RecherchearXiv cs.RO 22 septembre 2026

CAST : assemblage sensible aux collisions par des robots de construction, avec estimation et planification simultanées de trajectoire

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Une équipe de recherche présente CAST (Collision-Aware Assembly with Construction Robots using Simultaneous Trajectory Estimation and Planning), un framework de planification pour robots de construction multi-bras, détaillé dans un preprint arXiv (2609.24841) publié fin septembre 2026. Le système s'appuie sur un unique graphe de facteurs qui fusionne estimation de trajectoire et planification de mouvement, en combinant états mesurés des robots, contraintes explicites d'évitement de collision et contraintes de câbles apprises par apprentissage. La démonstration porte sur l'assemblage d'une structure poteau-linteau : un premier bras robotique sert de pince à bois pour manipuler les pièces de charpente, tandis qu'un second robot assure la fixation par clouage. Aucune entreprise n'est associée à cette publication : il s'agit d'un travail académique, non encore relu par les pairs, validé sur un seul démonstrateur en environnement contrôlé.

L'enjeu tient à la difficulté propre aux chantiers multi-robots : des espaces de configuration à très haute dimension et de multiples contraintes de collision, entre robots, avec les objets assemblés et avec les limites de la zone de travail. En réunissant dans une seule représentation l'estimation d'état, habituellement issue de méthodes proches du SLAM, et la planification de trajectoire, traitées d'ordinaire comme deux pipelines séparés, CAST vise une synchronisation fine de mouvements sur des postes de travail évolutifs plutôt que figés. Le framework intègre aussi l'incertitude liée aux vibrations et au manque de rigidité des robots lourds, un facteur souvent ignoré quand on suppose des bras parfaitement rigides. Pour les intégrateurs et décideurs du BTP, l'intérêt est de réduire l'exposition des ouvriers aux tâches dangereuses tout en visant une précision suffisante pour l'assemblage structurel, un terrain où l'écart entre démonstration en laboratoire et déploiement réel reste généralement important.

La robotique de construction mise de plus en plus sur les systèmes multi-robots pour compenser la pénurie de main-d'œuvre qualifiée et améliorer la sécurité sur les chantiers, un axe déjà exploré par plusieurs équipes académiques, sans qu'aucun acteur industriel ne soit cité dans cette publication. Les graphes de facteurs, popularisés en robotique par les techniques d'estimation type SLAM, sont ici étendus à la planification conjointe multi-robot, une combinaison encore rare dans la littérature. La validation reste limitée à une structure unique et simple, en conditions de laboratoire, sans essai sur chantier réel ni calendrier de transfert industriel annoncé. Les suites logiques seraient l'extension à des structures plus complexes, à un nombre de robots plus élevé et à des tests en conditions de chantier réelles.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

CaSCo : planification de mouvement sensible aux cascades et aux collisions souples

Publié sur arXiv le 17 septembre 2026 (référence 2609.18910), le framework CaSCo (Cascade-Aware Soft-Collision motion planning) remplace la contrainte binaire de collision par un risque sémantique gradué : un modèle vision-langage ou de langage note chaque objet de la scène, distinguant un carton d'un verre, d'un ordinateur portable ou d'un objet instable, pendant qu'un simulateur physique prédit les collisions secondaires en cascade quand un contact déplace un objet qui en heurte un autre. Le système cherche le chemin minimisant le risque sémantique total des objets touchés, via un algorithme de recherche de graphe optimal à heuristique admissible et consistante, doté de mécanismes de cache et d'élagage pour rester efficace en scène encombrée. Il a été testé en environnements de manipulation encombrés et validé sur robot réel, sur les critères de risque sémantique, de raisonnement en cascade et d'efficacité de planification. L'approche cible un angle mort classique de la planification de trajectoire : un chemin géométriquement "sans collision" ignore que toucher un carton ou faire tomber un verre n'ont pas les mêmes conséquences, et qu'un contact initial peut déclencher une réaction en chaîne sur les objets voisins. En intégrant le raisonnement sémantique d'un VLM ou LLM directement dans la boucle de planification plutôt qu'en simple pré-traitement de perception, CaSCo réduit l'écart entre démonstrations de manipulation en environnement dégagé et fonctionnement réel en entrepôt, foyer ou bureau, où le contact accidentel est parfois inévitable. Pour les intégrateurs de robots manipulateurs, cela ouvre une voie vers des planificateurs tolérants au contact sans sacrifier la sécurité, en modélisant explicitement les effets domino plutôt qu'en les ignorant. CaSCo s'inscrit dans une tendance plus large de la recherche robotique consistant à greffer des modèles vision-langage comme modules de raisonnement sémantique sur des piles de planification et de contrôle classiques, plutôt qu'à tout confier à un système end-to-end. Le papier ne mentionne ni affiliation industrielle ni partenaire de déploiement : il s'agit d'une contribution de recherche en préprint, évaluée en laboratoire sur bras manipulateur, et non d'un produit commercialisé. Aucun calendrier de suite n'est communiqué, mais la validation annoncée sur robot réel laisse présager une publication du code et des données expérimentales à l'appui des résultats.

RecherchePaper

1 source

2arXiv cs.RO

Des trajectoires multimodales aux trajectoires exécutables : un cadre de planification de trajectoire pour robots 4WIS

Un article publié sur arXiv fin août 2026 (référence 2608.29108) présente un cadre de planification de trajectoire pour les robots mobiles à quatre roues à direction indépendante (4WIS), capables de combiner plusieurs modes de déplacement, marche crabe, rotation sur place, virage classique, pour manœuvrer dans des espaces étroits. En amont, l'algorithme Hybrid A est étendu à un espace d'état en quatre dimensions intégrant le mode de déplacement, avec des coûts et heuristiques sensibles aux changements de mode et des courbes de Reeds-Shepp multi-modales. En aval, une optimisation de trajectoire par segments, basée sur un corridor de sécurité itératif amélioré, convertit les chemins discrets en trajectoires lisses avec transitions de mode à l'arrêt. Les auteurs rapportent les meilleures performances en sécurité, temps d'arrivée, précision terminale et temps de calcul, validées sur un robot 4WIS physique. L'enjeu vise un angle mort fréquent : la plupart des planificateurs exploitent mal la polyvalence mécanique des plateformes 4WIS, déjà présentes dans la logistique industrielle pour circuler dans des allées d'entrepôt étroites, en les traitant comme de simples robots différentiels ou omnidirectionnels. En intégrant le choix du mode de déplacement directement dans la recherche globale plutôt qu'en post-traitement, le cadre promet des trajectoires plus courtes et plus sûres sans sacrifier la faisabilité cinématique. Point notable pour les intégrateurs, la validation s'appuie sur un robot physique avec des transitions de mode nécessairement à l'arrêt, contrainte réelle souvent ignorée en simulation, ce qui réduit partiellement l'écart entre démonstration et exécutabilité terrain, même si les gains chiffrés restent à confirmer plus largement. Le travail prolonge les variantes de Hybrid A et les courbes de Reeds-Shepp déjà utilisées en planification pour véhicules à contrainte cinématique, généralement conçues pour un seul mode de déplacement. Les plateformes 4WIS, parfois appelées 4WIS4WID selon la motorisation, équipent déjà une partie des AGV et AMR industriels pour passer du déplacement longitudinal au latéral ou à la rotation sur place sans reconfiguration mécanique. Publié en preprint arXiv non encore évalué par les pairs, l'article ne cite aucune entreprise ni déploiement commercial et ne précise pas de suite prévue au-delà des essais réalisés : une contribution de recherche amont dont la portée dépendra de sa reprise par des équipes travaillant sur des flottes AMR réelles.

RecherchePaper

1 source

3arXiv cs.RO

STEP : estimation et planification des tâches sensibles à l'état avec des LLM multimodaux pour la collaboration homme-robot

Des chercheurs présentent STEP (State-aware Task Estimator and Planner), un système publié le 27 août 2026 sur arXiv (arXiv:2608.27225v1) qui vise à améliorer la planification de tâches par des robots collaboratifs en environnement industriel. Le constat de départ est que les modèles de langage multimodaux (MM-LLM) récemment utilisés pour interpréter les actions humaines et générer des plans d'action en langage naturel, via apprentissage en contexte dans des scénarios pauvres en données, souffrent de deux défauts majeurs : ils ne suivent pas l'état réel du système ni ses transitions, ce qui produit des actions hallucinées s'écartant de l'objectif visé, et leurs plans restent formulés à un niveau trop abstrait, créant de l'ambiguïté au moment de l'exécution. STEP corrige cela en forçant le MM-LLM à estimer explicitement l'état du système et à prédire les transitions d'état résultant de chaque action exécutée, en plus de générer les actions elles-mêmes. Cette prédiction conjointe état/action garantit une planification convergente vers l'objectif et fournit les paramètres d'assistance nécessaires à l'exécution. Testé sur une tâche d'assemblage robotique en environnement simulé, STEP dépasse l'état de l'art de 32,8% en taux d'exécutabilité des actions et de 14,8% en réduction de l'erreur d'état final. Pour les intégrateurs et concepteurs de systèmes de cobotique industrielle, ce travail s'attaque directement à un point de friction connu des architectures de planification fondées sur les LLM : le décalage entre un plan verbalisé de façon plausible et un plan réellement exécutable par un robot, faute d'ancrage dans l'état physique du système. En rendant le suivi d'état explicite plutôt qu'implicite, STEP réduit le risque d'hallucination d'actions, un problème récurrent quand un LLM générique est plaqué sur une tâche de manipulation sans supervision d'état. Les gains rapportés, mesurés sur l'exécutabilité et l'erreur d'état final plutôt que sur des métriques cosmétiques, ciblent précisément la fiabilité opérationnelle recherchée en assemblage collaboratif homme-robot, un segment où la marge d'erreur tolérée reste faible. Ces résultats s'inscrivent dans la lignée des travaux récents exploitant les MM-LLM pour la planification de tâches en contexte de données rares, où l'apprentissage en contexte permet de s'affranchir d'un réentraînement lourd. Il faut toutefois noter que la validation se limite à un environnement simulé et à une seule tâche d'assemblage, sans démonstration sur robot physique ni déploiement industriel réel. STEP reste donc à ce stade une contribution de recherche méthodologique, dont la prochaine étape logique serait une validation sur du matériel réel et sur une variété de tâches plus large avant toute application en production.

RecherchePaper

1 source

4arXiv cs.RO

Robots à travers différentes scènes : planification rapide et sûre de trajectoires par composition de diffusion

Une équipe de recherche présente un nouveau cadre de planification de trajectoire baptisé RSTP (diffusion composition), publié sur arXiv (2507.04384v4) avec une page projet dédiée. La méthode combine un champ d'énergie appris de façon conservative avec un processus de diffusion, ce qui permet d'intégrer plusieurs contraintes de sécurité et de cinématique sans réentraînement pour chaque nouvel environnement. Un filtre de sécurité léger est ajouté en aval pour garantir en temps réel le respect des contraintes de faisabilité cinématique. Les chercheurs ont aussi développé un pipeline de génération de données basé sur du contrôle prédictif (MPC), indépendant de la scène, pour produire à grande échelle des trajectoires d'entraînement dynamiquement réalisables. En simulation, le planificateur atteint un temps de calcul moyen de 0,21 seconde par trajectoire et un taux d'échec de seulement 0,57 %. Les tests réels ont été menés sur la plateforme robotique F1TENTH, où le système a maintenu une distance moyenne de sécurité de 0,26 mètre par rapport aux obstacles, même en présence d'incertitude des capteurs et dans des environnements dynamiques inédits. Cette avancée s'adresse directement à un problème central en robotique mobile et en navigation autonome: la difficulté de garantir simultanément vitesse de calcul, sécurité et généralisation face à des obstacles mouvants sans connaître à l'avance la scène. Les méthodes de diffusion, déjà populaires pour la génération de trajectoires en manipulation robotique et en conduite autonome, souffrent souvent d'un temps d'inférence trop long pour un usage temps réel, ou d'un manque de garanties de sécurité formelles. En démontrant un temps de planification compatible avec le temps réel tout en conservant un filtre de sécurité explicite, ce travail répond à une critique récurrente adressée aux approches génératives en robotique: leur difficulté à passer de la démonstration en simulation à un déploiement fiable sur robot physique. Le papier, une version révisée (v4) d'un article initialement soumis en juillet, s'inscrit dans la lignée des travaux combinant modèles de diffusion et planification sous contrainte, en concurrence avec des approches plus classiques de type MPC pur ou de champs de potentiel. La validation sur F1TENTH, plateforme standard de recherche en course autonome à petite échelle, ouvre la voie à des tests sur des robots de taille industrielle ou des véhicules autonomes complets, sans calendrier de déploiement commercial précisé à ce stade.

RecherchePaper

1 source