RecherchearXiv cs.RO 18 septembre 2026

Contrôle prédictif de modèle distribué avec contrats basés sur la connectivité

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs proposent une nouvelle approche de commande prédictive distribuée (DMPC) pour garantir que des équipes de robots mobiles restent connectées en réseau pendant leurs déplacements, un problème jusqu'ici mal résolu par les schémas existants. Publiee sur arXiv (arXiv:2609.19912), l'étude introduit le concept de "contrat de connectivité" : chaque robot se voit attribuer une région locale définissant ou ses positions prédites peuvent se situer sur son horizon de prédiction. Tant que chaque agent respecte son propre contrat, construit a partir d'un seul echange d'informations avec ses voisins immédiats, l'ensemble de l'équipe reste garanti connecte, sans qu'aucun agent n'ait besoin de connaitre l'état global du réseau. Chaque robot résout ensuite son problème d'optimisation de manière totalement indépendante. Les auteurs démontrent mathématiquement que le système en boucle fermée maintient la connectivité, évite les collisions et respecte les contraintes locales d'état et de commande. L'approche a été validée en simulation et sur du matériel réel, avec des robots miniatures autonomes de type voiture.

Le résultat s'attaque a une limite structurelle connue des flottes de robots distribuées : la condition mathématique usuelle de connectivité réseau est non convexe et relie chaque agent a tous les autres, ce qui la rend incompatible avec un contrôleur temps réel scalable. La plupart des schémas DMPC actuels supposent simplement que le réseau reste connecte sans le garantir activement, une hypothèse fragile des que le nombre de robots augmente ou que l'environnement est contraint. Pour les intégrateurs de flottes de robots mobiles autonomes (AMR), en entrepôt, en logistique ou en inspection industrielle, disposer d'une garantie formelle de connectivité calculable localement et en temps réel représente une avancée pratique : elle permet d'envisager des essaims plus larges sans dépendre d'une infrastructure de communication centralisée ni d'une supervision globale couteuse en calcul.

Ce travail s'inscrit dans la lignée des recherches en commande prédictive distribuée appliquée a la robotique multi-agents, domaine ou la tension entre scalabilité et garanties de sûreté reste une difficulté centrale. Contrairement aux approches précédentes qui imposaient des contraintes de connectivité globales et couteuses en calcul, la méthode des contrats locaux ne nécessite qu'un echange unique entre voisins avant que chaque agent optimise indépendamment sa trajectoire. Les auteurs ne précisent aucun industriel partenaire ni calendrier de déploiement commercial ; il s'agit a ce stade d'une contribution académique validée sur une plateforme expérimentale réduite, dont la prochaine étape naturelle serait un passage a l'échelle sur des flottes plus nombreuses et des environnements moins contrôles.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

Slot-MPC : contrôle prédictif par modèle conditionné sur des objectifs avec représentations centrées sur les objets

Des chercheurs ont publié en mai 2025 Slot-MPC (arXiv:2605.14937), un cadre de modélisation du monde combinant représentations centrées sur les objets et contrôle prédictif par modèle (MPC). L'approche encode chaque objet de la scène dans un "slot" latent distinct, appris par un encodeur visuel, puis utilise ces représentations structurées pour apprendre un modèle de dynamique conditionné sur les actions. Au moment de l'inférence, ce modèle sert de simulateur interne : l'agent planifie ses actions sur un horizon temporel fini, réoptimise à chaque pas de temps, et peut ainsi s'adapter à des situations non rencontrées pendant l'entraînement. Les expériences sont menées sur des tâches de manipulation robotique simulées, dans un cadre hors-ligne (offline) avec couverture limitée des paires état-action. La contribution principale tient à la différentiabilité du modèle appris : contrairement aux approches MPC classiques qui échantillonnent des milliers de trajectoires candidates (méthodes sans gradient, type CEM ou MPPI), Slot-MPC optimise directement les actions par descente de gradient, ce qui est significativement plus efficace en termes de calcul. Dans le cadre offline étudié, cette planification par gradient surpasse les méthodes d'échantillonnage. Les résultats montrent également que les représentations structurées objet par objet constituent un biais inductif fort : les agents Slot-MPC généralisent mieux à des situations nouvelles que les baselines à représentations latentes monolithiques, ce qui est un enjeu central pour les applications robotiques réelles où l'environnement évolue de façon imprévisible. Ce travail s'inscrit dans la lignée des recherches sur les représentations centrées sur les objets (Slot Attention de Locatello et al., 2020 ; SLATE, Dinosaur), appliquées ici au contrôle plutôt qu'à la seule perception. Il entre en compétition directe avec des modèles de monde appris comme DreamerV3 (DeepMind) ou TD-MPC2, qui utilisent des représentations latentes denses non structurées. Limite notable : toutes les expériences restent en simulation, sans transfert sim-to-real ni validation sur robot physique, ce qui est un écart important avant toute application industrielle. Le code source et les résultats complémentaires sont disponibles sur slot-mpc.github.io.

RecherchePaper

1 source

2arXiv cs.RO

Discussion sur la prédiction de trajectoires conditionnelles

Des chercheurs ont déposé en avril 2026 sur arXiv (référence 2604.18126) une nouvelle méthode de prédiction de trajectoire conditionnelle baptisée CiT, pour Cross-time-domain intention-interactive method for conditional Trajectory prediction. L'objectif est de permettre à un robot évoluant parmi des humains ou d'autres agents mobiles de prédire précisément leurs trajectoires futures, en tenant compte non seulement de leurs interactions sociales mutuelles, mais aussi du mouvement propre du robot lui-même. Le système génère un ensemble de trajectoires candidates pour chaque agent environnant, en fonction des intentions de déplacement possibles de l'ego agent. Testé sur plusieurs benchmarks standards du domaine, CiT dépasse selon ses auteurs les méthodes de l'état de l'art existantes. La distinction centrale de CiT par rapport aux approches concurrentes réside dans l'intégration explicite du mouvement de l'ego agent dans la boucle de prédiction. La quasi-totalité des méthodes existantes modélisent les interactions sociales à partir d'informations statiques, ignorant le fait que le robot lui-même modifie le comportement des agents qui l'entourent. CiT s'inspire du concept de "théorie de l'esprit" en robotique sociale : chaque agent anticipe les intentions des autres pour ajuster les siennes. Techniquement, la méthode opère une analyse conjointe des intentions comportementales sur plusieurs domaines temporels, permettant aux informations d'interaction d'un domaine de corriger et affiner les estimations d'intention de l'autre. Cette complémentarité temporelle est présentée comme le levier principal du gain de performance. Pour des intégrateurs de systèmes de navigation autonome ou de robots collaboratifs (cobots), cette capacité à modéliser la réciprocité comportementale est directement exploitable dans des modules de planification de chemin et de contrôle. La prédiction de trajectoire conditionelle est un champ de recherche en pleine activité, alimenté par les besoins des véhicules autonomes et de la robotique de service. Des équipes comme Waymo, NVIDIA (avec son framework Isaac Perceptor) ou des laboratoires académiques comme Stanford et ETH Zurich ont posé les bases de la modélisation sociale de trajectoires. CiT s'inscrit dans cette lignée en ciblant explicitement les systèmes d'interaction humain-robot, un segment distinct des systèmes véhiculaires. L'article reste à ce stade un preprint non évalué par les pairs, sans données de déploiement réel ni validation hors benchmarks publics, ce qui limite l'interprétation des résultats annoncés. Les prochaines étapes naturelles seraient une validation en conditions réelles et une intégration dans des architectures ROS2 ou similaires.

RecherchePaper

1 source

3arXiv cs.RO

Génération de code et contraintes coniques pour la commande prédictive sur microcontrôleurs avec Conic-TinyMPC

Une équipe de chercheurs a publié Conic-TinyMPC, une extension du solveur embarqué TinyMPC qui ajoute le support des contraintes coniques du second ordre (SOCP) et la génération automatique de code C++ depuis Python, MATLAB et Julia. Sur microcontrôleurs à ressources limitées, le solveur atteint un gain de vitesse de 10,6x à 142,7x par rapport aux meilleurs solveurs embarqués existants sur des problèmes QP et SOCP, soit jusqu'à deux ordres de grandeur, tout en autorisant des problèmes un ordre de grandeur plus grands en mémoire. La validation matérielle a été conduite sur un quadrirotor Crazyflie de 27 grammes, en suivi de trajectoire avec des contraintes coniques actives sur le système réel, et le code est disponible en open source sur tinympc.org. Ces résultats changent concrètement l'équation du déploiement du MPC sur matériel embarqué. Le contrôle prédictif de modèle (MPC) est la méthode de référence pour les systèmes robotiques sous contraintes, mais son exécution en temps réel reste difficile sur des microcontrôleurs à faible coût et faible consommation. Les contraintes coniques, plus expressives que les alternatives linéaires, alourdissent encore le calcul, rendant leur usage sur matériel léger quasi impraticable avec les solveurs actuels. Conic-TinyMPC contourne ce problème en exploitant une structure ADMM (Alternating Direction Method of Multipliers) avec des matrices mises en cache, réduisant drastiquement le coût de calcul à l'exécution. La génération de code automatique depuis Python, MATLAB ou Julia réduit également la friction d'intégration, rendant l'outil accessible à des équipes industrielles sans expertise poussée en optimisation convexe. TinyMPC est né de travaux visant à porter des solveurs MPC rapides sur des plateformes embarquées contraintes, avec une première démonstration sur Crazyflie ayant établi la viabilité de l'approche sur des robots ultra-légers. Conic-TinyMPC en est l'évolution directe, intégrant les cônes du second ordre à un noyau déjà optimisé et se positionnant face à des solveurs comme OSQP, ECOS ou ACADOS, qui peinent à tenir dans les enveloppes mémoire et temporelles des microcontrôleurs bas de gamme. Les prochaines étapes naturelles consisteront à valider l'approche sur des systèmes plus complexes, bras manipulateurs ou robots bipèdes, où les contraintes coniques modélisent des cônes de friction ou des enveloppes de sécurité formelles.

RecherchePaper

1 source

4arXiv cs.RO

Sécurité prédictive calibrée pour robots hétérogènes : un cadre JEPA conditionné par l'action avec boucliers de sécurité basés modèle

Un article publié sur arXiv (référence 2608.17496v1), intitulé « Calibrated Predictive Safety for Heterogeneous Robots », présente un pipeline de décision en cinq étapes pour des robots de types différents. Un module « proposer » génère K séquences d'actions candidates ; un modèle du monde de type JEPA (Joint-Embedding Predictive Architecture), conditionné par l'action et par l'identité du robot, simule chaque candidat dans un espace latent à encodeur figé ; deux têtes calibrées estiment ensuite le risque physique et la progression de la tâche pour chaque simulation, avec une mesure d'incertitude ; un filtre de sécurité déterministe propre à chaque robot élimine les candidats inadmissibles ; une procédure de repli prend le relais si aucun candidat ne passe le filtre. Testé selon un protocole pré-enregistré sur le benchmark de simulation LIBERO-Long, le système améliore le taux de réussite sur des lots de 600 épisodes par rapport à un filtre de sécurité utilisé seul, et réduit les faux négatifs de collision à rappel constant. Des mesures d'efficacité sur accélérateurs embarqués et de périphérie complètent l'évaluation. Le travail cible une tension centrale du secteur : les politiques vision langage action généralisent largement mais n'offrent aucune garantie au moment de l'exécution, tandis que les planificateurs classiques respectent les contraintes cinématiques et géométriques mais généralisent mal. En couplant une prédiction de risque apprise à un filtre déterministe qui seul porte la garantie de sécurité, les chercheurs proposent une architecture où l'apprentissage améliore la performance sans jamais se substituer à la certification, un enjeu concret pour des intégrateurs devant faire cohabiter plusieurs types de robots sur un même site. L'approche illustre une conviction croissante dans l'industrie : la généralisation d'une politique apprise ne suffit pas, seule, à rendre un robot certifiable pour un déploiement réel. Le travail reste cantonné à la simulation. Les auteurs précisent explicitement que les essais sur robot réel et un test statistique de significativité pour le reclassement hors ligne restent à mener, ce qui distingue nettement cette publication de recherche d'un système déployé ou d'un produit commercialisé. Elle s'inscrit dans un effort plus large de plusieurs laboratoires pour combiner modèles du monde appris et garanties formelles de sécurité, afin de répondre à l'écart régulièrement pointé entre les démonstrations de politiques génératives et leur fiabilité une fois embarquées sur du matériel physique. La prochaine étape annoncée consiste à valider le pipeline sur des robots physiques avant toute perspective de déploiement industriel.

RecherchePaper

1 source