Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
Marche sur une pente : démarches bipèdes stables grâce à des trajectoires optimisées par algorithme génétique
RecherchearXiv cs.RO 

Marche sur une pente : démarches bipèdes stables grâce à des trajectoires optimisées par algorithme génétique

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

Des chercheurs publient sur arXiv (référence 2609.20570v1) une étude de modélisation cinématique et dynamique d'un robot bipède à 8 degrés de liberté (DOF) marchant sur terrain plat et incliné. La cinématique directe repose sur les paramètres de Denavit-Hartenberg et des transformations homogènes, tandis qu'une cinématique inverse en forme fermée convertit les trajectoires cartésiennes de la hanche et du pied oscillant, générées par splines cubiques, en angles articulaires. Les couples aux articulations sont calculés par l'algorithme itératif de Newton-Euler, et la stabilité dynamique est évaluée via le critère du point de moment nul (ZMP). Un algorithme génétique optimise trois paramètres, la hauteur de hanche, l'amplitude maximale de levée du pied oscillant et l'angle d'inclinaison dans le plan frontal, en minimisant le travail articulaire sous contrainte de faisabilité ZMP. Les simulations sous MATLAB montrent que le modèle nominal à 8 DOF reste stable au sens ZMP pour des temps de cycle de pas allant jusqu'à 0,5 seconde et des pentes allant jusqu'à 22,5 degrés, avec la géométrie de pied retenue. Au-delà de ces limites, le ZMP sort du polygone de sustentation, ce qui impose de revoir la géométrie du pied ou les paramètres de trajectoire.

Ce travail se situe à l'opposé des annonces commerciales qui dominent l'actualité humanoïde: pas de prototype physique, pas de déploiement, uniquement de la simulation et de la modélisation analytique classique, alors que des acteurs comme Figure ou Tesla misent sur des politiques apprises de bout en bout (VLA) plutôt que sur des modèles ZMP explicites. Son intérêt pour les concepteurs mécaniques et les équipes de contrôle tient à un résultat contre-intuitif: la stabilité ZMP dépend davantage de la répartition de la masse entre les segments du robot que de sa masse totale, un paramètre de conception souvent négligé au profit de l'allègement global.

La méthode combine des outils historiques de la marche bipède, le critère ZMP formalisé dès les travaux de Vukobratović et la formulation Denavit-Hartenberg, avec une optimisation par algorithme génétique plus récente. Aucun industriel ni laboratoire n'est nommé dans l'étude, qui reste à ce stade un travail théorique validé uniquement en simulation, sans annonce de prototype physique ni de calendrier de test.

Dans nos dossiers

arXiv cs.RO

À lire aussi

Sécurité et optimalité en planification de trajectoire de robot : algorithme et métrique
1arXiv cs.RO 

Sécurité et optimalité en planification de trajectoire de robot : algorithme et métrique

Des chercheurs ont mis en ligne sur arXiv (référence 2505.23197, quatrième version révisée) un nouvel algorithme de planification de trajectoire pour robots mobiles, baptisé Unified Path Planner (UPP). Il s'agit d'un algorithme de recherche sur graphe qui équilibre dynamiquement deux objectifs habituellement traités séparément : la longueur du chemin et la distance de sécurité aux obstacles. UPP s'appuie sur un champ de sécurité local basé sur l'inverse de la distance aux obstacles et ajuste automatiquement ses paramètres de pondération heuristique en cours de recherche, avec des garanties théoriques de sous-optimalité bornée. Pour évaluer objectivement ce compromis, l'équipe introduit aussi une métrique normalisée, l'indice OptiSafe. Sur dix environnements de test, UPP atteint un score OptiSafe de 0,94 dans les environnements encombrés, contre 0,22 à 0,85 pour les méthodes existantes, avec un surcoût de longueur de trajectoire limité à 0,5-1 % en simulation et un taux de réussite de 100 %. Une validation matérielle a été menée sur un robot TurtleBot. Ce travail cible un problème très concret pour les intégrateurs de robots mobiles autonomes (AMR) en environnement industriel encombré : la plupart des planificateurs de trajectoire classiques (type A* ou variantes de RRT) privilégient soit le chemin le plus court, soit la marge de sécurité maximale, rarement les deux à la fois de façon ajustable. L'apport principal n'est pas tant l'algorithme lui-même que la métrique OptiSafe, qui offre pour la première fois un étalon commun pour comparer objectivement des planificateurs sur ce compromis, un enjeu réel pour la certification et le déploiement de flottes en entrepôt ou en usine. Les auteurs restent toutefois prudents : ils reconnaissent explicitement un écart persistant entre simulation et réel (sim-to-real gap), même après validation matérielle, ce qui nuance la portée des chiffres obtenus en simulation. Ce résultat s'inscrit dans la lignée des recherches académiques en planification de trajectoire robotique, un domaine dominé depuis des décennies par des familles d'algorithmes (A, D, champs de potentiel, RRT) optimisant chacun un seul critère. Il s'agit ici d'une publication de recherche, sans annonce de produit commercial ni acteur industriel identifié, le TurtleBot servant de plateforme de test académique standard. Les prochaines étapes attendues concernent une validation matérielle plus large, au-delà d'une seule plateforme, avant toute intégration dans des piles logicielles de navigation robotique existantes.

RecherchePaper
1 source
Marche bipède stable en cas de glissement du pied grâce à des contraintes non holonomes virtuelles
2arXiv cs.RO 

Marche bipède stable en cas de glissement du pied grâce à des contraintes non holonomes virtuelles

Des chercheurs publient sur arXiv (identifiant 2603.29050, version de remplacement) un cadre de commande pour stabiliser la marche bipède quand le pied glisse sur un sol à faible adhérence, un cas qui déstabilise les contrôleurs classiques conçus sous l'hypothèse d'un contact sans glissement. La méthode introduit des contraintes non holonomes virtuelles qui régulent la vitesse tangentielle du pied d'appui pendant le glissement, tout en restant compatibles avec les contraintes holonomes virtuelles qui génèrent la trajectoire de marche. Le système en boucle fermée est modélisé comme un système dynamique hybride, mêlant dynamique continue de la jambe oscillante et impacts discrets au contact du sol. Une loi de commande non linéaire impose les deux familles de contraintes et produit une variété de dynamique zéro hybride compatible avec le glissement pour la dynamique réduite de la locomotion; la stabilité des cycles de marche périodique est établie via l'application de Poincaré associée, validée par des résultats de simulation numérique. Le sujet cible un angle mort des humanoïdes bipèdes en cours de commercialisation, de Figure 03 à Optimus Gen 3, ou des plateformes pilotées par des modèles VLA comme Pi-0, GR00T N2 ou Helix: les démonstrations publiques se tiennent surtout sur des sols secs à forte adhérence, alors que les entrepôts et sites industriels exposent les robots à des surfaces mouillées, grasses ou poussiéreuses. Un contrôleur supposant l'absence de glissement peut faire chuter le robot dès que cette hypothèse est violée, ce qui reste un frein réel au passage des vitrines contrôlées au déploiement réel. Pour les intégrateurs logistiques et industriels, ce travail rappelle que la robustesse au glissement demeure un problème ouvert, non résolu par le seul passage à l'échelle des modèles d'apprentissage. La méthode s'appuie sur le cadre établi des contraintes holonomes virtuelles et de la dynamique zéro hybride, utilisé depuis les années 2000 dans la recherche académique sur la marche bipède pour générer et stabiliser des cycles de marche périodique. Il s'agit d'une contribution académique sans lien avec un fabricant précis, à distinguer nettement des annonces commerciales de Figure, Tesla ou Agility Robotics: les résultats présentés restent des simulations numériques, sans validation sur robot physique ni taux de réussite en conditions réelles. La suite logique consisterait à tester le cadre sur du matériel réel, où le bruit des capteurs et un frottement mal modélisé pourraient compliquer l'application directe de la loi de commande proposée.

RecherchePaper
1 source
Démarrages à chaud par apprentissage profond pour l'optimisation de trajectoire sur la Station spatiale internationale
3arXiv cs.RO 

Démarrages à chaud par apprentissage profond pour l'optimisation de trajectoire sur la Station spatiale internationale

Des chercheurs ont publié les résultats de la première démonstration en orbite d'un « warm start » (point de départ initialisé) par apprentissage automatique pour accélérer l'optimisation de trajectoire, testée sur le robot volant Astrobee à bord de la Station spatiale internationale (ISS). L'approche entraîne un réseau de neurones à apprendre la structure d'un problème de génération de trajectoire résolu par programmation convexe séquentielle (SCP, sequential convex programming). À bord, le réseau prédit une solution initiale, puis le solveur SCP la raffine et garantit le respect des contraintes de sécurité. Selon les auteurs, le réseau réduit de 60 % le nombre d'itérations nécessaires à la convergence dans les cas incluant la dynamique de rotation, et de 50 % dans les cas avec obstacles tirés de la distribution d'entraînement du modèle. L'article n'indique ni le gain en temps de calcul ni le nombre d'essais réalisés. L'enjeu est d'ordre pratique. L'optimisation de trajectoire est au cœur de l'autonomie robotique moderne, mais elle reste peu utilisée dans le spatial. Ses besoins en calcul dépassent ce que peuvent fournir la plupart des calculateurs de vol, souvent anciens et durcis contre les radiations. Le schéma retenu est prudent : le réseau ne remplace pas le solveur, il lui fournit un meilleur point de départ. Les garanties de sécurité restent donc portées par l'optimisation classique, ce qui répond à la principale objection des opérateurs spatiaux envers l'apprentissage embarqué. Il faut toutefois relativiser les chiffres. Les réductions d'itérations ne se traduisent pas mécaniquement en gain de temps de calcul. Le gain de 50 % est aussi mesuré sur des obstacles issus de la distribution d'entraînement, donc la généralisation à des environnements inédits n'est pas démontrée. Pour les intégrateurs, y compris dans la robotique mobile terrestre, l'idée d'un réseau qui initialise un solveur à garanties formelles est transposable. Astrobee est une plateforme de la NASA, des robots cubiques en vol libre qui servent depuis plusieurs années de banc d'essai à bord de l'ISS, et elle permet de tester des algorithmes en microgravité réelle sans les risques d'une mission principale. Ce travail s'inscrit dans la lignée de l'optimisation convexe pour le guidage autonome et des méthodes d'apprentissage pour accélérer les solveurs, jusqu'ici surtout validées en simulation ou au sol. Les auteurs présentent ce résultat comme une étape vers l'usage de l'apprentissage automatique dans le guidage, la navigation et le contrôle (GNC) spatiaux. L'article, dont la quatrième version est publiée sur arXiv, ne cite aucune mission opérationnelle ni échéance. Les prochaines étapes probables sont des tests sur des environnements plus variés et sur des calculateurs de vol plus contraints.

UEPas d\'impact direct sur la France/UE

RecherchePaper
1 source
Stratégie d'évolution en ligne pour les politiques VLA à flow matching, par optimisation auto-supervisée de la distribution des trajectoires
4arXiv cs.RO 

Stratégie d'évolution en ligne pour les politiques VLA à flow matching, par optimisation auto-supervisée de la distribution des trajectoires

Des chercheurs proposent Online-ES, un cadre d'adaptation en ligne pour les politiques VLA (Vision-Language-Action) fondées sur le Flow Matching, publié sur arXiv (2609.38855, première version). Le point de départ est une observation : contrairement à une politique déterministe, un VLA génératif apprend une distribution conditionnelle de trajectoires d'actions, où différents vecteurs de bruit latent produisent des actions distinctes pour une même tâche. Les auteurs constatent que cette distribution est souvent mal formée : trajectoires réussies et échouées coexistent, et une part notable de la masse de probabilité reste dans des zones défavorables. Plutôt que d'élaguer l'espace du bruit latent, Online-ES applique une stratégie d'évolution (ES) directement dans l'espace des trajectoires. Les trajectoires échantillonnées sont perturbées puis exécutées, et leurs résultats alimentent un objectif d'erreur quadratique (MSE) auto-supervisé, qui transfère la direction d'évolution vers l'espace des paramètres du modèle. Les auteurs affirment prouver mathématiquement que cet objectif est un estimateur non biaisé de la direction d'évolution optimale. Les échecs servent aussi de retour négatif pour éloigner la politique des régions déjà explorées sans succès. Les tests couvrent la simulation et des environnements réels. Le résumé ne donne ni chiffres de taux de succès, ni noms de robots ou de modèles de base, ni nombre d'essais. L'intérêt pratique tient à la méthode. Les approches de réglage fin par apprentissage par renforcement (RL) exigent en général un modèle de valeur et un calcul d'avantages, ce qui alourdit l'infrastructure et la stabilité d'entraînement. Online-ES revendique une amélioration comparable à ce réglage fin RL sans ces deux composants. Si cela se confirme hors des benchmarks, un intégrateur pourrait corriger une politique VLA sur site à partir des seuls retours d'exécution, sans pipeline RL complet. Le travail rappelle aussi qu'un VLA génératif qui réussit en démonstration peut avoir une distribution d'actions dégradée en réalité, ce qui nourrit l'écart entre démos et fiabilité industrielle. Une réserve s'impose : il s'agit d'un préprint non évalué par des pairs, et « comparable » dépend des tâches, des baselines et du nombre d'interactions réelles nécessaires, que le résumé ne précise pas. Le contexte est celui de la généralisation des VLA à base de Flow Matching, popularisé par des modèles comme Pi-0 de Physical Intelligence, et de la recherche de méthodes d'adaptation après déploiement. Deux voies dominent : le réglage fin par RL, coûteux en données et en ingénierie, et le filtrage du bruit latent à l'inférence. Online-ES propose une troisième voie, évolutionniste. La suite dépendra de la publication du code, des benchmarks détaillés et de validations sur des robots variés. Le coût en essais physiques et la robustesse face au bruit de mesure resteront les points décisifs pour toute adoption industrielle.

UEPas d\'impact direct sur la France/UE

RecherchePaper
1 source