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

Cadre de contrôle partagé pour robots mobiles avec prédiction d'intention au niveau de la planification

Une équipe de chercheurs propose, dans une nouvelle version d'un preprint arXiv (2511.08912v2), un cadre de contrôle partagé pour robots mobiles qui prédit l'intention de l'opérateur au niveau de la planification. Le système replanifie la trajectoire souhaitée du robot en fonction des intentions humaines inférées. Pour représenter les mouvements futurs, les auteurs introduisent un « domaine d'intention », qui sert de contrainte à la replanification. La prédiction de ce domaine et la replanification sont formulées conjointement comme un processus de décision markovien (MDP), résolu par apprentissage par renforcement profond. Un algorithme de génération de trajectoires humaines fondé sur des diagrammes de Voronoï permet d'entraîner le modèle entièrement en simulation, sans participant humain ni données de démonstration. Selon le résumé, des simulations et des études utilisateurs en conditions réelles montrent une réduction de la charge de travail de l'opérateur et une amélioration de la sécurité, sans perte d'efficacité sur la tâche, par rapport aux approches de téléopération assistée existantes. L'intérêt tient au point d'application. La plupart des systèmes de téléopération assistée corrigent la commande à bas niveau, par exemple en évitant un obstacle ou en lissant une consigne. Ici, l'anticipation se fait en amont, sur le chemin lui-même. Pour un intégrateur ou un exploitant de robots mobiles (AMR, plateformes d'inspection, robots d'assistance) pilotés à distance ou à proximité d'humains, cela vise un gain sur la fatigue cognitive et le risque de collision sans ralentir les opérations. L'entraînement purement en simulation est le second point notable : il évite la collecte coûteuse de démonstrations humaines, principal frein au passage à l'échelle des méthodes d'apprentissage en robotique. Cela reste à nuancer. Le résumé ne donne aucun chiffre sur la réduction de charge, le nombre de participants, les robots utilisés ni les scénarios testés. Sans ces éléments, la portée réelle du résultat, et son écart éventuel avec des environnements industriels encombrés, ne peut pas être évaluée. Ce travail s'inscrit dans la lignée du contrôle partagé et de l'autonomie à initiative mixte, où la recherche cherche à passer d'une simple évitement réactif à une compréhension de l'intention. Les approches concurrentes reposent généralement sur des champs de potentiel, des fonctions de coût fixes ou l'apprentissage à partir de démonstrations, tandis que la voie des modèles généralistes (VLA) vise plutôt l'autonomie complète que le partage de contrôle. Il s'agit ici d'une publication académique, sans produit ni pilote industriel annoncé, et la mention « v2 » indique une révision, probablement après relecture. Les suites logiques seraient des validations sur davantage de plateformes, des tests dans des environnements dynamiques peuplés de personnes et, éventuellement, une intégration dans des solutions de téléopération commerciales. Aucune échéance n'est communiquée.

UEPas d\'impact direct sur la France/UE

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