Aller au contenu principal
Quand les automates rencontrent les flux : compilation de logique temporelle pour la planification tâche-mouvement en robotiqueIllustration générée par IA
RecherchearXiv cs.RO 

Quand les automates rencontrent les flux : compilation de logique temporelle pour la planification tâche-mouvement en robotique

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

Une équipe de recherche en robotique présente SAM-TD (Synchronous Action Monitoring with Token Destruction), une méthode de compilation permettant d'imposer des contraintes de logique temporelle linéaire sur traces finies (LTLf) dans la planification tâche-mouvement (TAMP) basée sur les flux, ou "streams". Publiée sur arXiv en aout 2026, l'approche traduit des spécifications LTLf arbitraires en automates, puis intègre des gardes d'automates régressées directement dans les schémas d'action, définis avant le début de la planification. Pendant la recherche de plan, SAM-TD met à jour de façon synchrone l'état de chaque automate et s'appuie sur un jeton de validité partagé entre tous les automates pour élaguer les branches qui violent les contraintes. Les auteurs rapportent ce qu'ils présentent comme la première démonstration de TAMP basée sur des streams sous contraintes LTL_f, testée dans trois environnements robotiques PDDLStream, et affirment que SAM-TD reste compétitif face aux méthodes de référence de compilation de contraintes temporelles sur des benchmarks PDDL discrets classiques.

Le TAMP basé sur les streams combine planification symbolique discrète et génération continue de paramètres géométriques (poses, prises, trajectoires) produits à la volée pendant la recherche de solution. Jusqu'ici, ces planificateurs ne vérifiaient que l'atteignabilité d'un objectif, sans garantir de contraintes temporelles comme l'ordre d'exécution critique pour la sécurité, l'invariance ou la liveness, pourtant indispensables sur des tâches à long horizon. Le verrou technique tenait au fait que les streams génèrent un ensemble d'objets géométriques en expansion continue au fil des boucles de raffinement, incompatible avec les techniques existantes de compilation de logique temporelle conçues pour un ensemble d'objets fixe et énumérable. En levant ce verrou sans modifier le planificateur sous-jacent ni exiger d'énumération préalable des objets, SAM-TD ouvre la voie à des architectures capables de respecter des règles de sécurité formelles tout en conservant la flexibilité des générateurs continus, un enjeu direct pour les intégrateurs qui déploient des manipulateurs en environnement partagé avec des humains ou soumis à des contraintes réglementaires strictes.

Le cadre PDDLStream, sur lequel s'appuie ce travail, sert de référence académique pour coupler planification classique PDDL et générateurs de paramètres continus en robotique ; les techniques antérieures de compilation de logique temporelle avaient été conçues pour ce contexte discret et supposaient un monde d'objets clos, d'où leur incompatibilité avec les streams. SAM-TD se positionne comme une extension du cadre existant plutôt que comme un nouveau planificateur, ce qui pourrait faciliter son adoption par les équipes déjà équipées d'outils PDDLStream. L'article ne mentionne ni pilote industriel ni calendrier de déploiement sur robot réel : les résultats se limitent à des environnements simulés et à des benchmarks PDDL standards, laissant ouverte la question du passage à l'échelle en conditions réelles.

Dans nos dossiers

À lire aussi

Vers une relaxation convexe plus fine des programmes mixtes en nombres entiers : le flux de réseau logique pour la planification tâche-mouvement
Illustration générée par IA
1arXiv cs.RO 

Vers une relaxation convexe plus fine des programmes mixtes en nombres entiers : le flux de réseau logique pour la planification tâche-mouvement

Des chercheurs en robotique ont mis à jour sur arXiv (2509.24235) "Logic Network Flow", un framework de planification de tâches et de mouvements (task and motion planning, TAMP) fondé sur l'optimisation, qui intègre la logique temporelle dans des programmes en nombres mixtes. Inspirée de la formulation Graph-of-Convex-Sets, la méthode encode les contraintes temporelles comme des contraintes polyédriques sur les arêtes d'un modèle de flux réseau, plutôt qu'entre les nœuds comme dans les formulations classiques dites Logic Tree, et ajoute une élimination de Fourier-Motzkin qui supprime les variables continues sans perdre en finesse de relaxation convexe. Sur des tests de routage de véhicules, de coordination multi-robots et de contrôle de systèmes dynamiques (modèles point-mass et pendule inversé linéaire), elle affiche des accélérations de calcul allant jusqu'à plusieurs ordres de grandeur et une consommation mémoire réduite. Une démonstration matérielle sur robots quadrupèdes valide une capacité de replanification en temps réel face à des conditions environnementales changeantes, avec code et détails disponibles sur logicnetworkflow.github.io. Ce travail cible un goulot d'étranglement connu du secteur robotique: la planification combinée tâches-mouvements sous contraintes temporelles devient vite trop lente pour du temps réel dès que le nombre de variables entières croît, ce qui limite le déploiement de robots mobiles ou à pattes dans des environnements changeants. Des relaxations convexes plus serrées et moins de contraintes réduisent directement le coût de résolution des solveurs en nombres mixtes, un frein majeur à la mise à l'échelle des méthodes de planification formelle face aux approches data-driven de type VLA. Les gains annoncés, jusqu'à plusieurs ordres de grandeur en vitesse, restent toutefois issus de benchmarks contrôlés, avec une validation matérielle limitée à des quadrupèdes en conditions de laboratoire plutôt qu'à un déploiement industriel à grande échelle. La méthode prolonge les travaux sur Graph-of-Convex-Sets, une formulation d'optimisation convexe pour la planification de trajectoires devenue courante en robotique ces dernières années, en l'étendant à la logique temporelle. Elle se positionne face aux formulations Logic Tree traditionnelles du TAMP et aux méthodes de synthèse de contrôleurs par logique temporelle signal (STL), couramment employées en robotique formelle. Publiée en version 2 sur arXiv sans partenariat industriel ni feuille de route commerciale annoncée, cette contribution reste académique, avec code et démonstrations mis à disposition sur le site du projet pour en faciliter la reproductibilité.

RecherchePaper
1 source
Heuristiques à base de graphes pour le retrait minimal de contraintes en planification de mouvement robotique encombrée
Illustration générée par IA
2arXiv cs.RO 

Heuristiques à base de graphes pour le retrait minimal de contraintes en planification de mouvement robotique encombrée

Les robots humanoïdes et de service qui évoluent dans des environnements domestiques ou de bureau encombrés se heurtent régulièrement à des problèmes de planification de mouvement sans solution tant que tous les objets alentour sont traités comme des obstacles fixes. Une publication déposée sur arXiv (2610.12609) s'attaque à ce cas via le problème dit de Minimum Constraint Removal (MCR), qui consiste à identifier le plus petit nombre de contraintes, typiquement des objets déplaçables, dont le retrait ouvre un chemin sans collision. Le calcul d'une solution MCR optimale est NP-difficile. Les auteurs proposent donc un pipeline heuristique à base de graphes, qui combine une génération bidirectionnelle d'ensembles admissibles et des recherches de longueur fixe sur des graphes MCR réduits. Ils décrivent aussi un générateur étendu, destiné aux instances où les candidats du premier générateur ne contiennent pas un ensemble de retrait optimal complet. Sur six benchmarks, le pipeline retrouve la solution exacte dans trois cas. Dans les autres, il sélectionne au plus 31,25 % d'obstacles de plus que l'optimum, tout en étant de 3,4 à 33,7 fois plus rapide que la recherche exacte. Dans un benchmark de manipulation en milieu encombré, retirer deux objets au lieu de sept fait passer le temps cumulé de MCR, de cinématique inverse et de planification de mouvement de 84,72 s à 30,59 s. Pour les intégrateurs et les équipes de robotique de manipulation, l'enjeu dépasse la performance algorithmique pure. Un robot qui doit décider quels objets déplacer pour atteindre une cible, par exemple dans une étagère dense, un poste de travail ou un domicile, supporte mal une latence de plusieurs dizaines de secondes. Le résultat montre qu'un compromis explicite entre qualité et temps de calcul est possible : accepter quelques obstacles déplacés en trop contre un gain d'un ordre de grandeur sur certains benchmarks. Il faut toutefois rester prudent. Il s'agit de résultats de benchmarks académiques, sans validation annoncée sur un robot réel ni mesure en conditions industrielles. Le gain de 84,72 s à 30,59 s reste un temps de calcul, pas un temps de cycle de tâche, et il dépend de la structure du benchmark choisi. L'écart maximal de 31,25 % par rapport à l'optimum n'offre en outre aucune garantie théorique de borne. Ce travail s'inscrit dans la lignée de la planification de mouvement parmi obstacles déplaçables (NAMO), un domaine où les approches exactes se heurtent vite à l'explosion combinatoire et où les heuristiques restent la voie dominante. Il intervient alors que les modèles vision-langage-action (VLA) portés par les acteurs de l'humanoïde, comme Figure avec Helix, Physical Intelligence avec Pi-0 ou NVIDIA avec GR00T, privilégient l'apprentissage de bout en bout pour les tâches de manipulation. Les méthodes de planification symbolique et géométrique comme celle-ci offrent une alternative ou un complément plus interprétable, capable de fournir à un module appris la liste des objets à écarter. Les prochaines étapes naturelles seraient une intégration avec des planificateurs de mouvement existants, un test sur manipulateurs physiques et une comparaison directe avec des approches apprises. Aucune échéance de déploiement ni partenaire industriel n'est mentionné à ce stade.

RecherchePaper
1 source
Planification de mouvements par logique temporelle de signaux via des graphes d'ensembles convexes
Illustration générée par IA
3arXiv 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
Modèle du monde à quantification vectorielle : planification de mouvement par rétroaction latente pour la manipulation robotique
Illustration générée par IA
4arXiv cs.RO 

Modèle du monde à quantification vectorielle : planification de mouvement par rétroaction latente pour la manipulation robotique

Des chercheurs proposent le Vector-Quantized World Model (VQ-WM), un cadre de planification de mouvement à retour d'information latent pour la manipulation robotique, décrit dans la version 2 d'un preprint arXiv (2610.25600). L'architecture combine deux étages. Un prédicteur latent discret modélise les transitions entre états visuels quantifiés par vecteurs, ce qui permet au planificateur de chercher en profondeur et de trouver le plus court chemin vers le but par recherche discrète. Un contrôleur continu appris atteint ensuite ces états planifiés l'un après l'autre, en s'appuyant sur le retour visuel pour corriger les déviations. L'innovation technique tient à la métrique de quantification. Là où la quantification vectorielle classique utilise la distance euclidienne, les auteurs emploient un nouvel estimateur du temps de premier passage, utilisé comme quasi-métrique, afin que l'abstraction de planification reflète ce que le contrôleur sait réellement atteindre. L'évaluation physique porte sur la tour de Hanoï, avec 100 % de réussite à partir de données de jeu courtes. Sur des benchmarks en simulation couvrant manipulation et locomotion, la méthode devance les meilleurs modèles du monde de 13,3 à 85,3 points de pourcentage. L'intérêt tient à l'un des points faibles les plus cités des approches actuelles, la manipulation à long horizon. Les auteurs affirment que les modèles fondation de pointe, qu'il s'agisse de VLA (vision-langage-action) ou de WAM (world action models), ne réussissent la tâche que si la trace de la solution figure dans leurs données d'entraînement. VQ-WM, lui, recompose des solutions longues à partir de démonstrations courtes. Si ce résultat se confirmait, il plaiderait pour des architectures hybrides, où la recherche explicite et le contrôle par retour visuel complètent l'apprentissage de politiques de bout en bout, et pour une collecte de données moins coûteuse, car elle n'aurait plus à couvrir chaque séquence complète. Il faut toutefois rester prudent. Hanoï est une tâche structurée, à états discrets bien définis et à solution connue, très éloignée du désordre d'un entrepôt ou d'une ligne d'assemblage. L'écart de 13,3 à 85,3 points est une fourchette très large, qui dépend sans doute fortement des benchmarks et des baselines retenus. Le résumé ne précise ni le nombre d'essais, ni le robot utilisé, ni les temps de cycle. Ces travaux s'inscrivent dans la montée des modèles du monde visuels pour la planification, qui se heurtent à l'accumulation des erreurs de prédiction, à la complexité de la recherche et à des plans latents que le contrôleur bas niveau ne peut pas exécuter. VQ-WM s'attaque à ces trois obstacles. Il se place face aux VLA comme Pi-0 ou GR00T, et face aux WAM, qui dominent les démonstrations industrielles actuelles. Il s'agit d'une publication académique, non d'un produit ni d'un pilote : aucune commercialisation ni calendrier n'est annoncé. Les prochaines étapes à surveiller sont la validation sur des tâches non structurées, avec des objets variés et des perturbations réelles, ainsi que la publication du code et des données.

RecherchePaper
1 source