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

Planification du mouvement à double processus

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

Publié sur arXiv en septembre 2026 (identifiant 2609.01260v1, classé en cross-listing), l'article intitulé "Dual Process Motion Planning" présente une architecture neuro-symbolique pour la planification de mouvement en robotique. Inspirée du modèle cognitif "Thinking Fast and Slow" de Daniel Kahneman, elle articule un module "Système 2", des solveurs symboliques classiques garantissant robustesse et précision, et un module "Système 1", appris par l'expérience pour accélérer la prise de décision. Un contrôleur métacognitif arbitre dynamiquement entre les deux selon la difficulté de la tâche à résoudre. Les auteurs testent le système sur plusieurs environnements de référence non linéaires, mais le résumé ne fournit ni chiffre de charge utile, ni degrés de liberté, ni temps de cycle, ni nom d'entreprise ou site de déploiement : il s'agit d'une contribution de recherche, pas d'un produit commercialisé.

La planification robotique reste écartelée entre méthodes classiques, fiables mais lourdes en calcul et peu adaptables, et méthodes apprises, rapides mais difficiles à garantir formellement. Cette hybridation illustre une tendance de fond déjà visible dans les architectures vision-langage-action comme GR00T N2 ou Helix, qui combinent politiques apprises et couches de contrôle structurées pour réduire l'écart entre démonstrations impressionnantes et fiabilité industrielle. Pour les intégrateurs et décideurs B2B, un contrôleur capable d'arbitrer entre intuition rapide et raisonnement rigoureux pourrait, si les gains se confirment hors laboratoire, atténuer le compromis habituel entre vitesse de calcul et garanties de sécurité, un frein connu au déploiement de robots manipulateurs ou mobiles en environnement non structuré.

Ce travail s'inscrit dans un courant croissant de recherche neuro-symbolique cherchant à marier raisonnement structuré et réseaux de neurones, plutôt que de tout miser sur l'apprentissage de bout en bout comme les approches de type Pi-0. Le classement en cross-listing sur arXiv suggère un intérêt à la fois pour la robotique et l'intelligence artificielle, mais l'article ne précise ni affiliation institutionnelle ni feuille de route industrielle. À ce stade, aucun pilote, partenariat ou calendrier de transfert vers des plateformes commerciales, humanoïdes ou non, n'est annoncé : la contribution reste scientifique, destinée à la communauté de la planification de mouvement.

Dans nos dossiers

IA physique & VLANVIDIA GR00TarXiv cs.RO

À lire aussi

SBAMP : planification de mouvement adaptative par échantillonnage
1arXiv cs.RO 

SBAMP : planification de mouvement adaptative par échantillonnage

Des chercheurs ont publié sur arXiv (référence 2511.12022, version 3) un cadre hybride de planification de mouvement baptisé SBAMP (Sampling-Based Adaptive Motion Planning), conçu pour les robots autonomes évoluant dans des environnements dynamiques. L'approche fusionne un planificateur global basé sur RRT (Rapidly-exploring Random Tree star), qui génère des trajectoires quasi-optimales, avec un contrôleur local de type SEDS (Stable Estimator of Dynamical Systems) intégrant une optimisation sous contraintes en temps réel. Ce qui distingue SBAMP des implémentations SEDS classiques : aucune donnée d'entraînement préalable n'est requise, le contrôleur s'ajuste à la volée via une optimisation contrainte légère directement embarquée dans la boucle de contrôle. Les expériences ont été menées à la fois en simulation et sur une plateforme matérielle RoboRacer, avec des tests de récupération après perturbations, de contournement d'obstacles et de tenue de performance en conditions dynamiques. L'enjeu technique adressé est fondamental en robotique mobile : les planificateurs globaux comme RRT produisent de bonnes trajectoires hors ligne mais peinent à réagir aux perturbations en temps réel, tandis que les approches à systèmes dynamiques comme SEDS offrent une réactivité fluide mais nécessitent une optimisation offline sur données. SBAMP propose un compromis opérationnel : la structure de chemin global est préservée, mais le robot peut s'en écarter localement de manière stable au sens de Lyapunov, ce qui garantit la convergence vers l'objectif sans oscillations incontrôlées. Pour un intégrateur industriel ou un développeur de systèmes de navigation, l'absence de phase de pré-entraînement réduit significativement le coût de déploiement sur de nouveaux environnements. Il convient de noter que les résultats présentés restent au stade académique, sur une plateforme de recherche compacte, sans validation à l'échelle industrielle ni benchmark comparatif public. SBAMP s'inscrit dans un champ de recherche dense sur la planification hybride, aux côtés de travaux récents comme MPPI (Model Predictive Path Integral) ou TEB (Timed Elastic Band), qui visent tous à réconcilier optimalité globale et réactivité locale. RRT* est un algorithme établi depuis les travaux de Karaman et Frakcas (2011), et SEDS est utilisé en robotique depuis une décennie pour la reproduction de gestes appris. La contribution de SBAMP réside dans leur couplage sans supervision, un point non trivial. Les auteurs n'annoncent pas de transfert industriel immédiat ni de partenariat commercial, et la prochaine étape naturelle serait une validation sur robots à plus haute dynamique (manipulateurs, AMR en entrepôt) et dans des environnements avec obstacles mobiles denses.

RecherchePaper
1 source
SIMPNet : réseau de planification de mouvement guidé par l'information spatiale
2arXiv cs.RO 

SIMPNet : réseau de planification de mouvement guidé par l'information spatiale

Des chercheurs présentent SIMPNet (Spatial-Informed Motion Planning Network), décrit dans la version révisée d'un article arXiv (2408.12831) initialement publié mi-2024. Le système s'appuie sur un réseau de neurones sur graphe stochastique et un mécanisme d'attention croisée qui projettent une représentation de l'espace de travail dans l'espace des configurations du bras robotique. La structure cinématique du manipulateur est elle-même encodée sous forme de graphe pour générer des échantillons "informés", exploités ensuite par des algorithmes classiques de planification de mouvement par échantillonnage. Les auteurs ont validé l'approche sur un bras collaboratif UR5e à six degrés de liberté, dans des scènes simples puis encombrées, avec des résultats supérieurs à plusieurs planificateurs de référence considérés comme état de l'art ; code et démonstrations sont publiés sur le site du projet. L'enjeu cible une faiblesse connue des planificateurs par échantillonnage type RRT ou PRM, qui reposent sur un tirage uniforme ou des heuristiques écrites à la main et deviennent inefficaces dès que l'espace des configurations grandit ou que l'environnement se complexifie. Un échantillonnage appris et conditionné par la géométrie de la scène promet donc des cycles de planification plus courts pour des intégrateurs qui déploient des bras en cellules encombrées, sans changer le planificateur lui-même puisque SIMPNet n'en est qu'un module d'échantillonnage inséré dans des algorithmes existants. La validation reste toutefois limitée à un seul modèle de bras et à des scénarios de laboratoire, sans temps de cycle ni métrique de production communiqués, ce qui en fait une preuve de concept académique plutôt qu'un résultat prêt pour l'usine. Le travail s'inscrit dans un courant de recherche qui, depuis plusieurs années, cherche à remplacer l'échantillonnage aléatoire des planificateurs classiques par des heuristiques neuronales pour faire tenir la planification à l'échelle dans des espaces de configuration à haute dimension. La mention "replace" associée à la publication signale une version corrigée d'un travail mis en ligne pour la première fois en août 2024, donc encore en cours d'affinage. Aucun partenaire industriel, pilote client ni feuille de route de transfert vers un produit commercial n'est mentionné dans l'article : le site du projet fait pour l'instant office de vitrine académique, avec code source et vidéos de démonstration, sans annonce de licence auprès de fabricants de bras robotiques.

UELa validation s'appuie sur un bras collaboratif UR5e, mais aucune entreprise ni institution française ou européenne n'est impliquée dans ces travaux de recherche.

RecherchePaper
1 source
Planification du mouvement de manipulateurs mobiles non holonomes coopératifs
3arXiv cs.RO 

Planification du mouvement de manipulateurs mobiles non holonomes coopératifs

Des chercheurs ont déposé sur arXiv (référence 2502.05462, version 2, 2025) un cadre de planification de mouvement en temps réel conçu pour le transport coopératif d'objets par des robots mobiles manipulateurs (MMR) non-holonomes évoluant en environnement dynamique. L'architecture proposée articule deux niveaux : un planificateur global qui trace un chemin entre position initiale et objectif à travers les zones libres d'obstacles, et une commande prédictive non linéaire (NMPC) qui optimise en temps réel la trajectoire de la base mobile et du bras manipulateur simultanément. Pour délimiter les corridors sûrs autour du chemin calculé, les auteurs introduisent une technique originale basée sur des régions convexes en forme d'ellipses, présentée comme rapide et peu gourmande en calcul. Des expériences en simulation et sur robot physique valident la génération de trajectoires kinodynamiquement faisables et sans collision. La difficulté centrale dans la manipulation coopérative par MMR est de planifier conjointement les degrés de liberté de la base mobile et du bras tout en maintenant la cohérence physique de la prise d'objet entre plusieurs robots, un problème que la plupart des approches existantes traitent de façon découplée ou nécessitent un recalcul hors ligne. Proposer une solution intégrée et exécutable en temps réel représente une avancée méthodologique notable pour les intégrateurs travaillant sur la manutention coopérative en entrepôt ou en environnement semi-structuré. La validation hardware, plutôt qu'uniquement simulée, réduit le gap sim-to-real habituel dans ce type de contribution, même si les conditions expérimentales précises (charge utile, nombre de robots, type de bras) ne sont pas détaillées dans l'abstract publié. La planification de mouvement pour robots non-holonomes à roues est un domaine actif depuis les années 1990, mais la combinaison avec des bras polyarticulés et la coordination multi-robot reste un problème ouvert. Les approches concurrentes incluent les algorithmes RRT (Rapidly-exploring Random Trees), les méthodes de décomposition en espaces de configuration et, plus récemment, les politiques apprises par renforcement. L'adoption du NMPC comme planificateur local s'inscrit dans une tendance académique forte, notamment pour les robots mobiles en environnements contraints. La suite naturelle de ces travaux serait une publication complète avec benchmarks comparatifs quantifiés et tests en condition industrielle réelle.

RecherchePaper
1 source
Planification des tâches et des mouvements robotiques par invite hiérarchique à double module LLM
4arXiv cs.RO 

Planification des tâches et des mouvements robotiques par invite hiérarchique à double module LLM

Des chercheurs ont publié le 12 mai 2026 sur arXiv (référence 2605.08330) un framework de planification tâche-et-mouvement pour robots de service, reposant sur deux modules LLM distincts organisés en hiérarchie. Le premier module, dit "agent de haut niveau", interprète des commandes en langage naturel et génère des séquences d'actions via un prompt de style ReAct, en s'appuyant sur des outils de perception et de manipulation (pick, place, release). Le second module, dédié au raisonnement spatial de bas niveau, prend en charge les instructions de placement précis, par exemple "pose la tasse à côté de l'assiette", en calculant les positions 3D à partir de la géométrie des objets et de la configuration de la scène. La détection d'objets et l'estimation de pose sont assurées par YOLOX-GDRNet. Sur 24 scénarios de test couvrant des commandes spatiales simples, des instructions de haut niveau et des requêtes infaisables, le système affiche un taux de succès global de 86 %. Cette architecture en deux étages répond à un problème bien connu en robotique de service : un LLM généraliste gère mal simultanément la logique séquentielle des tâches et le raisonnement géométrique fin. Séparer ces deux fonctions réduit la surface d'erreur et rend le système plus robuste aux ambiguïtés spatiales, un point de friction majeur dans les scénarios d'assistance à domicile ou hospitaliers. Le taux de 86 % est encourageant, mais il convient de nuancer : 24 scénarios constituent une base d'évaluation très réduite, et les conditions de test en laboratoire restent éloignées de la variabilité d'un environnement réel non structuré. Aucun robot physique n'est mentionné, le module d'exécution motrice étant décrit comme un "stub", ce qui signifie que les résultats restent pour l'instant purement simulés ou partiellement maquettés. Ce travail s'inscrit dans le prolongement des approches LLM-to-robot popularisées par SayCan de Google (2022) et les travaux RT-2 et OpenVLA, qui ont démontré qu'un modèle de langage peut servir de planificateur de haut niveau pour un robot. La spécificité ici est le découplage explicite du raisonnement spatial dans un sous-module dédié, plutôt que de tout faire porter au modèle principal, une direction cohérente avec les limites documentées des VLA (Vision-Language-Action models) sur les tâches de placement précis. Aucun partenaire industriel ni calendrier de déploiement n'est communiqué ; l'étape suivante logique serait une validation sur robot réel dans un contexte de service structuré.

RechercheOpinion
1 source