RecherchearXiv cs.RO 22 septembre 2026

Planification de trajectoire cinodynamique quasi optimale par grille, itérée rapidement

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Une équipe de recherche a mis au point le RDG (Rapidly-iterating kinoDynamic Grid), un nouvel algorithme de planification de mouvement kinodynamique, décrit dans un preprint publié le 22 septembre 2026 sur arXiv (arXiv:2609.22733v1). Contrairement aux méthodes classiques de recherche du plus proche voisin, RDG s'appuie sur une décomposition en grille de l'espace des états pour sélectionner les nœuds, propager la dynamique et réviser le graphe de trajectoires en temps constant, indépendamment du nombre de nœuds dans l'arbre. Les auteurs démontrent, via une preuve d'induction par séquence de boules couvrantes, que l'algorithme est asymptotiquement quasi optimal et probabilistiquement complet. Testé en simulation sur des environnements complexes allant jusqu'à 10 degrés de liberté (DOF), RDG améliore la qualité moyenne des solutions finales de 104% par rapport à SST (Stable Sparse RRT) et de 40% par rapport à DIRT, deux algorithmes de référence pour la planification kinodynamique éparse avec garanties d'optimalité. Il maintient également un taux de réussite de 100%, y compris sur le cas de test à 10 DOF où SST et DIRT échouent partiellement.

Ce résultat concerne un problème central pour toute la robotique mobile et manipulatrice : planifier des trajectoires qui respectent non seulement les contraintes géométriques (éviter les obstacles) mais aussi les contraintes physiques du système (vitesse, accélération, couple, inertie), typiques des bras robotiques industriels, des drones ou des véhicules autonomes à haute dimensionnalité. Un gain de convergence plus rapide vers des trajectoires de meilleure qualité, à complexité constante par nœud, intéresse directement les intégrateurs qui doivent faire tourner ces calculs en temps réel, sur des systèmes embarqués aux ressources limitées. Il s'agit toutefois d'un travail académique validé uniquement en simulation, pas d'un produit ou d'un déploiement matériel : la portée réelle du gain reste à confirmer sur du hardware physique et dans des environnements moins contrôlés qu'un banc de test simulé.

RDG s'inscrit dans la lignée des algorithmes dérivés de RRT (Rapidly-exploring Random Tree), dont SST et DIRT sont les variantes kinodynamiques les plus citées en recherche de robotique. En comparant systématiquement ses sous-composants (sélection de nœuds, biais d'exploration) à ces méthodes basées sur la recherche de voisins, l'étude cherche à isoler la source du gain de performance plutôt que de se contenter d'un résultat global. Les prochaines étapes attendues, non détaillées dans ce preprint, seraient une validation sur plateformes robotiques réelles et une extension à des espaces de dimensionnalité encore plus élevée.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

Kino-PAX+ : un planificateur de mouvement kinodynamique massivement parallèle quasi optimal

Une équipe de chercheurs en robotique a publié la version 2 d'un article sur arXiv (2602.02846) décrivant Kino-PAX+, un planificateur de mouvement par échantillonnage (SBMP, sampling-based motion planner) pour robots soumis à des contraintes kinodynamiques dans des espaces de haute dimension, comme des bras manipulateurs ou véhicules dont la trajectoire doit respecter vitesse et accélération. L'algorithme découpe les opérations habituellement séquentielles en trois sous-routines massivement parallèles, construit un arbre épars de trajectoires dynamiquement réalisables et concentre le calcul sur les nœuds les plus prometteurs de chaque voisinage pour améliorer rapidement le coût de la solution. Les auteurs rapportent des résolutions jusqu'à trois ordres de grandeur, soit environ mille fois plus rapides que les méthodes sérielles existantes, avec des coûts de trajectoire plus faibles, et apportent une preuve formelle de quasi-optimalité asymptotique dite delta-robuste. L'apport tient moins à la vitesse brute qu'à la garantie qui l'accompagne : les précédentes tentatives de parallélisation des SBMP accéléraient la recherche d'une solution faisable mais sans assurance sur sa qualité, forçant les intégrateurs à arbitrer entre rapidité et optimalité. Pour les fabricants de bras robotiques, de robots mobiles ou de plateformes humanoïdes évoluant en environnement dynamique, disposer d'un planificateur à la fois rapide et quasi optimal réduit ce compromis et rapproche la replanification kinodynamique temps réel d'un usage industriel. Le résultat confirme aussi une tendance de fond du secteur : déporter le calcul de planification vers des architectures massivement parallèles plutôt que d'optimiser des algorithmes purement séquentiels, dans la lignée d'efforts comme cuRobo de Nvidia. Kino-PAX+ prolonge une lignée de recherche en planification par échantillonnage remontant aux familles RRT et RRT*, dont les variantes kinodynamiques peinaient historiquement à passer à l'échelle sur des systèmes à nombreux degrés de liberté ; son nom suggère qu'il s'appuie sur un planificateur antérieur, Kino-PAX, focalisé sur la seule faisabilité. Il s'agit à ce stade d'un travail académique déposé sur arXiv, non encore validé par relecture par les pairs ni intégré dans un produit commercial : aucun déploiement sur robot physique ni partenariat industriel n'est mentionné. Les suites attendues sont une publication en conférence ou en revue et des essais comparatifs sur des plateformes robotiques réelles.

RecherchePaper

1 source

2arXiv 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

3arXiv cs.RO

SPARC : planification de trajectoire spatiale par communication robotique attentive

Une équipe de chercheurs a publié sur arXiv (référence 2603.02845v3) SPARC, un système de planification de trajectoires pour flottes de robots autonomes décentralisées, centré sur un nouveau mécanisme de communication baptisé RMHA (Relation enhanced Multi Head Attention). Le constat de départ est précis : dans les approches d'apprentissage multi-agents existantes, chaque robot traite les messages de ses voisins de manière uniforme, sans tenir compte de leur distance réelle. En environnement dense, cette indifférence spatiale dilue l'attention là où la coordination est justement la plus critique. RMHA intègre directement les distances de Manhattan par paires dans le calcul des poids d'attention, permettant à chaque robot de prioriser dynamiquement les messages des voisins les plus proches. Ce mécanisme est couplé à un masque d'attention contraint par distance et à une fusion de messages par réseau GRU (Gated Recurrent Unit), le tout entraîné en bout en bout via MAPPO, un algorithme d'apprentissage par renforcement multi-agents. Sur des grilles de 40x40 cases avec 30 % de densité d'obstacles, SPARC atteint environ 75 % de taux de succès, surpassant la meilleure méthode de référence de plus de 25 points de pourcentage. Le résultat le plus structurant est la généralisation zéro-shot : le système est entraîné sur des scénarios à 8 robots et testé directement sur des configurations à 128 robots, sans ré-entraînement. Cette capacité de mise à l'échelle sans supervision supplémentaire est un verrou majeur pour les déploiements industriels réels, notamment en logistique entrepôt où les flottes AMR peuvent dépasser plusieurs dizaines d'unités. Les ablations confirment que l'encodage de la relation de distance est le facteur déterminant du gain de performance en haute densité, ce qui valide l'hypothèse que le biais spatial manquait aux architectures à attention standard appliquées à la coordination robotique. MRPP est un champ de recherche actif depuis une décennie, avec des approches classiques comme CBS (Conflict-Based Search) et des variantes apprises reposant sur QPLEX, MAPPO ou des graph neural networks. SPARC s'inscrit dans la lignée des travaux combinant attention multi-têtes et apprentissage multi-agents coopératif, en corrigeant un angle mort de conception commun à la majorité de ces systèmes. Il n'y a pas, à ce stade, de déploiement annoncé ni de partenariat industriel mentionné : il s'agit d'une contribution de recherche académique. Les prochaines étapes attendues dans ce domaine incluent la validation sur environnements physiques réels et l'extension à des grilles de plus grande dimension, deux conditions nécessaires avant toute intégration dans des systèmes AMR commerciaux.

RecherchePaper

1 source

4arXiv cs.RO

Planification de trajectoire ergodique avec empreintes de capteur dynamiques

Une équipe de robotique a publié une version révisée (v2) de l'article "Ergodic Trajectory Planning with Dynamic Sensor Footprints" sur arXiv (2512.08661), consacré à la planification de trajectoire pour la collecte d'information avec un capteur dont l'empreinte au sol varie dans le temps. La planification ergodique fait passer un robot dans chaque zone proportionnellement à la quantité d'information qu'elle contient, en équilibrant exploration et exploitation. Les méthodes existantes supposent un capteur ponctuel ou une empreinte fixe, alors qu'un drone à caméra orientée vers le bas voit son champ de vision varier avec l'altitude et l'orientation. Les auteurs proposent une nouvelle métrique, des conditions théoriques d'optimalité locale et des algorithmes d'optimisation conjointe trajectoire-empreinte, avec une ergodicité jusqu'à dix fois meilleure que les méthodes conventionnelles, validée sur un système multi-drones couvrant un objet en trois dimensions. Pour la robotique aérienne, ce travail comble un écart classique entre modèles de capteurs simplifiés et réalité opérationnelle des drones d'inspection, de cartographie ou de surveillance, dont le champ de vision dépend directement de l'altitude et de l'angle de vol. Optimiser trajectoire et empreinte capteur ensemble promet une couverture de zone plus efficace avec moins de survols redondants, un enjeu concret pour les flottes d'inspection industrielle (ponts, éoliennes, sites miniers) ou de cartographie agricole, où chaque minute de vol pèse sur l'autonomie de la batterie. Le gain "jusqu'à dix fois" reste une mesure de laboratoire, à confirmer en conditions réelles bruitées, avec vent ou obstacles. Il s'agit d'une contribution de recherche fondamentale, non d'un produit commercial, susceptible de nourrir les futurs logiciels de mission des drones autonomes. Ce travail prolonge la planification ergodique, un cadre de robotique du mouvement étudié depuis une dizaine d'années pour la couverture de zone et l'exploration autonome. Soumis initialement fin 2025 selon la numérotation arXiv, l'article ne cite aucune entreprise ni laboratoire nommé dans son résumé: il s'agit d'une publication académique, pas d'une annonce produit, et aucun calendrier de transfert industriel n'est précisé. La démonstration multi-drones en 3D reste, à ce stade, une preuve de faisabilité plutôt qu'un système opérationnel. Les suites logiques passeraient par des essais en environnement extérieur non contrôlé et une comparaison avec d'autres approches de couverture, comme celles fondées sur l'information mutuelle, avant toute intégration dans des logiciels commerciaux de drones.

RecherchePaper

1 source