Aller au contenu principal
RMRRT : RRT à métrique de barrière riemannienne pour un pilotage tenant compte des inégalités sur variétés d'égalitéIllustration générée par IA
RecherchearXiv cs.RO 

RMRRT : RRT à métrique de barrière riemannienne pour un pilotage tenant compte des inégalités sur variétés d'égalité

1 source couvre ce sujet·Source originale ↗·

Compilé et résumé par IA · sources vérifiables en un clic · publié sans lecture humaine préalable · méthodologie

Résumé IASource unique

Des chercheurs proposent RMRRT (Riemannian Barrier Metric RRT), un planificateur de mouvement par échantillonnage qui traite dans une même formulation géométrique les contraintes d'égalité et d'inégalité pour des systèmes robotiques de grande dimension. Dans les planificateurs classiques de type RRT, les contraintes d'égalité (par exemple garder un objet à l'horizontale pendant son transport) sont imposées par projection sur la variété admissible, tandis que les contraintes d'inégalité, dont l'évitement de collision, sont gérées à part par de simples tests de validité binaires. RMRRT construit d'abord une métrique de barrière ambiante à partir de termes sensibles aux inégalités, puis en déduit une métrique sur l'espace tangent via une projection G-orthogonale associée aux contraintes d'égalité. Cette métrique sert à la fois pour l'extension de l'arbre (steering) et pour le choix du plus proche voisin, ce qui éloigne l'exploration des frontières proches tout en conservant la cohérence au premier ordre avec les contraintes d'égalité. Les auteurs annoncent un taux de succès de 100 % sur diverses tâches de manipulation contrainte, en simulation et en conditions réelles, avec un temps de planification réduit par rapport à des références de planification contrainte. Une étude d'ablation indique que la métrique diminue le nombre d'échantillons rejetés et raccourcit les trajectoires.

L'intérêt pratique tient à la manipulation sous contraintes, qui reste un point dur dans les cellules robotisées encombrées : tenir un récipient sans le pencher, insérer une pièce, évoluer près d'obstacles. Le temps de planification y pèse directement sur le temps de cycle et sur la facilité de reprogrammation, donc sur la rentabilité pour un intégrateur. Un planificateur qui gaspille moins d'échantillons en collision réduit la latence et la variabilité des calculs, ce qui compte pour des robots censés replanifier en ligne. Le résultat est toutefois à lire avec prudence. Les chiffres sont des mesures d'auteurs sur des tâches choisies par eux, le gain en temps n'est pas chiffré dans le résumé, et les baselines ne sont pas nommées. Autre limite explicite : la métrique repose sur des inégalités « proxy » issues de distances signées, qui orientent seulement les directions dans l'espace tangent. La faisabilité stricte reste garantie par les tests de validité habituels, donc la collision n'est pas traitée de façon formelle.

Ces travaux s'inscrivent dans la lignée des planificateurs contraints par projection ou par atlas, qui ont popularisé la gestion des variétés d'égalité dans les RRT, et des méthodes à fonctions barrière issues de l'optimisation et de la commande, ici transposées à la géométrie de l'échantillonnage. Ils se positionnent face à l'optimisation de trajectoire (type CHOMP ou TrajOpt) et aux approches apprises, qui visent le même objectif de planification rapide en environnement contraint. L'article, publié sur arXiv (2610.06863), est une prépublication non évaluée par les pairs. Le site compagnon, aux ressources anonymisées, annonce la mise à disposition de vidéos et du code, ce qui permettra de vérifier les résultats sur d'autres plateformes. Aucun déploiement industriel ni partenaire n'est mentionné à ce stade.

À lire aussi

geodex : une bibliothèque pour la planification de mouvement sur les variétés riemanniennes
Illustration générée par IA
1arXiv cs.RO 

geodex : une bibliothèque pour la planification de mouvement sur les variétés riemanniennes

geodex, une bibliothèque open source en C++20 dotée de bindings Python, vient d'être publiée sur arXiv (2610.09165). Elle permet de planifier des mouvements sur des variétés riemanniennes, c'est-à-dire en tenant compte de la géométrie intrinsèque de l'espace de configuration d'un robot : sa courbure et une notion de coût qui dépend de la configuration. Les auteurs exposent quatre briques indépendantes et interchangeables derrière une interface unique de planification par échantillonnage : la variété, sa métrique riemannienne, la rétraction et l'échantillonneur. Le même planificateur tourne donc sans modification sur R^n, les tores T^n, les sphères S^n, les groupes de Lie matriciels (SO(2), SE(2), SO(3), SE(3)), leurs produits et les espaces de configuration de robots articulés.

RecherchePaper
1 source
Retargeting humanoïde tenant compte de la géométrie via des EDO sur variétés
Illustration générée par IA
2arXiv cs.RO 

Retargeting humanoïde tenant compte de la géométrie via des EDO sur variétés

Des chercheurs ont mis en ligne sur arXiv (référence 2610.41349, version 1) TaSP-KKT, une méthode de retargeting de mouvement pour humanoïdes qui préserve les interactions. Il s'agit de transposer des démonstrations humaines vers un robot humanoïde en conservant les relations spatiales avec les objets manipulés et le terrain. Le point de départ est OmniRetarget, qui traite ce problème par optimisation sous contraintes couplée dans le temps. Cette approche exige des itérations répétées de programmation quadratique séquentielle (SQP) à chaque image. Les auteurs reformulent le problème en modélisant la limite en temps continu des conditions de Karush-Kuhn-Tucker (KKT) image par image comme une équation différentielle ordinaire (ODE) sur la variété des configurations du robot.

RecherchePaper
1 source
Ancrage sémantique tenant compte des risques pour une planification robotique fiable basée sur les LLM
Illustration générée par IA
3arXiv cs.RO 

Ancrage sémantique tenant compte des risques pour une planification robotique fiable basée sur les LLM

Des chercheurs proposent un cadre de « Risk-Aware Semantic Grounding » (ancrage sémantique sensible au risque) pour fiabiliser les robots de navigation pilotés par un grand modèle de langage (LLM), et publient sur arXiv (2609.37554v1) un banc d'essai associé, TRUST-NAV. Le problème visé est connu : lorsqu'un LLM sert de planificateur de haut niveau, ses sorties deviennent peu fiables si l'instruction est ambiguë, sans support dans l'environnement ou incohérente sur le plan sémantique. L'architecture estime donc, avant toute planification, trois risques distincts : l'ambiguïté, l'hallucination et le conflit sémantique. Selon ce score, le système choisit entre trois issues : exécuter l'instruction, demander une clarification ou la rejeter. TRUST-NAV réunit des tâches de navigation standard et des scénarios d'instructions volontairement piégées.

RecherchePaper
1 source
Arbitrage tenant compte des capacités pour le contrôle partagé basé sur l'intention sémantique
Illustration générée par IA
4arXiv cs.RO 

Arbitrage tenant compte des capacités pour le contrôle partagé basé sur l'intention sémantique

Un article déposé sur arXiv (2609.25369v1) présente un cadre de contrôle partagé homme-robot conscient des capacités. Un modèle vision-langage (VLM) infère l'intention humaine et produit une confiance sémantique, tandis qu'une politique vision-langage-action (VLA) génère les actions autonomes du robot ; la fiabilité de cette dernière est estimée en ligne à partir de la dispersion et de l'instabilité locale des trajectoires stochastiques qu'elle produit. Un arbitrage non linéaire combine ces deux signaux, filtrés par une approche bayésienne, via une fonction sigmoïde, pour ajuster dynamiquement le niveau d'autorité laissé au robot. Le système a été testé auprès de 12 participants sur des tâches de préhension-dépôt et d'empilement bidirectionnel, en conditions connues et en conditions inédites (hors distribution d'entraînement).

RecherchePaper
1 source