Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
Fonctions de barrière de contrôle robustes aux mesures, apprises pour l'évitement d'obstacles sous erreur d'estimation d'état
RecherchearXiv cs.RO 

Fonctions de barrière de contrôle robustes aux mesures, apprises pour l'évitement d'obstacles sous erreur d'estimation d'état

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

Un article publié sur arXiv (référence 2608.20467) présente deux nouvelles fonctions barrières de contrôle (CBF) destinées à garantir l'évitement d'obstacles quand l'estimation d'état du robot est imparfaite, une situation courante hors laboratoire. La première, DMR-CBF, ajoute à la condition CBF classique une optimisation sur le pire cas d'incertitude dans la dynamique du système, puis sert à préentraîner une seconde version, NMR-CBF, qui remplace cette optimisation par un terme appris et affiné sur des trajectoires simulées différentiables. Testées sur un double intégrateur planaire et un quadrirotor à 12 degrés de liberté, les deux méthodes évitent les collisions là où d'autres approches robustes échouent ou se montrent trop prudentes. Le NMR-CBF a ensuite été déployé sur un robot quadrupède Unitree Go2, qui a traversé un champ d'obstacles malgré des erreurs d'odométrie ayant fait percuter un filtre CBF standard.

Ce travail cible un angle mort connu des filtres de sécurité: la plupart des CBF publiés supposent un état parfaitement connu, hypothèse qui s'effondre dès qu'un robot mobile ou un drone s'appuie sur une odométrie bruitée. Pour les intégrateurs qui évaluent des couches de sécurité pour robots mobiles autonomes (AMR), quadrupèdes ou drones, la démonstration sur Go2 illustre l'écart entre un filtre standard, qui percute l'obstacle sous erreur d'odométrie, et une version robuste qui l'évite avec un coût de calcul réduit grâce à l'apprentissage. Cela va dans le sens d'un secteur qui cherche à combiner garanties de sécurité formelles et budget de calcul compatible avec l'embarqué, plutôt qu'à choisir entre robustesse et temps réel.

Le papier s'inscrit dans une lignée récente de travaux sur les CBF robustes à l'erreur d'estimation d'état, une extension encore jeune du cadre CBF classique utilisé pour l'évitement d'obstacles et le contrôle sûr. Les auteurs positionnent DMR-CBF et NMR-CBF face à ces méthodes robustes antérieures, jugées soit sujettes à des violations de sécurité, soit trop conservatrices, et fournissent une analyse théorique du DMR-CBF en complément des résultats empiriques. Sans calendrier de suite précisé, le passage du banc de simulation au robot Go2 en conditions réelles reste l'étape de validation la plus significative avant une éventuelle extension à d'autres plateformes mobiles.

Dans nos dossiers

UnitreearXiv cs.RO

À lire aussi

Évitement de collisions par fonctions barrières de contrôle géométriques et approximations polynomiales de Bernstein
1arXiv cs.RO 

Évitement de collisions par fonctions barrières de contrôle géométriques et approximations polynomiales de Bernstein

Des chercheurs ont déposé sur arXiv (référence 2605.30696) un article présentant une nouvelle méthode de navigation sûre pour robots basée sur des fonctions de barrière de contrôle (CBF) couplées à des champs de distance signée approximés par polynômes de Bernstein, baptisés BP-SDFs. L'approche cible un problème concret du pipeline de planification de mouvement : les substituts géométriques classiques comme les sphères ou les super-ellipsoïdes sont soit trop conservateurs dans des environnements non structurés, soit nécessitent un grand nombre de primitives locales, ce qui gonfle le nombre de contraintes et dégrade les performances temps réel. La méthode proposée offre une représentation unifiée pour les robots et les obstacles via un seul champ de distance signé, réduisant le problème de sécurité à une contrainte de distance minimale unique, applicable en boucle fermée grâce à la différentiabilité des polynômes de Bernstein. Les validations sont réalisées exclusivement en simulation, sur des scénarios de navigation mono-robot et d'évitement de collision multi-robots hétérogènes. L'enjeu industriel est réel : les CBFs sont aujourd'hui un outil central pour garantir mathématiquement la sûreté des systèmes robotiques, mais leur passage à l'échelle dans des environnements complexes (entrepôts encombrés, lignes de production partagées entre AMRs hétérogènes) bute souvent sur l'explosion combinatoire des contraintes. Réduire cette inflation tout en conservant des garanties formelles d'invariance de l'ensemble sûr serait un gain direct pour les intégrateurs qui déploient des flottes mixtes. La différentiabilité des BP-SDFs permet en outre d'intégrer la contrainte dans un QP (quadratic program) standard sans approximations supplémentaires, ce qui simplifie l'architecture de contrôle. Les CBFs ont été formalisés et popularisés principalement par le groupe d'Aaron Ames (Caltech) depuis le début des années 2010, et les SDF comme représentation géométrique sont exploités depuis longtemps en planification de mouvement et en apprentissage (NeRF, NeuralSDF). D'autres équipes combinent déjà CBFs et SDFs appris par réseaux de neurones, ou utilisent des CBFs à base de convex decomposition. Cette contribution se positionne dans la continuité de ces travaux avec l'angle spécifique de l'approximation polynomiale, plus analytiquement contrôlable. Étant un preprint sans validation hardware, la distance entre simulation et déploiement réel reste à combler, et aucune timeline ni partenaire industriel ne sont mentionnés.

RecherchePaper
1 source
Risque et contrôle de croyance sous contraintes : fonctions barrières pour ensembles finis aléatoires
2arXiv cs.RO 

Risque et contrôle de croyance sous contraintes : fonctions barrières pour ensembles finis aléatoires

Des chercheurs publient sur arXiv (2607.15016v1) un cadre baptisé "risk-aware belief control barrier function" (BCBF) pour sécuriser le contrôle de robots évoluant dans des environnements inconnus et dynamiques, où le nombre d'objets mobiles à éviter varie dans le temps et n'est connu qu'à travers des mesures bruitées et incomplètes. L'incertitude sur cet état multi-objets est modélisée par une croyance au format random finite set (RFS), estimée par un filtre SMC-PHD (sequential Monte Carlo probability hypothesis density) qui la représente sous forme d'un nuage de particules. À partir de ces particules, les auteurs construisent directement une fonction barrière de contrôle non lisse, démontrent l'invariance de l'ensemble de sécurité sous prédiction continue, et établissent une condition explicite garantissant que les mises à jour discrètes du filtre ne compromettent pas cette sécurité. La méthode est validée en simulation puis lors d'expériences réelles en environnement sous-marin. Ce travail s'attaque à un point de friction connu entre théorie du contrôle et déploiement réel: la plupart des control barrier functions classiques supposent un nombre d'obstacles fixe et connu, hypothèse rarement vraie hors laboratoire. En couplant directement le filtre PHD, qui gère nativement apparitions, disparitions et bruit de détection, à la barrière de sécurité, l'approche évite l'étape fragile de "suivi puis contrôle" où des erreurs d'association de données peuvent silencieusement casser les garanties de sécurité. Pour les intégrateurs de robots mobiles ou sous-marins opérant en environnement encombré et faiblement instrumenté, cela ouvre la voie à des garanties formelles même quand la perception reste imparfaite, un cas de figure encore mal couvert par les CBF probabilistes existantes, souvent limitées à la simulation. Les control barrier functions se sont imposées depuis une dizaine d'années comme outil de référence du contrôle sûr en robotique, notamment via les travaux d'Aaron Ames à Caltech, mais leur extension à l'incertitude multi-objets reste un champ actif. Les filtres PHD, eux, dérivent des travaux de Ronald Mahler sur les ensembles finis aléatoires appliqués au suivi multi-cibles, formalisme né en défense et surveillance radar avant sa percée en robotique mobile. Aucun partenariat industriel ni calendrier de transfert n'est mentionné: il s'agit pour l'instant d'une preuve de concept en environnement sous-marin contrôlé, sa généralisation à d'autres domaines restant une piste ouverte.

RecherchePaper
1 source
CN-CBF : fonction de barrière de contrôle neuronale composite pour la navigation robotique en environnements dynamiques
3arXiv cs.RO 

CN-CBF : fonction de barrière de contrôle neuronale composite pour la navigation robotique en environnements dynamiques

Des chercheurs proposent une nouvelle méthode de conception de fonctions de barrière de contrôle neuronales, baptisée CN-CBF (Composite Neural Control Barrier Function), pour sécuriser la navigation de robots autonomes dans des environnements dynamiques et incertains. L'approche combine plusieurs CBF neuronales individuelles en une seule fonction composite : chacune est entraînée hors ligne à partir de données générées par le cadre de calculabilité Hamilton-Jacobi, afin d'approximer l'ensemble de sécurité optimal face à un obstacle mobile unique. Une architecture neuronale résiduelle garantit que l'ensemble de sécurité estimé ne recoupe jamais l'ensemble d'échec correspondant. La méthode a été testée en simulation sur un robot terrestre et un quadricoptère, puis validée par des expériences matérielles sur les deux plateformes. Comparée aux meilleures méthodes de référence existantes, elle améliore le taux de réussite de la navigation jusqu'à 18%, tout en conservant des longueurs de trajectoire et des temps de déplacement comparables, voire inférieurs. Ce résultat s'attaque à un problème central pour l'industrie robotique : les filtres de sécurité basés sur les CBF sont simples à déployer mais notoirement difficiles à concevoir manuellement, en particulier quand l'environnement change en temps réel. En automatisant et en fiabilisant cette conception via l'apprentissage, CN-CBF pourrait faciliter le déploiement de robots autonomes, mobiles ou volants, dans des environnements partagés avec des obstacles mobiles, humains compris, sans sacrifier l'efficacité des trajectoires. Le passage du simulateur au matériel réel, sur deux morphologies distinctes, robot au sol et drone, est un signal encourageant pour les intégrateurs et les équipes de R&D qui cherchent des garanties de sécurité formelles plutôt que des heuristiques ad hoc, un enjeu clé pour la certification et l'adoption en environnements industriels ou logistiques. Les fonctions de barrière de contrôle sont un outil classique de la théorie du contrôle pour garantir la sécurité formelle des systèmes dynamiques, mais leur conception manuelle devient vite intraitable dès que la dimension ou la complexité de l'environnement augmente. Les approches existantes, qu'elles soient purement basées sur des modèles ou purement apprises, souffrent chacune de limites que les auteurs cherchent explicitement à corriger en combinant apprentissage neuronal et cadre théorique Hamilton-Jacobi. Publié sur arXiv en version révisée, ce travail s'inscrit dans une littérature croissante sur les CBF neuronales pour la robotique mobile et aérienne. Les auteurs mentionnent des évaluations étendues en simulation face à plusieurs méthodes concurrentes ; une extension naturelle consisterait à traiter des scénarios multi-obstacles ou multi-robots, au-delà du cas de l'obstacle mobile unique étudié ici.

RecherchePaper
1 source
Système Anti-Complémentarité et Fonctions Barrières de Contrôle pour un Contrôle Corporel Complet et Sûr du Robot
4arXiv cs.RO 

Système Anti-Complémentarité et Fonctions Barrières de Contrôle pour un Contrôle Corporel Complet et Sûr du Robot

Une équipe de chercheurs publie une version révisée sur arXiv (2504.17647v2) d'un travail théorique qui établit, pour la première fois de façon formelle, l'équivalence mathématique entre deux outils utilisés séparément pour garantir la sécurité des robots en temps réel : les contraintes de complémentarité et les fonctions barrières de contrôle, plus connues sous l'acronyme CBF. La démonstration porte sur des systèmes du premier ordre à données échantillonnées, c'est à dire le cadre typique du contrôle numérique embarqué sur un robot réel, et couvre à la fois le cas d'une seule contrainte de sécurité et celui de contraintes multiples simultanées, comme lorsqu'un bras ou un robot à corps entier doit éviter plusieurs obstacles ou respecter plusieurs limites articulaires en même temps. Cette unification théorique a une portée pratique directe pour le contrôle dit "whole body", c'est à dire la coordination de l'ensemble des degrés de liberté d'un robot humanoïde ou d'un bras manipulateur pour garantir l'évitement de collision en réactif, sans replanification lourde. Les deux communautés, celle de l'optimisation sous contraintes de complémentarité et celle des CBF popularisées ces dernières années en robotique et en conduite autonome, avaient développé des garanties de robustesse et des méthodes algorithmiques largement indépendantes. Prouver leur équivalence permet désormais de transférer directement les avancées de l'un vers l'autre : un résultat de robustesse démontré côté complémentarité devient exploitable côté CBF, et inversement, sans repartir de zéro. Pour les équipes qui développent des contrôleurs de sécurité pour robots industriels ou humanoïdes, cela signifie un choix d'implémentation moins contraint par la littérature disponible dans chaque sous domaine. Les CBF se sont imposées depuis une dizaine d'années comme un cadre de référence pour encoder des contraintes de sécurité dans des lois de commande temps réel, tandis que les contraintes de complémentarité viennent de la tradition de l'optimisation et du contrôle optimal sous contraintes d'inégalité. Le fait que ces deux approches, nées dans des communautés distinctes, se révèlent mathématiquement équivalentes dans ce cadre précis ouvre la voie à des travaux de comparaison plus larges, notamment pour des systèmes du second ordre et des scénarios de contraintes plus complexes, que les auteurs identifient explicitement comme prochaine étape de recherche.

RecherchePaper
1 source