Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
RecherchearXiv cs.RO 

Accélérer la planification de mouvement discrète-continue via des graphes neuronaux d'ensembles convexes

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

Des chercheurs ont publié en août 2026 sur arXiv (2608.15440) une méthode qui accélère la planification de mouvement combinant décisions discrètes et trajectoires continues, un problème central en navigation sans collision et en manipulation avec contacts. Le travail s'appuie sur le cadre Graphs of Convex Sets (GCS), où les décisions discrètes forment les nœuds d'un graphe et les trajectoires continues ses arêtes, mais remplace la coûteuse relaxation convexe du GCS classique par un passage unique dans un Graph Attention Network qui propose des chemins candidats, triés ensuite par un réseau léger jusqu'à un plan quasi optimal. Testée sur un quadrirotor 3D, un bras à 7 degrés de liberté et une tâche de poussée planaire avec contacts, elle atteint jusqu'à 100 fois la vitesse du GCS classique avec 100% de réussite, au prix d'une légère perte d'optimalité. Code et vidéos sont disponibles sur neural-gcs.github.io.

Pour l'industrie robotique, ce résultat s'attaque à un verrou concret : les planificateurs GCS approchent l'optimum global même sur des problèmes non convexes, mais leur coût de calcul limitait leur usage à la planification hors ligne ou à des scènes simples. Diviser ce temps par un facteur proche de 100 rend envisageable le replanning embarqué, utile pour les bras en usine, les drones en environnement encombré et la manipulation avec contact comme le poussage d'objets en logistique. Cela illustre une tendance du secteur : coupler apprentissage et solveurs d'optimisation classiques plutôt que de tout confier à un modèle appris de bout en bout comme les architectures vision-langage-action. Le compromis vitesse contre optimalité de ce travail académique, validé seulement en simulation, reste à confirmer sur du matériel réel.

Le cadre GCS n'est pas nouveau : introduit par des chercheurs du MIT et de Toyota Research Institute, il unifie planification discrète et continue en alternative aux méthodes d'échantillonnage type RRT et aux solveurs de programmation en nombres entiers mixtes. Son coût de calcul a motivé plusieurs travaux d'accélération, dont celui-ci, aux côtés d'approches qui utilisent l'apprentissage pour guider des planificateurs par échantillonnage. Aucune entreprise n'est associée à cette publication : code et vidéos sont ouverts pour reproduction indépendante, et les prochaines étapes attendues portent sur une validation sur matériel réel et une intégration dans des piles logicielles utilisées par des intégrateurs industriels.

Dans nos dossiers

IA physique & VLAarXiv cs.RO

À lire aussi

Planification de mouvements par logique temporelle de signaux via des graphes d'ensembles convexes
1arXiv cs.RO 

Planification de mouvements par logique temporelle de signaux via des graphes d'ensembles convexes

Une équipe de chercheurs a publié sur arXiv (arXiv:2605.23240) un cadre de planification de trajectoires en temps continu combinant la logique temporelle de signaux (STL, Signal Temporal Logic) et les graphes d'ensembles convexes (GCS, Graphs of Convex Sets). L'objectif est de générer des trajectoires lisses satisfaisant à la fois des contraintes logico-temporelles de haut niveau, par exemple "atteindre la zone A entre t=2 s et t=5 s tout en évitant B", et des limites cinématiques de bas niveau comme les bornes de vitesse. La méthode encode d'abord la spécification STL sous forme d'automate temporisé, le couple à une décomposition convexe de l'espace de configuration, puis reformule l'ensemble comme un problème de plus court chemin sur un GCS. La solution produit des trajectoires en B-splines de Bézier, validées expérimentalement sur un quadrirotor 3D, un humanoïde à 30 degrés de liberté (DoF) et un bras industriel UR-3 testé en conditions matérielles réelles. La contribution principale est de rendre tractable un problème historiquement difficile. Les approches classiques de planification sous STL s'appuient sur la programmation mixte entière (MILP), dont la complexité est exponentielle avec la dimension de l'espace ou la longueur de l'horizon temporel. Ce travail démontre qu'une fois l'automate temporisé et la décomposition convexe fixés, la relaxation convexe évolue polynomialement avec la dimension de l'espace de configuration et le degré des splines de Bézier, ce qui constitue une garantie de passage à l'échelle concrète. Le test sur un humanoïde à 30 DoF est significatif : c'est précisément la gamme de systèmes où les planificateurs STL classiques échouent. La validation hardware sur UR-3 confirme que les trajectoires produites sont directement exécutables, sans post-traitement supplémentaire. Le cadre GCS a été introduit vers 2022 par Marcucci, Tedrake et leurs collaborateurs au MIT comme outil d'optimisation de trajectoires dans des espaces fragmentés en régions convexes. Ce papier étend l'approche aux spécifications temporelles contraintes, une jonction entre vérification formelle et robotique opérationnelle. Les approches concurrentes incluent la MPC non linéaire sous STL et les planificateurs par échantillonnage avec satisfaction de contraintes temporelles. L'article reste un preprint non relu par les pairs ; les benchmarks présentés couvrent essentiellement des espaces de basse à moyenne dimension, et l'extension aux environnements dynamiques ou à la replanification en temps réel n'est pas encore abordée.

UELa validation matérielle sur bras UR-3 (Universal Robots, Danemark/UE) offre une pertinence indirecte pour les équipes R&D européennes en planification de trajectoires, mais la recherche est conduite au MIT sans implication directe d'acteurs français ou européens.

RecherchePaper
1 source
Allocation de tâches et planification du mouvement en environnements dynamiques encombrés via CBBA et graphes d'ensembles convexes
2arXiv cs.RO 

Allocation de tâches et planification du mouvement en environnements dynamiques encombrés via CBBA et graphes d'ensembles convexes

Une équipe de chercheurs a publié sur arXiv (référence 2506.18516) un système de planification combinant deux algorithmes complémentaires pour coordonner des agents mobiles dans des environnements encombrés et dynamiques : le CBBA (Consensus-Based Bundle Algorithm) pour l'allocation distribuée des tâches, et les GCS (Graphs of Convex Sets) pour l'optimisation des trajectoires. L'approche repose sur un espace de configuration en 4D (3D spatial plus axe temporel), ce qui permet de modéliser simultanément la géométrie de l'environnement et le timing des rendez-vous mobiles. Les agents doivent non seulement se répartir les tâches, mais également estimer précisément quand et où ils pourront les atteindre, compte tenu des obstacles et des autres agents. Les résultats sont démontrés exclusivement en simulation, avec des scénarios incluant des tâches statiques et des objectifs de rendez-vous dynamiques. L'apport technique principal réside dans le couplage explicite entre allocation et planification, deux sous-problèmes généralement traités séparément dans la littérature sur les systèmes multi-robots. En pratique, la plupart des architectures industrielles de type AMR (Autonomous Mobile Robot) utilisent un planificateur de chemin découplé du système de dispatch, ce qui introduit des erreurs d'estimation temporelle et des conflits de ressources. En intégrant les GCS dans la boucle CBBA, le système produit des enchères basées sur des trajectoires réellement faisables plutôt que sur des heuristiques de distance euclidienne. Pour un intégrateur ou un décideur B2B, cela signifie potentiellement moins de recalculs coûteux en exécution et une meilleure fiabilité des estimations de temps de cycle dans des entrepôts ou ateliers denses. Il faut néanmoins noter que les GCS, bien que performants en optimisation convexe, restent computationnellement lourds à grande échelle, et que l'article ne fournit pas de données de timing comparatives. Les GCS ont été popularisés principalement par les travaux de Tobia Marcucci et Russ Tedrake au MIT via la librairie Drake, avec des applications initiales en manipulation et locomotion. Le CBBA est issu des travaux du MIT Lincoln Laboratory (Choi et al., 2009) et reste une référence en coordination décentralisée pour drones et robots terrestres. Cette combinaison s'inscrit dans un effort plus large pour combler le fossé entre planification géométrique et coordination multi-agent, un problème actif dans des labos comme Stanford ASL, CMU Robotics Institute, ou côté français l'INRIA et le LAAS-CNRS. Les prochaines étapes naturelles seraient une validation sur matériel réel, une évaluation de la scalabilité au-delà d'une dizaine d'agents, et une comparaison quantitative avec des approches basées sur MILP ou MAPF (Multi-Agent Path Finding).

UEL'INRIA et le LAAS-CNRS sont explicitement cités comme acteurs actifs sur cette problématique, positionnant la recherche française en bonne place pour contribuer ou collaborer autour de cette méthodologie de planification multi-agents.

RecherchePaper
1 source
Robots mobiles et planification de mouvement multi-robots dans le temps et l'espace basée sur la recherche sur des graphes d'ensembles convexes espace-temps
3arXiv cs.RO 

Robots mobiles et planification de mouvement multi-robots dans le temps et l'espace basée sur la recherche sur des graphes d'ensembles convexes espace-temps

Des chercheurs publient sur arXiv (2607.00444, prétirage non encore relu par les pairs) un nouveau cadre algorithmique pour la planification de trajectoires spatio-temporelles, baptisé ST-GCS pour "graphs of space-time convex sets". L'idée centrale est de représenter les régions sans collision, qui évoluent dans le temps, comme des ensembles convexes dans un espace incluant le temps, et de transformer la recherche de trajectoire optimale en un problème de recherche de graphe. Les auteurs développent un solveur best-first qui évalue des chemins partiels via optimisation continue de trajectoire, guidé par des heuristiques admissibles et des tests de dominance. Ils ajoutent un schéma de décomposition convexe exacte (ECD) pour réserver les occupations de trajectoire dans l'espace-temps, ce qui permet de traiter de façon unifiée les obstacles dynamiques et les interactions entre robots. Pour le multi-robot, la méthode s'appuie sur une planification priorisée combinée à un mécanisme de coordination par fenêtres glissantes. Les expériences annoncées montrent des accélérations substantielles par rapport à divers planificateurs existants, avec une qualité de solution maintenue, notamment dans des environnements aux passages étroits et transitoires. Une démonstration à grande échelle affiche des instances jusqu'à 100 robots résolues en quelques minutes. Pour l'industrie de la logistique et des flottes de robots mobiles autonomes (AMR), ce type d'approche cible un problème très concret: coordonner un grand nombre de robots dans des entrepôts ou usines où l'espace libre change constamment au passage d'autres machines, de portes ou de zones de chargement. Les méthodes actuelles de planification multi-robot peinent souvent à passer à l'échelle sans sacrifier soit le temps de calcul, soit l'optimalité des trajectoires. Un gain de vitesse démontré sur 100 robots en quelques minutes, si confirmé en conditions réelles au-delà du banc d'essai académique, intéresserait directement les intégrateurs de flottes AMR type Exotec ou les opérateurs d'entrepôts automatisés, où la densité de robots et les couloirs étroits sont justement le goulot d'étranglement actuel. Ce travail s'inscrit dans la lignée des "graphs of convex sets" (GCS), une famille de méthodes de planification de mouvement en robotique qui gagne en popularité pour unifier optimisation continue et recherche discrète, en concurrence avec les approches classiques par échantillonnage (RRT, PRM) ou par programmation en nombres entiers mixtes pour la coordination multi-robot. L'étendre à la dimension spatio-temporelle, avec obstacles mobiles et fenêtres de coordination, est présenté comme la contribution principale. Le code et les détails sont disponibles sur la page du projet; à ce stade, il s'agit d'un résultat de recherche, sans annonce de déploiement industriel ni de partenaire commercial identifié.

UELes intégrateurs de flottes AMR européens comme Exotec pourraient s'intéresser à cette méthode pour la coordination de robots en entrepôt, mais aucun déploiement ou partenariat n'est confirmé à ce stade.

RecherchePaper
1 source
4arXiv cs.RO 

Les modes de contact comme strates : ce qu'apporte la structure géométrique en planification discrète-continue

Une équipe de recherche a publié un article intitulé "Contact Modes Are Strata: What Geometric Structure Buys in Discrete-Continuous Planning" (arXiv:2608.15541v1), qui s'attaque à un problème central de la manipulation robotique en contact riche: déterminer simultanément quels contacts activer et comment déplacer le robot pendant que ces contacts tiennent. Les auteurs formalisent une observation mathématique clé: un mode de contact n'est pas simplement analogue à une strate de l'espace des configurations, il en est une, au sens géométrique strict. Un plan de mouvement devient alors une marche entre strates, dont les segments à l'intérieur de chaque strate suivent des géodésiques. Le planificateur a été testé sur deux tâches en simulation: pousser un bloc en forme de T autour d'obstacles, et réorienter un cube à l'intérieur d'une main robotique dextre. Dans les deux cas, il trouve des solutions en quelques secondes, sans qu'aucun mode de contact, séquence de contacts ou strate ne soit fourni au préalable. Cette approche répond à un goulot d'étranglement connu de la robotique de manipulation: la planification hybride discrète-continue en contact riche exige généralement une ingénierie manuelle lourde des séquences de contact possibles, ce qui limite la généralisation des planificateurs à de nouvelles tâches ou géométries d'objets. En traitant la structure de contact comme une propriété géométrique exploitable plutôt que comme une donnée d'entrée à fournir, les auteurs ouvrent une voie vers des planificateurs plus autonomes pour la manipulation dextre et les mains robotiques, un enjeu direct pour les intégrateurs travaillant sur la préhension fine et la réorientation d'objets. Il faut toutefois noter que les résultats restent cantonnés à la simulation, sur seulement deux tâches: aucune validation sur du matériel physique n'est rapportée à ce stade. Ce travail s'inscrit dans la lignée des recherches sur la planification par optimisation de trajectoire à contact implicite et les méthodes d'échantillonnage pour la manipulation, domaines où les approches par programmation mixte entière ou par apprentissage restent les alternatives dominantes. Les prochaines étapes attendues concernent le passage à des tâches plus complexes et, surtout, la validation sur robot réel, seule à même de confirmer que la structure géométrique identifiée tient face au bruit et aux incertitudes physiques.

RecherchePaper
1 source