RecherchearXiv cs.RO 26 août 2026

Regarder en sautant : planifier mouvement et perception simultanés pour robots à haut DOF

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs en robotique publient une nouvelle méthode de planification de mouvement baptisée PS-PRM, conçue pour les robots à haut nombre de degrés de liberté (DoF) devant maintenir une perception continue de leur environnement pendant un déplacement. L'article, mis à jour sur arXiv (identifiant 2509.19610, version 3) en tant que remplacement d'une publication antérieure, décrit un planificateur de type feuille de route probabiliste (probabilistic roadmap), parallélisé sur GPU, guidé par un score de perception calculé via un modèle de substitution neuronal (neural surrogate model). Concrètement, le système doit amener un robot d'une configuration de départ à une configuration cible tout en respectant des contraintes de perception continues, que ce soit pour détecter un objet, reconnaître une activité humaine ou repérer un visage, dans des environnements à la fois statiques et dynamiques. Les auteurs indiquent avoir testé leur approche à la fois en simulation et sur un robot réel, avec des résultats supérieurs à deux familles de méthodes de référence: l'apprentissage par renforcement et l'optimisation de trajectoire.

L'enjeu pratique concerne les robots de service et d'assistance appelés à opérer dans des environnements centrés sur l'humain, comme les domiciles ou les hôpitaux, où la sécurité dépend d'une perception fiable en continu, par exemple pour suivre un objet manipulé ou surveiller la présence d'une personne. Le problème central que résout ce travail est le conflit fréquent entre les exigences de mouvement et celles de perception, combiné au coût élevé d'évaluer directement la qualité de perception en temps réel. En contournant ce coût grâce à un modèle de substitution appris plutôt qu'un calcul direct, et en exploitant le calcul parallèle GPU pour le replanification en ligne, l'approche vise à rendre la planification perception-consciente viable en temps réel, un point de friction connu pour les architectures de contrôle robotique à haute dimensionnalité.

Ce travail s'inscrit dans la lignée des planificateurs de perception active et des méthodes conscientes de la visibilité, qu'il cherche explicitement à dépasser en traitant simultanément tâche de mouvement et contrainte de perception, plutôt que séquentiellement. L'article ne mentionne pas de partenariat industriel ni de déploiement produit: il s'agit d'une contribution de recherche, avec code et expériences limités au cadre académique décrit dans la publication.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

Connectivité multi-robots : maintien et récupération pour la planification de mouvement

Des chercheurs proposent un nouvel algorithme de planification de trajectoire pour flottes de robots, baptisé MPC-CLF-CBF, conçu pour maintenir la connectivité du réseau de communication entre robots tout en évitant les obstacles. Décrit dans une version révisée d'un article arXiv (2510.03504v3), ce planificateur en temps réel combine fonctions barrières de contrôle d'ordre élevé (CBF) et fonctions de Lyapunov de contrôle (CLF) au sein de trajectoires basées sur des courbes de Bézier, calculant simultanément trajectoire et commandes. Contrairement aux contrôleurs réactifs classiques à base de CBF, qui préservent la connectivité quand elle est déjà assurée mais se bloquent fréquemment en environnement encombré, cette approche sait aussi restaurer la connectivité depuis une configuration initialement déconnectée ou après une séparation temporaire causée par un obstacle. En simulation avec 4 à 12 robots et une densité d'obstacles de 20%, le système maintient un graphe connecté entre 95,8% et 100% du temps, contre seulement 48,9% à 61,3% pour la méthode de référence MPC-CBF, sans aucune collision observée. Les auteurs ont aussi validé l'approche physiquement sur un essaim de 8 nano-quadricoptères Crazyflie. Pour l'industrie robotique, ce travail s'attaque à un verrou concret des flottes multi-robots : maintenir un réseau de communication fonctionnel dans un environnement encombré, sans sacrifier la capacité de déplacement de la flotte. Le phénomène de blocage (deadlock) des contrôleurs CBF classiques en milieu cluttered est un problème connu et documenté dans la littérature ; le proposer comme point de comparaison chiffré, avec un écart net (quasi 100% contre environ 50-60%), donne une mesure concrète du gain. La capacité du planificateur à produire des dérivées analytiques continues le rend directement applicable aux systèmes différentiellement plats comme les drones quadrirotors, ce qui ouvre la voie à des essaims aériens plus robustes pour l'inspection, la surveillance ou la recherche-sauvetage en zones GPS-dégradées où la connectivité inter-robots est critique. Le sujet s'inscrit dans une lignée de recherche active sur les CBF appliqués à la coordination multi-agents, où la difficulté centrale reste de concilier sécurité (éviter collisions et obstacles), connectivité du réseau et progression réelle vers un objectif. La comparaison directe avec un MPC-CBF plus classique sert de baseline pour situer l'apport du couplage CLF. La validation matérielle sur banc de 8 Crazyflie, bien que modeste en échelle, apporte une preuve de concept au-delà de la simulation, un point souvent absent des publications purement théoriques sur ce sujet.

RecherchePaper

1 source

2arXiv cs.RO

Modélisation par diffusion optimale pour la planification de mouvement multi-robots

Des chercheurs présentent MDOC (Model-Based Diffusion Optimal Control), un planificateur de trajectoires pour flottes multi-robots fondé sur la diffusion, décrit dans un preprint publié sur arXiv (2607.12423). Contrairement aux approches récentes qui traitent la planification de trajectoires comme un problème d'inférence probabiliste et apprennent leurs fonctions de score à partir de larges jeux de données de démonstration, MDOC s'appuie directement sur des modèles de dynamique connus, sans données d'entraînement. Sa mécanique de sécurité combine ces modèles avec des projections contraintes par des Control Barrier Functions (CBF), et le système passe à l'échelle multi-robots grâce à la méthode de Conflict-Based Search (CBS), qui résout les conflits de trajectoires entre agents de façon hiérarchique. Les auteurs rapportent, en simulation, de meilleures performances que des planificateurs de référence en termes d'efficacité d'échantillonnage, de fluidité géométrique des trajectoires et de taux de réussite, tout en réduisant le temps de calcul et en garantissant des trajectoires sans collision. L'enjeu dépasse l'exercice académique : la planification de mouvement multi-robots en environnement continu se heurte à une explosion combinatoire de l'espace des trajectoires conjointes, et les méthodes par diffusion existantes peinent à garantir rigoureusement la faisabilité dynamique et les contraintes de sécurité strictes lors de l'échantillonnage. En s'affranchissant de la dépendance aux données de démonstration tout en conservant des garanties formelles de sécurité, MDOC répond à un frein réel à l'adoption industrielle de ces techniques pour des flottes d'AMR ou de robots collaboratifs, où l'absence de collision n'est pas négociable. Le travail s'inscrit dans la lignée des approches récentes qui recadrent la planification de trajectoires comme un problème d'inférence par diffusion, en s'en distinguant par son caractère "model-based" plutôt que piloté par les données. Il se positionne aussi comme une alternative aux méthodes classiques d'optimisation de trajectoire et de recherche multi-agents. À ce stade, les résultats restent limités à des expériences en simulation ; aucun déploiement sur robots physiques n'est mentionné, ce qui en fait une contribution méthodologique à confirmer avant tout usage en conditions réelles.

RecherchePaper

1 source

3arXiv cs.RO

G-MAPP : planification et perception multi-agents accélérées par GPU pour la génération de mouvement réactif

G-MAPP (GPU-accelerated Multi-Agent Planning and Perception) est un framework de génération de mouvement réactif présenté dans un preprint arXiv (2606.12579) publié en juin 2026. Le système cible un problème persistant en robotique manipulatrice : produire des trajectoires sans collision en temps réel dans des environnements non structurés et dynamiques. L'architecture repose sur deux composants GPU : un moteur de modélisation du monde alimenté par des capteurs de profondeur grand public, et un planificateur par champs vectoriels permettant une exploration parallèle quasi-globale des états. Validé sur un bras Franka Emika 7 axes (7-DoF), le système affiche un gain de vitesse mesuré jusqu'à 5x par rapport à la version CPU équivalente, avec des évitements de collision réussis dans des configurations physiques simples et complexes. Le point dur que G-MAPP tente de résoudre est double : la charge de calcul pour planifier sur des représentations haute fidélité du monde, et le délai d'intégration entre la perception et le planificateur. Historiquement, les architectures existantes choisissaient entre planification globale (précise mais lente, réservée aux environnements statiques) et planification locale conservative (rapide mais myope). En fusionnant les deux boucles sur GPU, G-MAPP vise à éliminer ce compromis. Pour un intégrateur industriel ou un COO de ligne d'assemblage, cela ouvre la voie à des cellules robotiques reconfigurables sans reprogrammation manuelle, avec des bras capables de coexister avec des opérateurs humains en mouvement, à condition que les performances tiennent sur des géométries de charge plus représentatives. La génération de mouvement réactif mobilise depuis plusieurs années des approches concurrentes : planificateurs neuronaux (MPINETS, MotionBenchMaker), champs de potentiel riemanniens (RMP-Flow, STORM), et méthodes MPC sur horizon glissant. G-MAPP se positionne dans la lignée des planificateurs par champs vectoriels accélérés, avec la particularité de traiter la perception et la planification dans le même pipeline GPU. Le Franka Emika reste une plateforme académique standard, et aucun partenariat industriel ni roadmap de commercialisation n'est mentionné dans le preprint : il s'agit d'une contribution de recherche à confirmer sur des bras à charge utile plus élevée, des vitesses d'obstacles plus importantes, et des environnements multi-agents. Les prolongements naturels incluent les architectures multi-bras et l'intégration avec des pipelines de perception sémantique.

RecherchePaper

1 source

4arXiv cs.RO

Contrôle de hauteur et planification optimale du couple pour le saut de robots bipèdes à roues

Des chercheurs présentent dans un preprint arXiv (2605.03302, mai 2026) deux méthodes combinées pour contrôler avec précision la hauteur de saut des robots bipèdes à roues. Le constat de départ est pratique : face à l'incertitude dynamique, ces plateformes sautent systématiquement plus haut que nécessaire pour garantir la sécurité, ce qui génère des pertes moteur évitables, des forces de contact au sol excessives et une surconsommation énergétique. La première contribution, le modèle W-JBD (Wheeled-Bipedal Jumping Dynamical), permet de cibler précisément une hauteur de saut, mais produit une consigne de couple en échelon incompatible avec les actionneurs réels. La seconde, BOTP (Bayesian Optimization for Torque Planning), optimise la trajectoire de couple sans nécessiter de modèle dynamique précis et converge en 40 itérations en moyenne. Validée sur le simulateur Webots, BOTP réduit l'erreur de hauteur de 82,3 % et la consommation énergétique de 26,9 % par rapport à la baseline, tout en produisant une courbe de couple continue. Ce résultat est pertinent pour les intégrateurs qui déploient des robots bipèdes à roues dans des environnements industriels ou logistiques : l'efficacité énergétique conditionne directement l'autonomie embarquée, et la reproductibilité du saut détermine la fiabilité du franchissement d'obstacles. Le fait que BOTP fonctionne sans modèle dynamique précis est un avantage opérationnel concret, car calibrer un modèle complet sur chaque variante de plateforme est coûteux. L'approche bayésienne converge rapidement, ce qui la rend adaptée à une validation sur robot réel avec un nombre limité d'essais physiques, un point critique pour réduire l'usure mécanique. Cela dit, les auteurs n'ont pas encore franchi le sim-to-real : l'ensemble des résultats reste en simulation, et le gap entre Webots et un vrai terrain reste à quantifier. Les robots bipèdes à roues constituent une classe en expansion : Unitree B2-W, l'ETH Zurich avec Ascento, ou encore les plateformes Handle/mobility de Boston Dynamics combinent la vitesse des roues avec la capacité de franchissement des pattes. Le planning de couple par optimisation bayésienne s'inscrit dans une tendance plus large qui vise à remplacer les contrôleurs MPC classiques, trop dépendants de modèles précis, par des méthodes d'optimisation légères adaptables à la production. Les auteurs annoncent comme prochaine étape la validation expérimentale sur robot physique en s'appuyant sur les trajectoires simulées pour réduire l'espace de recherche, ce qui devrait permettre de confirmer, ou non, la tenue des gains annoncés hors simulation.

UELes travaux pourraient intéresser les équipes de recherche européennes sur les robots bipèdes à roues (notamment ETH Zurich / Ascento), mais l'impact reste indirect, sans contribution ni déploiement européen identifié.

RecherchePaper

1 source