent aussi des précautions. Un taux de 86,7 % sur 30 essais correspond à 26 succès, un échantillon étroit. Les vols extérieurs semblent relever de démonstrations isolées, sans statistiques de réussite, et les cibles (un petit quadrirotor, un leurre remorqué) restent coopératives. Rien n'indique de test face à des drones évasifs, dans des environnements encombrés ou en mauvaise lumière. La publication complète du code et du matériel permet toutefois à d'autres équipes de reproduire et de comparer les résultats. Ce travail s'inscrit dans la demande croissante de moyens anti-drones peu coûteux, face à des solutions plus lourdes comme les filets lancés, les radars ou les brouilleurs. Il prolonge les recherches sur le servo-guidage visuel et la NMPC pour drones agiles, où la contrainte de visibilité est souvent traitée par des pénalités ou des heuristiques de guidage. Il s'agit d'une publication académique (preprint arXiv, non évaluée par les pairs) et non d'un produit : aucun déploiement opérationnel ni calendrier de pilote n'est annoncé. Les prochaines étapes naturelles seraient des essais statistiquement plus solides en extérieur, des cibles non coopératives et plus rapides, ainsi que le traitement du cas d'intercepteurs multiples ou de cibles temporairement occultées.

RecherchePaper

1 source