RecherchearXiv cs.RO 23 septembre 2026

Contrôle de formation sous-marine par vision avec saturations d'entrée via fonctions barrière de Lyapunov

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs présentent un cadre de contrôle en formation pour robots sous-marins entièrement actionnes, fonctionnant sans communication inter-robots et base uniquement sur la vision embarquée, publie sur arXiv sous la référence 2609.25917v1. Le système s'appuie sur des fonctions de Lyapunov a barrière recentrées pour encoder simultanément les contraintes de détection visuelle et d'évitement de collision, associées a un backstepping filtre par commande pour traiter la dynamique du second ordre des véhicules. L'objectif de contrôle est résolu par un programme quadratique qui intègre explicitement les limites de saturation des actionneurs. Des domaines de détection conservateurs fixent une marge de sécurité par rapport aux limites physiques des capteurs, relâchée de manière adaptative en cas de besoin, et la méthode a été validée uniquement par des simulations Software-in-the-Loop sous Gazebo, sans essai en bassin ni en mer.

Pour les intégrateurs de flottes d'AUV ou de ROV, notamment dans l'inspection d'infrastructures offshore ou la surveillance environnementale, une commande de formation purement visuelle, affranchie des liaisons acoustiques lentes et énergivores, simplifierait potentiellement le déploiement opérationnel. La prise en compte explicite des saturations d'actionneurs corrige une hypothèse fréquente en contrôle théorique, ou la puissance de propulsion est souvent supposée illimitée, ce qui se vérifie rarement en conditions réelles. L'absence totale de tests en environnement physique limite toutefois la portée des résultats a une preuve de concept simulée, un point que les auteurs n'occultent pas.

Le contrôle de formation sous-marine reste un champ actif ou l'absence de GPS, les perturbations hydrodynamiques et la portée limitée des capteurs optiques compliquent l'adaptation directe des méthodes conçues pour les drones aériens ou terrestres. Les fonctions de Lyapunov a barrière sont déjà employées dans la littérature du contrôle contraint, mais leur combinaison avec le backstepping filtre et une couche d'optimisation quadratique, pour une formation vision-only de véhicules entièrement actionnes, constitue l'apport principal revendique. Aucun partenaire industriel ni calendrier de transfert matériel n'est mentionne; les suites logiques, non précisées dans l'article, seraient des essais en bassin puis en mer pour confronter le contrôleur au bruit de mesure et aux courants réels.

Impact France/UE

Recherche générique sans acteur ni déploiement européen identifié, mais potentiellement utile aux intégrateurs européens de flottes d'AUV/ROV pour l'inspection offshore.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

D-SafeMPC : commande prédictive sûre par diffusion avec fonctions barrières de contrôle en temps discret

Traduction et résumé en cours pour cet article de recherche sur D-SafeMPC. Des chercheurs présentent D-SafeMPC, une méthode qui combine modèles de diffusion et commande prédictive (MPC) pour générer des trajectoires robotiques à la fois sûres et faisables physiquement. Le problème de départ est connu : les modèles de diffusion, très utilisés en planification de mouvement, ne garantissent intrinsèquement ni la sécurité ni le respect des contraintes dynamiques, ce qui produit parfois des trajectoires irréalisables. Coupler diffusion et MPC existait déjà, mais l'approche restait instable, car une mauvaise initialisation de trajectoire par le modèle de diffusion empêchait le MPC de converger vers une solution correcte. D-SafeMPC guide le processus de diffusion inverse à l'aide de fonctions barrières de contrôle (CBF) et de fonctions de Lyapunov de contrôle (CLF), avec un schéma de projection itératif où le MPC affine la trajectoire à chaque étape de débruitage. Les tests ont porté sur un bras manipulateur Franka, en simulation sur quatre scénarios (un obstacle statique, trois configurations à obstacles dynamiques), puis en conditions réelles sur un robot Franka physique via une expérience de transfert sim-to-real. Le code source et les configurations expérimentales sont publiés sur GitHub (erdiphd/D-SafeMPC). L'intérêt de ces travaux dépasse le cas d'usage du bras manipulateur : ils s'attaquent directement à un point de friction connu entre planification générative et robotique déployable. Les modèles de diffusion produisent des trajectoires plausibles statistiquement, mais rien ne garantit qu'elles respectent les contraintes physiques d'un robot réel ou évitent des obstacles mobiles, un écart classique entre démonstration et fiabilité opérationnelle. En stabilisant l'interaction diffusion-MPC dès la phase de débruitage plutôt qu'en post-traitement, D-SafeMPC vise à fournir des points de démarrage fiables ("warm starts") au contrôleur, ce qui améliore selon les auteurs le taux de succès des tâches et l'efficacité de planification par rapport aux méthodes de référence de l'état de l'art. Pour les équipes travaillant sur la manipulation en environnement partagé avec des humains ou des obstacles mobiles, c'est un signal que les architectures hybrides génératif-contrôle progressent sur la sécurité formelle, un enjeu central pour toute certification industrielle. Ce travail s'inscrit dans une lignée de recherches cherchant à réconcilier planification par apprentissage profond et garanties de sécurité issues du contrôle classique, un axe actif depuis l'essor des politiques de diffusion en robotique (type Diffusion Policy). Les CBF et CLF sont des outils établis en commande sûre, mais leur intégration fine dans une boucle de diffusion itérative reste un domaine ouvert. La validation sim-to-real sur Franka, bras couramment utilisé en recherche académique, reste un test de complexité modérée comparé à des déploiements industriels ou humanoïdes ; la suite logique serait une extension à des plateformes à plus haute dimensionnalité ou à des tâches multi-obstacles plus denses.

RecherchePaper

1 source

2arXiv cs.RO

Commande à impédance adaptative à sécurité critique via fonctions barrière non lisses sous contraintes d'état et d'entrée

Des chercheurs ont publié sur arXiv (référence 2605.28367v1) un framework de contrôle d'impédance adaptatif en ligne conçu pour garantir la sécurité des manipulateurs robotiques lors d'interactions physiques avec des humains ou des environnements contraints. Le système, validé en simulation sur un manipulateur à 7 degrés de liberté (DOF), combine un filtre de sécurité basé sur un programme quadratique (QP) avec une nouvelle fonction de barrière de contrôle non lisse composée (NCBF), permettant d'imposer simultanément les contraintes de position et de vitesse articulaires via une barrière unifiée de degré relatif un. Les dynamiques inconnues sont compensées en ligne par un système de logique floue de type 2 par intervalles (IT2-FLS), les limites de couple actuateur sont gérées par des contraintes souples avec récupération exacte de solutions réalisables, et un observateur de perturbations renforce la robustesse face aux erreurs de modèle et aux forces d'interaction externes. Les simulations incluent une incertitude paramétrique sévère et des torseurs d'interaction externes appliqués simultanément. Le principal apport technique réside dans la formulation NCBF composée, qui unifie en une seule barrière de degré relatif un deux contraintes habituellement traitées séparément : position et vitesse articulaires. En pratique, les approches CBF standard nécessitent des traitements de degré relatif élevé pour les contraintes de position, ce qui complique la synthèse et réduit la robustesse. Ici, l'unification simplifie le problème QP et maintient la faisabilité même sous perturbations fortes. L'analyse Lyapunov composite prouve formellement l'invariance de l'ensemble sûr et la bornitude ultimement uniforme (UUB) de l'erreur de suivi d'impédance, deux garanties essentielles pour envisager une certification dans des contextes industriels ou médicaux. Ces résultats restent toutefois à l'étape simulation uniquement : aucune validation sur matériel réel n'est rapportée. Le contrôle d'impédance est la référence pour la manipulation compliante depuis les travaux de Hogan dans les années 1980, et les fonctions de barrière de contrôle (CBF) ont connu un essor considérable depuis les contributions d'Ames et al. dans la décennie 2010. Les approches concurrentes incluent les méthodes à tanks d'énergie, le contrôle passif basé sur la passivité, et les CBF à degré relatif élevé. Le recours à l'IT2-FLS distingue ce travail des CBF adaptatifs classiques en offrant une meilleure tolérance à l'incertitude que les systèmes flous de type 1. L'étape logique suivante sera la validation expérimentale sur plateforme réelle, notamment dans des scénarios d'assemblage ou de soins à la personne où l'interaction physique imprévue est la norme.

RecherchePaper

1 source

3arXiv cs.RO

Fonctions de barrière de contrôle robustes aux mesures, apprises pour l'évitement d'obstacles sous erreur d'estimation d'état

Un article publié sur arXiv (référence 2608.20467) présente deux nouvelles fonctions barrières de contrôle (CBF) destinées à garantir l'évitement d'obstacles quand l'estimation d'état du robot est imparfaite, une situation courante hors laboratoire. La première, DMR-CBF, ajoute à la condition CBF classique une optimisation sur le pire cas d'incertitude dans la dynamique du système, puis sert à préentraîner une seconde version, NMR-CBF, qui remplace cette optimisation par un terme appris et affiné sur des trajectoires simulées différentiables. Testées sur un double intégrateur planaire et un quadrirotor à 12 degrés de liberté, les deux méthodes évitent les collisions là où d'autres approches robustes échouent ou se montrent trop prudentes. Le NMR-CBF a ensuite été déployé sur un robot quadrupède Unitree Go2, qui a traversé un champ d'obstacles malgré des erreurs d'odométrie ayant fait percuter un filtre CBF standard. Ce travail cible un angle mort connu des filtres de sécurité: la plupart des CBF publiés supposent un état parfaitement connu, hypothèse qui s'effondre dès qu'un robot mobile ou un drone s'appuie sur une odométrie bruitée. Pour les intégrateurs qui évaluent des couches de sécurité pour robots mobiles autonomes (AMR), quadrupèdes ou drones, la démonstration sur Go2 illustre l'écart entre un filtre standard, qui percute l'obstacle sous erreur d'odométrie, et une version robuste qui l'évite avec un coût de calcul réduit grâce à l'apprentissage. Cela va dans le sens d'un secteur qui cherche à combiner garanties de sécurité formelles et budget de calcul compatible avec l'embarqué, plutôt qu'à choisir entre robustesse et temps réel. Le papier s'inscrit dans une lignée récente de travaux sur les CBF robustes à l'erreur d'estimation d'état, une extension encore jeune du cadre CBF classique utilisé pour l'évitement d'obstacles et le contrôle sûr. Les auteurs positionnent DMR-CBF et NMR-CBF face à ces méthodes robustes antérieures, jugées soit sujettes à des violations de sécurité, soit trop conservatrices, et fournissent une analyse théorique du DMR-CBF en complément des résultats empiriques. Sans calendrier de suite précisé, le passage du banc de simulation au robot Go2 en conditions réelles reste l'étape de validation la plus significative avant une éventuelle extension à d'autres plateformes mobiles.

RecherchePaper

1 source

4arXiv cs.RO

Risque et contrôle de croyance sous contraintes : fonctions barrières pour ensembles finis aléatoires

Des chercheurs publient sur arXiv (2607.15016v1) un cadre baptisé "risk-aware belief control barrier function" (BCBF) pour sécuriser le contrôle de robots évoluant dans des environnements inconnus et dynamiques, où le nombre d'objets mobiles à éviter varie dans le temps et n'est connu qu'à travers des mesures bruitées et incomplètes. L'incertitude sur cet état multi-objets est modélisée par une croyance au format random finite set (RFS), estimée par un filtre SMC-PHD (sequential Monte Carlo probability hypothesis density) qui la représente sous forme d'un nuage de particules. À partir de ces particules, les auteurs construisent directement une fonction barrière de contrôle non lisse, démontrent l'invariance de l'ensemble de sécurité sous prédiction continue, et établissent une condition explicite garantissant que les mises à jour discrètes du filtre ne compromettent pas cette sécurité. La méthode est validée en simulation puis lors d'expériences réelles en environnement sous-marin. Ce travail s'attaque à un point de friction connu entre théorie du contrôle et déploiement réel: la plupart des control barrier functions classiques supposent un nombre d'obstacles fixe et connu, hypothèse rarement vraie hors laboratoire. En couplant directement le filtre PHD, qui gère nativement apparitions, disparitions et bruit de détection, à la barrière de sécurité, l'approche évite l'étape fragile de "suivi puis contrôle" où des erreurs d'association de données peuvent silencieusement casser les garanties de sécurité. Pour les intégrateurs de robots mobiles ou sous-marins opérant en environnement encombré et faiblement instrumenté, cela ouvre la voie à des garanties formelles même quand la perception reste imparfaite, un cas de figure encore mal couvert par les CBF probabilistes existantes, souvent limitées à la simulation. Les control barrier functions se sont imposées depuis une dizaine d'années comme outil de référence du contrôle sûr en robotique, notamment via les travaux d'Aaron Ames à Caltech, mais leur extension à l'incertitude multi-objets reste un champ actif. Les filtres PHD, eux, dérivent des travaux de Ronald Mahler sur les ensembles finis aléatoires appliqués au suivi multi-cibles, formalisme né en défense et surveillance radar avant sa percée en robotique mobile. Aucun partenariat industriel ni calendrier de transfert n'est mentionné: il s'agit pour l'instant d'une preuve de concept en environnement sous-marin contrôlé, sa généralisation à d'autres domaines restant une piste ouverte.

RecherchePaper

1 source