RecherchearXiv cs.RO 15 septembre 2026

Estimation neuronale par horizon glissant à région de confiance pour robots

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs ont publié une nouvelle version (v5) d'un article intitulé "Trust-Region Neural Moving Horizon Estimation for Robots" (arXiv:2309.05955), qui améliore NeuroMHE, une méthode d'estimation à horizon glissant (moving horizon estimation, MHE) dont les pondérations sont apprises par un petit réseau de neurones embarqué plutôt que réglées à la main. Jusqu'ici entraînée par descente de gradient, avec un gradient calculé récursivement via un filtre de Kalman, la méthode passe à une optimisation de type "trust-région", grâce au calcul des dérivées du second ordre de la MHE, baptisées "Hessienne MHE". Les auteurs montrent que l'essentiel des calculs déjà réalisés pour le gradient, notamment le filtre de Kalman, se réutilise pour obtenir cette Hessienne, avec une complexité de calcul seulement linéaire par rapport à l'horizon temporel de la MHE. Testée sur des données réelles de vol de quadricoptère pour l'estimation de forces de perturbation, l'approche s'entraîne en moins de 5 minutes avec seulement 100 points de données, dépasse un estimateur neuronal de référence de l'état de l'art jusqu'à 68,1% en précision, et n'utilise que 1,4% de ses paramètres réseau.

Cette avancée vise un problème concret pour l'industrie robotique: estimer en temps réel, à bord de plateformes aux ressources limitées comme les drones, des perturbations externes telles que le vent ou une charge inconnue. Un modèle 68,1% plus précis avec seulement 1,4% des paramètres d'un concurrent change la donne pour l'embarqué, en réduisant la mémoire et le calcul nécessaires sur un contrôleur de vol. L'entraînement en moins de 5 minutes avec 100 échantillons seulement réduit aussi la dépendance aux vastes jeux de données habituellement requis pour l'apprentissage profond en commande, un frein classique à l'adoption industrielle, tandis que la robustesse accrue à l'initialisation du réseau limite le risque d'échecs d'entraînement imprévisibles.

Cette méthode prolonge NeuroMHE, qui associait déjà l'estimation à horizon glissant, technique classique de la commande optimale, à des poids appris pour s'adapter aux incertitudes sans réglage manuel. L'estimateur neuronal de référence auquel la méthode est comparée n'est pas nommé dans le résumé, ce qui invite à la prudence avant toute reproduction indépendante sur d'autres plateformes que le quadricoptère testé. Republié en version 5 sur arXiv, le document reste une contribution de recherche, sans intégration commerciale ni pilote industriel annoncé; la suite logique serait de valider l'approche sur des robots à plus haute dimensionnalité, comme des bras manipulateurs ou des robots à pattes, où le calcul de la Hessienne devient plus complexe.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

Reglissement Sensoriel Coulissant : Confiance Configurable dans l'Estimation d'État des Robots Continuum

Un résumé étendu publié sur arXiv (référence 2608.05410v1) présente un capteur mécaniquement reconfigurable pour l'estimation d'état des robots continuum, ces structures souples sans articulations rigides déployées en environnements incertains. Le problème ciblé : la confiance dans l'estimation de position varie selon l'endroit du corps où des mesures sont disponibles, alors que l'enjeu n'est pas toujours une précision globale mais une confiance suffisante aux points où une tâche s'exécute. Les auteurs ont construit un prototype démontrant la faisabilité d'un capteur se déplaçant longitudinalement le long du robot, plutôt que resté fixe à l'extrémité comme dans la configuration usuelle. Faire coulisser ce capteur dans le temps réduit les erreurs d'estimation de la forme complète du corps, comparé à un capteur fixe unique en bout de bras. Cette approche touche une limite connue de la robotique continuum : ces systèmes, utilisés en chirurgie mini-invasive, inspection industrielle en espace confiné ou manipulation délicate, arbitrent entre nombre de capteurs embarqués, coût et complexité du câblage d'un côté, et qualité de l'estimation d'état nécessaire à un contrôle sûr de l'autre, notamment au contact d'humains ou de tissus fragiles. Plutôt que multiplier les capteurs fixes ou accepter l'incertitude résiduelle d'un capteur unique en bout de course, reconfigurer la position d'un seul capteur permet de concentrer la précision de mesure là où une tâche l'exige à un instant donné, sans alourdir le système. Pour les intégrateurs de robots souples, l'intérêt serait de réduire le nombre de capteurs nécessaires tout en maintenant la confiance requise aux points critiques, si le concept dépasse le stade du prototype. Le document se présente explicitement comme un extended abstract, format court destiné à une conférence ou un workshop, documentant une preuve de concept plutôt qu'un système finalisé. Aucune institution, aucun financement ni date de conférence n'est précisé ; le texte est simplement catalogué comme nouvelle soumission sur arXiv. La démonstration se limite à un prototype matériel et à une comparaison entre capteur mobile et capteur fixe, sans détail sur l'ampleur des essais. Le domaine de l'estimation d'état pour robots continuum reste actif, avec des approches concurrentes basées sur la vision, la fibre optique de courbure ou des modèles appris ; ce capteur coulissant s'ajoute comme alternative matérielle dont la robustesse hors laboratoire reste à démontrer.

RecherchePaper

1 source

2arXiv cs.RO

Filtre de Kalman neuronal à mécanisme d'attention pour l'estimation d'état des robots à pattes

Une équipe de chercheurs a publié sur arXiv (2601.18569v2) un filtre hybride baptisé AttenNKF (Attention-Based Neural-Augmented Kalman Filter), conçu pour améliorer l'estimation d'état sur les robots à pattes. Le glissement de pied constitue la principale source d'erreur dans ces systèmes : lorsqu'un pied glisse sur une surface, la mesure cinématique viole l'hypothèse de non-glissement et injecte un biais dans l'étape de mise à jour du filtre, dégradant l'estimation de position, vitesse et orientation. La solution augmente un InEKF (Invariant Extended Kalman Filter) avec un compensateur neuronal à mécanisme d'attention, qui infère l'erreur induite par le glissement en fonction de sa sévérité et l'applique en correction post-mise-à-jour sur l'état du filtre. Ce compensateur est entraîné dans un espace latent pour réduire la sensibilité aux échelles brutes des entrées et encourager des corrections structurées, tout en préservant la récursion mathématique de l'InEKF. L'enjeu est concret pour les équipes de locomotion et les intégrateurs industriels : l'estimation d'état est la brique fondamentale du contrôle d'un robot à pattes, et une erreur non corrigée se propage dans la boucle de contrôle jusqu'à provoquer des chutes ou des trajectoires aberrantes, notamment sur sols glissants, rampes ou surfaces variables en environnement d'usine. L'approche hybride filtres classiques plus réseau de neurones léger préserve les garanties mathématiques de l'InEKF tout en ajoutant une adaptabilité aux conditions non modélisées, sans reformuler entièrement le pipeline d'estimation. Les expériences montrent des performances supérieures aux estimateurs existants sous conditions de glissement, bien que les plateformes hardware testées ne soient pas précisées dans la version publiée, ce qui limite l'évaluation comparative. L'InEKF s'est imposé comme référence pour les robots à pattes grâce à des travaux de l'Université du Michigan vers 2019-2020 sur le bipède Cassie d'Agility Robotics, exploitant son invariance aux symétries de groupe de Lie. L'augmentation par réseaux neuronaux pour corriger les non-linéarités résiduelles est une direction active chez plusieurs groupes de recherche, dont ETH Zurich sur ANYmal, MIT et Carnegie Mellon. Les déploiements réels de Spot (Boston Dynamics), Digit (Agility Robotics) et Figure 02 font tous face au problème d'estimation sous glissement en conditions industrielles, ce qui donne à cette approche une pertinence directe pour le transfert sim-to-real vers des systèmes commerciaux. La prochaine étape naturelle sera une validation embarquée sous contraintes temps-réel sur des plateformes standardisées avec benchmarks publics.

RecherchePaper

1 source

3arXiv cs.RO

Contrôleur à horizon glissant dans l'espace des tâches pour l'évitement rapide de collisions

Des chercheurs publient sur arXiv (2607.15733v1) un nouveau contrôleur à horizon glissant dans l'espace des tâches pour l'évitement de collision en temps réel sur bras manipulateurs robotiques. La méthode combine un rollout court et "contact-consistant", basé sur un solveur dynamique itératif appliqué à des géométries convexes gonflées du robot et des obstacles, pour générer une référence cinématique terminale respectant les contraintes de non-pénétration internes. Seule la première commande d'une transition lisse à accélération minimale vers cette référence est ensuite calculée à chaque cycle, en partant d'une loi de régulation par cinématique inverse en boucle fermée. Les auteurs démontrent une régulation exponentielle locale dans l'espace des tâches lorsque les contacts sont inactifs, et bornent l'effet des obstacles mobiles sur les ensembles de fonctionnement réguliers lorsque des contacts s'activent pendant le rollout. Les tests incluent des simulations sur un système multi-chaînes à 40 degrés de liberté (DOF) et des expériences matérielles sur une plateforme à 6 DOF. L'enjeu pratique est le compromis classique entre anticipation et réactivité en robotique industrielle: le contrôle prédictif complet (MPC) offre une vision à long terme mais son coût de calcul explose avec l'horizon, la fidélité du modèle et le nombre de contraintes géométriques actives, tandis que les méthodes réactives sans horizon restent rapides mais peu clairvoyantes en environnement encombré et dynamique. Les résultats montrent que des horizons intermédiaires équilibrent ces deux exigences, avec des taux de succès supérieurs à des baselines MPC et à des "dynamic optimization fabrics" en clutter dynamique, tout en gardant des temps de résolution compatibles avec l'exécution temps réel testée. Point notable pour les intégrateurs: le comportement reste cohérent entre simulation et réel sans estimation précise des paramètres inertiels, ce qui limite l'effort de calibration habituellement nécessaire au transfert sim-to-real. Ce travail s'inscrit dans la lignée des recherches en contrôle prédictif appliqué à la manipulation en environnement dynamique, un axe où les laboratoires universitaires cherchent à réduire le fossé entre démonstrations en simulation et déploiements réels sur bras industriels ou collaboratifs. La comparaison directe avec des baselines MPC et fabrics d'optimisation dynamique positionne la méthode comme une alternative moins coûteuse en calcul pour l'évitement d'obstacles mobiles, un enjeu croissant pour les cellules robotiques partagées avec des opérateurs humains ou d'autres machines mobiles (AMR). Les auteurs ne mentionnent pas de partenariat industriel ni de calendrier de transfert vers un produit commercial à ce stade.

RecherchePaper

1 source

4arXiv cs.RO

Opérateurs neuronaux pour la modélisation par substitution de l'espace de conception des robots continus à actionnement par tendons

Des chercheurs ont soumis sur arXiv (identifiant 2605.19104, mai 2026) un cadre de modélisation par apprentissage d'opérateurs pour les robots continus actionnés par tendons. Le problème adressé est fondamental : les modèles physiques classiques issus de la mécanique des poutres de Cosserat sont trop coûteux en calcul pour le contrôle temps réel, tandis que les approches d'apprentissage automatique existantes se spécialisent sur un design de robot précis et ne transfèrent pas. La contribution propose de reformuler le problème comme un apprentissage d'opérateurs, une famille de méthodes qui apprend des mappings entre espaces fonctionnels plutôt qu'entre vecteurs fixes. Un modèle unique ingère conjointement les paramètres de conception du robot (géométrie des segments, propriétés mécaniques) et les entrées d'actionnement par tendons, et prédit la configuration résultante. Quatre architectures sont présentées : deux variantes de Deep Operator Networks (DeepONets) et deux variantes de Fourier Neural Operators (FNOs), toutes entraînées sur des données de simulation. L'enjeu industriel est la généralisation inter-designs en espace de conception. Pour un OEM ou un intégrateur en robotique chirurgicale, évaluer des milliers de variantes mécaniques sans relancer de simulations physiques complètes représente un gain de cycle de design considérable. Les auteurs décrivent une "bonne précision" et des temps d'inférence compatibles avec le contrôle embarqué, sans donner d'erreurs quantitatives dans l'abstract. Point de vigilance éditorial : l'entraînement est réalisé exclusivement sur données simulées, et aucune validation hardware n'est rapportée. Les robots continus à tendons sont particulièrement exposés au sim-to-real gap, notamment les frottements de câbles, l'hystérésis, et les déformations non modélisées sous charge. Les robots continus occupent une niche stratégique en endoscopie robotisée et inspection en espace confiné, avec des acteurs commerciaux comme Intuitive Surgical (Da Vinci), Auris Health (Monarch, racheté par J\&J) et Medtronic. Côté recherche académique, les groupes travaillant sur la modélisation apprise pour robots déformables incluent Imperial College London, ETH Zürich et plusieurs labos nord-américains. Ce preprint reste une contribution théorique et computationnelle : aucun déploiement, aucun partenariat industriel ni timeline de validation physique ne sont mentionnés. La prochaine étape naturelle, et le vrai test de la méthode, sera la validation sur banc d'essai avec des prototypes réels aux designs variés.

UEImpact indirect et lointain : des groupes européens comme Imperial College London et ETH Zürich travaillent sur des problématiques voisines, mais ce preprint sans validation hardware ni partenariat industriel n'a pas d'effet immédiat sur la France ou l'industrie robotique de l'UE.

RecherchePaper

1 source