Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
Prédiction de trajectoire par inférence bayésienne d'intention face à des buts et une cinématique inconnus
RecherchearXiv cs.RO 

Prédiction de trajectoire par inférence bayésienne d'intention face à des buts et une cinématique inconnus

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

Une équipe de recherche a publié une version révisée (v2) sur arXiv (2509.24928) d'un algorithme bayésien adaptatif pour la prédiction de trajectoire en temps réel via inférence d'intention, conçu pour des cibles dont les intentions et la dynamique de mouvement sont inconnues et changeantes. La méthode estime conjointement deux variables : l'intention courante de la cible, modélisée comme un état latent markovien, et un paramètre d'intention qui mesure à quel point la cible suit une politique de plus court chemin. Ce couplage permet à l'algorithme de rester robuste face à des changements brusques d'intention et à une dynamique de mouvement inconnue, sans phase d'entraînement ni connaissance préalable détaillée du comportement de la cible. Un module de prédiction par échantillonnage exploite ensuite ces estimations pour produire des prévisions probabilistes avec incertitude quantifiée. La validation combine des études d'ablation sur deux scénarios, une analyse Monte Carlo de 500 essais, et des démonstrations matérielles sur des plateformes quadrotor et quadrupède. Les résultats montrent que l'approche surpasse nettement les méthodes non adaptatives et partiellement adaptatives, avec un fonctionnement en temps réel autour de 547 Hz.

Cette cadence de calcul élevée, associée à l'absence totale d'entraînement préalable, distingue nettement cette approche des méthodes de prédiction de trajectoire fondées sur l'apprentissage profond, qui nécessitent de larges jeux de données et souffrent souvent d'un écart sim-to-real. Pour les intégrateurs travaillant sur la navigation autonome, l'évitement de collision ou l'interaction humain-robot, la capacité à anticiper le comportement d'un agent mobile sans modèle préalable ni calibration lourde représente un atout pratique, notamment pour l'embarqué où les ressources de calcul sont limitées. La validation croisée sur deux catégories de plateformes robotiques, aériennes et à pattes, suggère une portabilité au-delà d'un cas d'usage unique.

Le travail s'inscrit dans le champ classique de l'inférence bayésienne et de l'estimation adaptative, une alternative aux architectures neuronales de type VLA qui dominent actuellement les annonces du secteur robotique. Le statut de "replace" sur arXiv indique une itération après relecture ou retours de la communauté scientifique, non un produit commercial ou un déploiement industriel. Aucune entreprise ni plateforme commerciale n'est associée à cette publication, qui reste à ce stade un résultat de recherche académique ; les auteurs ne mentionnent pas de calendrier de transfert vers des systèmes robotiques déployés en production.

Dans nos dossiers

arXiv cs.RO

À lire aussi

Dynamique bayésienne et estimation d'état des robots à continuum
1arXiv cs.RO 

Dynamique bayésienne et estimation d'état des robots à continuum

Des chercheurs proposent dans un preprint publié sur arXiv (arXiv:2609.20605v1) une nouvelle méthode d'estimation d'état pour les robots continuum entraînés par câbles (tendon-driven), fondée sur la dynamique des tiges de Cosserat plutôt que sur les modèles quasi-statiques utilisés jusqu'ici. L'approche traite l'inertie et l'amortissement comme des charges appliquées équivalentes, ce qui permet de conserver la même forme algébrique que les modèles d'équilibre statique développés dans des travaux antérieurs par graphes de facteurs (factor graphs). En l'absence d'observations de la colonne vertébrale du robot, le cadre se réduit à une simulation stochastique directe du mouvement ; en présence d'observations, il affine conjointement les états cinématiques et dynamiques et infère les charges externes appliquées au robot. Les auteurs valident leur méthode à la fois en simulation et par des expériences physiques sur des robots continuum actionnés par tendons, démontrant simulation stochastique directe et estimation d'état. Cette contribution répond à une limite connue des méthodes actuelles d'estimation d'état pour robots continuum, qui reposent sur des a priori de mouvement cinématique à bruit blanc et fonctionnent bien en régime quasi-statique mais perdent en précision dès que les effets inertiels deviennent significatifs, typiquement lors de mouvements rapides. Pour les intégrateurs travaillant sur des robots continuum en environnements confinés, chirurgie mini-invasive, inspection industrielle, manipulation dans des espaces restreints, disposer d'un modèle dynamique fidèle sans complexifier l'architecture algorithmique existante change la donne : la méthode conserve la structure algébrique des solveurs statiques déjà déployés, ce qui facilite son intégration dans des pipelines de contrôle existants plutôt que d'exiger une refonte complète. Elle illustre aussi une tendance plus large en robotique souple et continuum, le passage de modèles géométriques simplifiés vers des formulations physiques plus complètes, condition jugée nécessaire pour un contrôle fiable au delà des démonstrations en laboratoire à vitesse réduite. Les travaux s'inscrivent dans la continuité des approches par graphes de facteurs pour l'estimation d'état des robots continuum, jusqu'ici cantonnées aux régimes quasi-statiques et à l'estimation spatiotemporelle avec a priori cinématique à bruit blanc. En généralisant ce cadre à la dynamique de Cosserat, les auteurs cherchent à combler l'écart entre modèles statiques et comportement réel des robots continuum en mouvement rapide, un défi partagé avec les communautés travaillant sur les robots souples et les manipulateurs hyper-redondants. L'article ne mentionne aucun partenaire industriel ni feuille de route de commercialisation : il s'agit d'une contribution de recherche fondamentale, validée sur banc d'essai en laboratoire, dont la suite logique serait une intégration dans des boucles de contrôle temps réel pour des applications comme les instruments chirurgicaux robotisés ou les bras d'inspection dans des conduites étroites.

RecherchePaper
1 source
PISTO : inférence proximale pour l'optimisation stochastique de trajectoires
2arXiv cs.RO 

PISTO : inférence proximale pour l'optimisation stochastique de trajectoires

Des chercheurs ont publié sur arXiv (arXiv:2605.07215) un algorithme de planification de trajectoires robotiques appelé PISTO (Proximal Inference for Stochastic Trajectory Optimization). Leur contribution centrale est de démontrer que STOMP, méthode stochastique classique, minimise implicitement une divergence KL par rapport à une distribution de trajectoires de Boltzmann, révélant une structure d'inférence variationnelle (VI) sous-jacente. PISTO exploite cette observation en ajoutant une régularisation KL entre propositions gaussiennes successives, ce qui stabilise les mises à jour et produit une interprétation de type trust-region. L'algorithme reste entièrement sans dérivées et s'appuie sur un échantillonnage Monte Carlo à pondération d'importance. Sur les benchmarks de planification de bras robotiques, PISTO atteint 89 % de taux de succès contre 63 % pour CHOMP et 68 % pour STOMP, tout en générant des trajectoires plus courtes et plus lisses, à deux fois la vitesse des méthodes stochastiques concurrentes. Des validations complémentaires sur des tâches de locomotion et manipulation contact-rich en simulation MuJoCo montrent des performances supérieures aux baselines CEM et MPPI en termes de récompense cumulée. Pour les intégrateurs et ingénieurs en planification de mouvement, l'absence totale de dérivées est une caractéristique décisive : elle permet de traiter des fonctions de coût non-différentiables ou discontinues, fréquentes dans les environnements industriels réels (détection de collisions, zones interdites, contraintes non paramétriques). Le gain de vitesse d'un facteur deux par rapport aux méthodes stochastiques existantes réduit directement les temps de cycle dans les applications de planification en ligne, point critique pour la robotique collaborative et les systèmes pick-and-place haute cadence. La validation sur MuJoCo avec contacts ouvre des perspectives vers la locomotion humanoïde et la manipulation dextre, bien que ces résultats restent pour l'instant entièrement simulés, sans validation sur matériel physique. PISTO s'inscrit dans la lignée de STOMP (développé chez Willow Garage et présenté à l'ICRA 2011) et de ses concurrents gradient-based tels que CHOMP, ainsi que des méthodes stochastiques modernes MPPI (popularisé par NVIDIA en 2017) et CEM. Soumis comme preprint arXiv sans révision par les pairs à ce stade, l'article n'annonce ni déploiement industriel ni partenariat commercial. Son impact pratique dépendra de la mise à disposition du code source et de validations expérimentales sur robot réel, étapes absentes de la publication actuelle.

RecherchePaper
1 source
Robots humanoïdes : la planification de trajectoire diversifiée par inférence de Stein contrainte globalisée
3arXiv cs.RO 

Robots humanoïdes : la planification de trajectoire diversifiée par inférence de Stein contrainte globalisée

Des chercheurs viennent de publier sur arXiv (référence 2607.12732v1) une nouvelle méthode baptisée SteinSQP, pour Stein Variational Sequential Quadratic Programming, destinée à la planification de mouvement robotique. Le constat de départ est simple: les planificateurs classiques ne renvoient généralement qu'une seule trajectoire, alors que le problème est par nature multimodal, avec plusieurs solutions à faible coût possibles. Les approches probabilistes existantes tentent de maintenir une distribution de mouvements plutôt qu'une trajectoire unique, mais peinent à garantir que chaque échantillon respecte les contraintes strictes propres à la robotique: évitement de collisions, limites articulaires, conditions de contact et cohérence dynamique. SteinSQP fait évoluer un ensemble de particules en interaction, à la manière des méthodes Stein variationnelles classiques, tout en intégrant directement ces contraintes dans un sous-problème de programmation quadratique séquentielle en espace noyau. Ce sous-problème contraint de type Stein-Newton est résolu via un algorithme primal-dual sans matrice explicite, optimisé pour le GPU, ce qui permet des mises à jour groupées de l'ensemble de particules. Sur cinq tâches de planification sous contraintes, la méthode produit des ensembles entièrement faisables tout en conservant des alternatives de mouvement diversifiées. L'enjeu dépasse la seule performance algorithmique. Pour les intégrateurs et les équipes de recherche en robotique, disposer de plusieurs trajectoires faisables plutôt que d'une seule change la donne pour le replanning en temps réel, la gestion des échecs d'exécution ou l'arbitrage entre plusieurs stratégies de mouvement selon le contexte. La méthode s'attaque frontalement à un écart connu du secteur: beaucoup de techniques d'échantillonnage diversifié fonctionnent bien sans contraintes, mais s'effondrent dès qu'il faut garantir la faisabilité physique de chaque particule à l'échelle du robot. Les auteurs affirment une convergence plus rapide et plus robuste, une meilleure faisabilité par particule, et un temps de résolution par lot inférieur à celui obtenu avec des bases Stein de premier ordre ou du multistart séquentiel en programmation non linéaire. Ce travail s'inscrit dans la lignée des méthodes d'inférence variationnelle de Stein (SVGD) appliquées à la planification de mouvement, un champ qui cherche à dépasser les limites des planificateurs mono-solution historiques comme CHOMP ou TrajOpt. Il s'agit ici d'une publication de recherche, sans déploiement matériel ni partenaire industriel annoncé; les auteurs comparent leur approche à des méthodes concurrentes de premier ordre et à des solveurs NLP classiques, sans préciser de calendrier vers une intégration en conditions réelles.

RecherchePaper
1 source
Algorithme de planification hiérarchique de trajectoire de couverture pour environnements inconnus
4arXiv cs.RO 

Algorithme de planification hiérarchique de trajectoire de couverture pour environnements inconnus

Des chercheurs présentent dans un preprint publié sur arXiv (arXiv:2609.12595v1) un algorithme de planification de trajectoire de couverture en ligne, conçu pour des robots évoluant dans des environnements totalement inconnus au départ. Le principe repose sur une décomposition progressive : à mesure que le robot avance et découvre des obstacles, la zone à couvrir est découpée en sous-zones disjointes, organisées dans un arbre de décomposition construit de façon incrémentale qui conserve les relations hiérarchiques parent-enfant entre ces sous-zones. Un planificateur global maintient et met à jour en continu un itinéraire de couverture, en priorisant les nouvelles sous-zones enfants selon leur état d'exploration et leur distance au robot, tandis qu'un planificateur local génère les mouvements de couverture à l'intérieur de chaque sous-zone sélectionnée, ce qui permet à la trajectoire de s'adapter au fur et à mesure que l'environnement se révèle. La méthode a été évaluée uniquement en simulation haute-fidélité, sur des scénarios complexes, et comparée à trois algorithmes de référence existants. Les auteurs rapportent une meilleure efficacité de couverture, mesurée par la longueur du trajet parcouru et le taux de recouvrement (overlap ratio) des zones déjà balayées. Pour l'industrie robotique, ce type d'algorithme cible un problème très concret : les robots de nettoyage industriel, de tonte, d'inspection ou agricoles doivent balayer l'intégralité d'une surface plutôt que simplement relier un point A à un point B, et la carte des lieux n'est souvent pas connue à l'avance ou évolue (mobilier déplacé, obstacles temporaires, chantiers). Les approches classiques de coverage path planning supposent généralement une carte déjà connue et calculent un plan hors ligne ; ce travail s'inscrit dans la lignée plus exigeante des méthodes en ligne, qui composent avec une incertitude croissante sur la géométrie de l'espace. Réduire le recouvrement et la longueur de trajet a un impact direct sur l'autonomie énergétique et le temps de cycle des AMR déployés en usine, en entrepôt ou en extérieur. Ceci dit, il s'agit à ce stade d'un résultat purement académique, validé en simulation face à des baselines choisies par les auteurs, et non d'un système testé sur robot physique ni déployé en conditions réelles : l'écart classique entre démonstration simulée et robustesse terrain reste entier. Le papier ne mentionne aucune affiliation industrielle, aucun partenaire de déploiement ni aucun robot commercial précis, ce qui en fait une contribution méthodologique plutôt qu'une annonce produit. Le champ de la planification de couverture en environnement inconnu reste actif depuis plusieurs années, avec des approches concurrentes basées sur la décomposition cellulaire, les grilles d'occupation ou des heuristiques gloutonnes, que les auteurs utilisent justement comme points de comparaison. Publié comme preprint de type "new" sur arXiv, donc non encore revu par les pairs, ce travail ouvre la voie à des tests sur robot physique et dans des environnements réels plus variés, étape nécessaire avant toute adoption par des intégrateurs ou fournisseurs de robots mobiles autonomes.

RecherchePaper
1 source