Heuristiques à base de graphes pour le retrait minimal de contraintes en planification de mouvement robotique encombrée

Les robots humanoïdes et de service qui évoluent dans des environnements domestiques ou de bureau encombrés se heurtent régulièrement à des problèmes de planification de mouvement sans solution tant que tous les objets alentour sont traités comme des obstacles fixes. Une publication déposée sur arXiv (2610.12609) s'attaque à ce cas via le problème dit de Minimum Constraint Removal (MCR), qui consiste à identifier le plus petit nombre de contraintes, typiquement des objets déplaçables, dont le retrait ouvre un chemin sans collision. Le calcul d'une solution MCR optimale est NP-difficile. Les auteurs proposent donc un pipeline heuristique à base de graphes, qui combine une génération bidirectionnelle d'ensembles admissibles et des recherches de longueur fixe sur des graphes MCR réduits. Ils décrivent aussi un générateur étendu, destiné aux instances où les candidats du premier générateur ne contiennent pas un ensemble de retrait optimal complet. Sur six benchmarks, le pipeline retrouve la solution exacte dans trois cas. Dans les autres, il sélectionne au plus 31,25 % d'obstacles de plus que l'optimum, tout en étant de 3,4 à 33,7 fois plus rapide que la recherche exacte. Dans un benchmark de manipulation en milieu encombré, retirer deux objets au lieu de sept fait passer le temps cumulé de MCR, de cinématique inverse et de planification de mouvement de 84,72 s à 30,59 s.

Pour les intégrateurs et les équipes de robotique de manipulation, l'enjeu dépasse la performance algorithmique pure. Un robot qui doit décider quels objets déplacer pour atteindre une cible, par exemple dans une étagère dense, un poste de travail ou un domicile, supporte mal une latence de plusieurs dizaines de secondes. Le résultat montre qu'un compromis explicite entre qualité et temps de calcul est possible : accepter quelques obstacles déplacés en trop contre un gain d'un ordre de grandeur sur certains benchmarks. Il faut toutefois rester prudent. Il s'agit de résultats de benchmarks académiques, sans validation annoncée sur un robot réel ni mesure en conditions industrielles. Le gain de 84,72 s à 30,59 s reste un temps de calcul, pas un temps de cycle de tâche, et il dépend de la structure du benchmark choisi. L'écart maximal de 31,25 % par rapport à l'optimum n'offre en outre aucune garantie théorique de borne.

Ce travail s'inscrit dans la lignée de la planification de mouvement parmi obstacles déplaçables (NAMO), un domaine où les approches exactes se heurtent vite à l'explosion combinatoire et où les heuristiques restent la voie dominante. Il intervient alors que les modèles vision-langage-action (VLA) portés par les acteurs de l'humanoïde, comme Figure avec Helix, Physical Intelligence avec Pi-0 ou NVIDIA avec GR00T, privilégient l'apprentissage de bout en bout pour les tâches de manipulation. Les méthodes de planification symbolique et géométrique comme celle-ci offrent une alternative ou un complément plus interprétable, capable de fournir à un module appris la liste des objets à écarter. Les prochaines étapes naturelles seraient une intégration avec des planificateurs de mouvement existants, un test sur manipulateurs physiques et une comparaison directe avec des approches apprises. Aucune échéance de déploiement ni partenaire industriel n'est mentionné à ce stade.