RecherchearXiv cs.RO 20 août 2026

Contrôle en temps réel par DDP contraint pour l'équilibre sous-actionné des robots à pattes

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs présentent ABC-DDP, un framework de "Differential Dynamic Programming" (DDP) sous contraintes de commande, conçu pour le contrôle en temps réel de robots à pattes sous-actionnés. Publié sur arXiv sous la référence 2608.18552, le papier propose une méthode basée sur un gradient projeté accéléré (APG) qui calcule les solutions contraintes et identifie les ensembles actifs sans recourir à des inversions répétées des conditions de Karush-Kuhn-Tucker (KKT), un goulot d'étranglement classique du DDP standard. Une "contrainte virtuelle" est intégrée dans un schéma de tir multiple orienté faisabilité, permettant une optimisation stable même à partir d'initialisations dynamiquement infaisables. En simulation, la méthode pilote un robot quadrupède via un contrôle prédictif de modèle (MPC) à horizon court fonctionnant en temps réel : elle démontre une station debout stable sur deux pattes face à des perturbations externes, ainsi qu'un catwalk lent, une marche verticale et une course à haute vitesse, le tout au sein d'un unique cadre MPC unifié. Les auteurs revendiquent la première démonstration d'une station debout statique sur deux pattes d'un quadrupède obtenue par MPC temps réel à horizon fini.

Le résultat cible un problème concret pour les concepteurs de contrôleurs de robots à pattes : le DDP classique gère mal les contraintes de commande (couple, position articulaire) sans alourdir considérablement le calcul, ce qui limite son usage en boucle temps réel sur des robots humanoïdes ou quadrupèdes. En évitant les inversions KKT répétées, ABC-DDP promet une charge de calcul compatible avec des cadences MPC élevées, même dans des régimes fortement sous-actionnés comme la station debout sur deux membres, un cas extrême d'instabilité pour un quadrupède. Il s'agit toutefois pour l'instant de résultats exclusivement en simulation : aucun déploiement sur robot physique n'est rapporté, et la robustesse aux incertitudes de modèle, au bruit des capteurs ou aux délais matériels réels reste à démontrer avant toute application industrielle.

Le DDP est une technique d'optimisation de trajectoire largement utilisée dans le contrôle prédictif des robots à pattes, mais sa version classique peine historiquement à intégrer des contraintes de commande explicites sans recourir à des solveurs coûteux, ce qui pousse souvent les équipes vers des approximations ou des architectures hybrides. ABC-DDP s'inscrit dans cette lignée de travaux cherchant à fiabiliser le MPC temps réel pour la locomotion dynamique, un axe de recherche partagé par les laboratoires travaillant sur les quadrupèdes et les humanoïdes. Le papier, publié en août 2026 en tant que preprint arXiv, ne mentionne ni entreprise ni plateforme matérielle spécifique : il s'agit d'une contribution académique en optimisation de contrôle. Les suites attendues, non détaillées dans l'article, seraient une validation expérimentale sur robot physique et une extension à des morphologies bipèdes ou humanoïdes, où la sous-actuation pose des défis similaires, voire plus sévères.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

Analyse par polytopes de torseurs optimisée pour le contrôle de stabilité en temps réel de robots à pattes en contacts multiples complexes

Un article de recherche mis en ligne en septembre 2026 sur arXiv, référencé 2609.17405v1, présente un algorithme optimisé pour calculer le polytope de wrench actionnable des robots à pattes, soit l'ensemble des forces et couples qu'un robot peut exercer à ses points de contact. Cette optimisation permet de recalculer les couples de chaque articulation à 49 Hz, une cadence compatible avec une boucle de contrôle temps réel, alors que ce calcul restait jusqu'ici trop lourd pour un usage embarqué. Le contrôleur qui en résulte a été testé en simulation puis validé sur un robot marcheur réel, non nommé dans l'article. Il cible des terrains difficiles comme les pentes raides, les grottes ou les échafaudages, et atteindrait selon ses auteurs une stabilité qu'aucun autre contrôleur existant n'obtient actuellement. L'analyse par polytope de wrench offre des garanties de stabilité plus rigoureuses que les marges heuristiques habituelles en robotique de terrain, mais son coût de calcul combinatoire la cantonnait jusqu'ici à la planification hors ligne plutôt qu'au contrôle réactif embarqué. En démontrant un calcul complet, pour des contacts arbitraires, à une cadence exploitable en boucle fermée, ce travail réduit l'écart entre les garanties théoriques de stabilité et ce qu'un contrôleur peut réellement exploiter en temps réel sur le terrain. Pour les intégrateurs de robots à pattes destinés à l'inspection industrielle, aux chantiers avec échafaudages ou aux interventions en milieu confiné, cela ouvre la voie à des appuis simultanés mains et pieds sur des surfaces non coplanaires, sans recourir à des heuristiques simplificatrices. C'est un signal pour le secteur : la lenteur de calcul, souvent citée comme facteur limitant des méthodes de stabilité rigoureuses, n'est plus un obstacle absolu dès lors que l'algorithme est correctement optimisé. Le polytope de wrench actionnable est un outil connu de l'analyse de stabilité des robots humanoïdes et quadrupèdes, mais les implémentations existantes limitaient le nombre ou la géométrie des points de contact, ou exigeaient un précalcul hors ligne incompatible avec des terrains changeants. L'apport revendiqué ici est de généraliser ce calcul à des configurations de contact arbitraires tout en le rendant exécutable en ligne, directement dans la boucle de contrôle. Classé comme nouvelle soumission sur arXiv, l'article ne cite ni fabricant, ni modèle commercial, ni acteur français ou européen comme Wandercraft, Pollen Robotics ou Enchanted Tools : il s'agit d'une contribution académique validée sur un prototype de laboratoire, et non d'un produit commercialisé. Les suites attendues pour ce type de travaux passent typiquement par une publication en conférence, puis des essais élargis sur d'autres plateformes et terrains réels au-delà du cadre contrôlé de l'étude.

RecherchePaper

1 source

2arXiv cs.RO

Contrôle neuronal : l'apprentissage adjoint par contraintes d'équilibre

Une équipe de chercheurs a publié en mai 2026 sur arXiv (référence 2605.03288) un framework de contrôle baptisé "Neural Control", conçu pour piloter des systèmes physiques régis par des contraintes d'équilibre implicite. La cible principale est la manipulation d'objets linéaires déformables (DLO, deformable linear objects) tels que câbles, fils ou tuyaux flexibles. Dans ces systèmes, le robot n'actionne qu'un sous-ensemble de degrés de liberté (DoF de frontière), tandis que les DoF libres restants convergent vers une configuration d'énergie potentielle minimale. La difficulté centrale réside dans la multi-stabilité : pour les mêmes conditions aux limites, un câble peut atteindre plusieurs formes d'équilibre distinctes selon la trajectoire d'actionnement suivie. Neural Control résout ce problème en calculant des gradients proxy à travers les conditions d'équilibre via une formulation adjointe, évitant ainsi le déroulage complet des itérations du solveur et réduisant drastiquement l'empreinte mémoire et calcul. Le schéma est intégré dans un MPC à horizon glissant (receding-horizon MPC) qui ré-ancre l'optimisation à chaque pas sur l'équilibre réellement atteint, limitant les basculements entre bassins d'attraction. Les résultats, évalués en simulation et sur robots physiques, surpassent les méthodes sans gradient comme SPSA (Simultaneous Perturbation Stochastic Approximation) et CEM (Cross-Entropy Method). L'enjeu industriel est direct : la manipulation de câblages et de harnais est l'un des goulots d'étranglement non résolus de l'automatisation en assemblage automobile, électronique et médical. Les approches par apprentissage par renforcement standard buttent sur l'espace d'état combinatoire des DLO, et le sim-to-real reste fragile faute de gradients exploitables. La formulation adjointe proposée ici ouvre une voie différentiable sans le coût mémoire prohibitif du backpropagation à travers les solveurs itératifs, ce qui est un apport méthodologique tangible. Il faut noter que les métriques de performance publiées n'incluent pas de temps de cycle ni de taux de succès quantifiés sur cas industriels réels, les expériences physiques semblant rester au stade de validation en laboratoire. Ce travail s'inscrit dans un mouvement plus large de simulation différentiable appliquée à la robotique, avec des contributions récentes de groupes comme MIT, Stanford et ETH Zurich. Sur le segment DLO, il concurrence des approches comme les politiques visuomotrices apprises par imitation et les modèles d'espace d'état pour objets déformables. Aucun partenaire industriel ni déploiement pilote n'est mentionné dans la prépublication, ce qui situe clairement ce travail au stade recherche fondamentale. Les prochaines étapes probables incluent une validation sur des tâches de câblage plus complexes et une intégration dans des pipelines de planification temps-réel.

RecherchePaper

1 source

3arXiv cs.RO

Contrôle accéléré par Koopman de la diffusion basée sur modèle pour le contrôle robotique en temps réel

Des chercheurs du RCI Lab de l'université Kyung Hee (Coree du Sud) publient sur arXiv (2609.28920) une méthode de planification en temps réel nommée BK-MBD (bilinear Koopman model-based diffusion). Elle projette l'état du robot dans un espace de haute dimension une seule fois par pas de contrôle, puis propage tous les candidats de trajectoire par simples multiplications matrice-vecteur, évitant de resimuler la dynamique complète comme le fait le model-based diffusion classique. En simulation, chaque mise a jour tient en 14,7 ms maximum pour une période de contrôle de 50 ms, avec un objectif atteint a chaque essai, contre un échec quasi systématique pour un modèle de Koopman linéaire. Sur un manipulateur physique réel suivant une cible mobile inconnue au départ, BK-MBD est la seule méthode a la fois a suivre la cible et a tenir le délai. Ce résultat s'attaque a un verrou connu : les méthodes de diffusion appliquées au contrôle produisent des trajectoires de qualité mais leur cout de calcul les cantonne généralement au hors-ligne, les rendant inutilisables en boucle fermée a cadence élevée. En rendant la dynamique bilinéaire plutôt que linéaire dans l'espace de Koopman, BK-MBD laisse le gain d'entrée varier avec la configuration du robot, une capacité qu'un modèle linéaire ne reproduit pas, ce qui explique l'écart de performance observe. La méthode franchit aussi un passage qu'aucune région convexe unique ne couvre, la ou un contrôleur bilinéaire convexifie échoue presque toujours. Pour les intégrateurs et chercheurs en contrôle robotique, c'est un indice que l'optimisation par diffusion peut devenir compatible avec des cadences de contrôle réelles sans attendre une accélération matérielle massive. BK-MBD s'inscrit dans un courant de recherche récent combinant théorie de l'opérateur de Koopman et diffusion générative pour la planification robotique. L'article, classe comme nouvelle soumission arXiv, ne mentionne aucun partenaire industriel, pilote commercial ni calendrier de déploiement. Il s'agit pour l'instant d'un résultat de laboratoire, valide en simulation et sur un seul manipulateur physique, sans indication de portage vers d'autres plateformes ou vers une chaine de production ; une page projet dédiée est disponible en ligne (rcilab.khu.ac.kr/bkmbd).

RecherchePaper

1 source

4arXiv cs.RO

Contrôle par échantillonnage en temps réel sous contraintes strictes : l'approche MPPI avec contraintes de variété

Une équipe du RCI Lab publie MC-MPPI (Manifold-Constrained Model Predictive Path Integral), un framework de contrôle temps-réel déposé sur arXiv le 26 mai 2026 (arXiv:2605.24813). La méthode répond à une limitation structurelle du MPPI standard : l'impossibilité de garantir des contraintes d'égalité strictes (hard constraints) lors de tâches de manipulation en chaîne fermée. MC-MPPI sépare le problème en deux niveaux : une planification dans un espace latent de faible dimension, apprise par un VAE (Variational Autoencoder) qui encode la variété de contraintes, suivie d'une correction d'exécution par un contrôleur QP (Quadratic Programming) résolvant en un seul appel l'erreur résiduelle. Sur un système bi-bras à 14 degrés de liberté en chaîne fermée, le framework tourne à 100 Hz aussi bien en simulation qu'en conditions réelles, et surpasse significativement les méthodes de référence en précision de suivi de trajectoire. Le verrou adressé est structurel : les pénalités de coût douces du MPPI standard ne garantissent pas la faisabilité des trajectoires candidates, rendant la méthode inapplicable à la manipulation bimanuelle contrainte, aux systèmes à deux points de contact rigide, ou à toute chaîne cinématique fermée. MC-MPPI conserve le parallélisme massif qui rend MPPI attractif : le VAE génère des trajectoires quasi-faisables sans modification par échantillon, permettant une linéarisation précise des contraintes et réduisant la correction d'exécution à un QP résolu en un seul passage au lieu d'une projection itérative coûteuse. Pour un intégrateur ou un responsable technique industriel, cela ouvre MPPI à des tâches d'assemblage et de manipulation précise jusqu'ici réservées aux solveurs par optimisation itérative comme iLQR ou SQP. MPPI est une méthode de contrôle prédictif par échantillonnage stochastique, introduite par Williams et al. à Georgia Tech en 2016 et depuis adoptée en navigation robotique et pour les systèmes sous-actionnés. Les extensions contraintes existantes recourent à des projections itératives coûteuses ou à des reformulations variationnelles qui dégradent la fréquence de contrôle. MC-MPPI se distingue en apprenant la géométrie de contrainte hors-ligne via le VAE, limitant la charge en ligne au seul QP. Les approches concurrentes incluent les méthodes CBF-QP (Control Barrier Function), le MPC différentiable, et les planificateurs neuronaux pour la manipulation bimanuelle. L'équipe met à disposition vidéos et implémentation à rcilab.github.io/mcmppi ; des validations sur des configurations plus complexes ou des manipulateurs mobiles constitueraient des étapes naturelles.

RecherchePaper

1 source