Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
RecherchearXiv cs.RO 

Optimiser le compromis énergie-information par la trajectoire de vitesse de robots mobiles à alimentation durable

1 source couvre ce sujet·Source originale ↗·
Résumé IASource uniqueImpact UE

Des chercheurs publient sur arXiv (2610.20875) une méthode d'optimisation de la vitesse pour des robots mobiles alimentés par énergie récoltée dans leur environnement, de type solaire, destinés à des missions d'observation de longue durée. Le problème est formulé comme une commande optimale périodique à horizon infini: le robot parcourt en boucle un circuit fermé fixe, et doit décider à quelle vitesse avancer en chaque point. Le modèle associe un coût de propulsion super-linéaire (aller plus vite coûte disproportionnellement plus d'énergie) à un gain d'information dynamique, qui croît quand le robot observe un point puis décroît avec le temps. La qualité de l'information est mesurée par la « clarté », une grandeur issue de la théorie de l'information. Les auteurs dérivent les conditions nécessaires d'optimalité, puis plusieurs propriétés: la forme de la commande optimale quand les points du chemin ont une importance différente ou égale, et une limite de vitesse élevée vers laquelle l'information tend quand les réserves d'énergie deviennent infinies. Un exemple simple illustre les tendances, suivi d'une simulation fondée sur la caractérisation persistante de la salinité dans la baie de Chesapeake.

L'intérêt tient à ce que la plupart des robots d'observation roulent ou naviguent à vitesse constante ou selon des heuristiques, sans arbitrage explicite entre énergie dépensée et information acquise. Ce travail offre un cadre analytique, et non une simple heuristique, pour répondre à la question que se posent les opérateurs de drones de surface, de planeurs ou de rovers autonomes: où ralentir pour mieux mesurer, et où accélérer pour économiser. Pour des intégrateurs en surveillance environnementale, en inspection d'infrastructures ou en agriculture, cela peut allonger l'autonomie utile sans changer le matériel. Il faut toutefois rester prudent: il s'agit d'un résultat théorique validé uniquement en simulation, sans robot réel, sans chiffres de gain publiés dans le résumé, et avec un trajet fixe et connu, ce qui est une hypothèse restrictive face à des environnements changeants.

Ce travail s'inscrit dans le courant de la robotique « durable » et de l'autonomie persistante, où l'on cherche à coupler planification de trajectoire, récolte d'énergie et échantillonnage d'information. Il prolonge les approches de surveillance persistante et de planification informative, souvent centrées sur le choix du chemin plutôt que sur le profil de vitesse. Le choix de la baie de Chesapeake, bassin d'étude classique de la qualité de l'eau aux États-Unis, indique une application océanographique visée. Les suites probables sont l'extension à des trajets variables, à plusieurs robots, à une récolte d'énergie fluctuante selon la météo, puis des essais sur le terrain. Aucun calendrier de déploiement n'est annoncé.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO 

LEAP : optimisation de trajectoire par lagrangien augmenté et flot de gradient pour robots soumis à des contraintes de contact

LEAP, un solveur de contrôle optimal publié sur arXiv (2610.20936v1), s'attaque à la génération de mouvements dynamiquement réalisables pour robots à jambes et manipulateurs en contact. Le problème est de grande taille, non linéaire et non convexe. Les forces de contact doivent respecter les cônes de friction sur toute la trajectoire, et pas seulement à quelques instants isolés. LEAP discrétise le problème par collocation pseudospectrale. Au lieu d'une résolution de type Newton ou SQP, il intègre un flot de gradient primal-dual d'un lagrangien augmenté de Powell-Hestenes-Rockafellar. Ce flot étant raide, les auteurs ont conçu un intégrateur linéairement implicite avec une métrique de Gauss-Newton, un terme de momentum et un contrôleur de pas fondé sur une fonction de mérite, qui garantit la décroissance monotone du lagrangien augmenté. Les tests portent sur cinq plateformes, des sauteurs planaires aux humanoïdes à 32 articulations. LEAP est la seule méthode à résoudre tous les problèmes testés. Il est nettement plus rapide que Crocoddyl et Aligator sur plusieurs benchmarks, et produit des références suivables avec des budgets de calcul plus faibles. Les trajectoires sont validées dans un simulateur haute fidélité et sur matériel. Le résumé ne chiffre toutefois ni les accélérations ni les budgets de calcul. L'enjeu est très pratique pour les équipes qui développent des humanoïdes et des quadrupèdes. Les solveurs actuels dépendent fortement de l'initialisation et passent mal à l'échelle quand le nombre d'articulations augmente. Pour cette raison, la planification de mouvements avec contacts reste souvent un travail d'ingénierie fin, qui exige un bon point de départ et des réglages manuels. Si la robustesse annoncée se confirme, la génération de références pourrait être moins fragile et moins coûteuse en calcul. Ce serait utile pour les pipelines hybrides, où des trajectoires optimisées servent de références à l'apprentissage par renforcement ou de données d'entraînement aux politiques de type VLA. Il faut cependant nuancer. Il s'agit d'un preprint non évalué par les pairs, la couverture de cinq plateformes reste limitée, et le « seul à tout résoudre » dépend du choix des benchmarks. Le code n'est pas disponible. Les auteurs ne le publieront qu'après acceptation définitive, ce qui empêche pour l'instant toute reproduction indépendante. Ce travail s'inscrit dans la lignée des méthodes de programmation dynamique différentielle et de contrôle optimal qui ont structuré la locomotion ces dernières années. Crocoddyl, issu de l'écosystème LAAS-CNRS et Pinocchio en France, et Aligator, développé par l'équipe Willow d'Inria, sont les références open source auxquelles LEAP se compare. Les deux outils sont donc d'origine européenne, ce qui donne à ce benchmark un intérêt direct pour la communauté robotique française. Face à eux, LEAP propose de remplacer les solveurs de second ordre par un flot de gradient stabilisé, mieux adapté aux grandes dimensions. La suite dépendra de la publication du code, de la validation sur d'autres morphologies et de tâches de manipulation, et de la preuve que les temps de calcul permettent une utilisation en boucle de commande prédictive en temps réel. Aucune échéance n'est annoncée à ce stade.

UELEAP se compare à Crocoddyl (LAAS-CNRS) et Aligator (Inria), deux solveurs open source d'origine française, ce qui intéresse directement la communauté française du contrôle optimal.

RecherchePaper
1 source
Optimisation de trajectoire dynamiquement cohérente pour robots à pattes via décomposition des points de contact
2arXiv cs.RO 

Optimisation de trajectoire dynamiquement cohérente pour robots à pattes via décomposition des points de contact

Une équipe de recherche publie sur arXiv (référence 2510.24069, version 2, qui remplace une soumission antérieure) un article intitulé "Dynamically-Consistent Trajectory Optimization for Legged Robots via Contact Point Decomposition". La méthode proposée est une optimisation de trajectoire par phases qui garantit, sur l'ensemble du mouvement, la faisabilité de la dynamique de translation ainsi que le respect des contraintes de cône de friction. Elle exploite les propriétés de superposition des équations différentielles linéaires pour découpler la dynamique de translation de chaque point de contact, chacun suivant sa propre séquence de phases d'appui et de vol. Les auteurs utilisent ensuite la matrice de différentiation des polynômes de Bézier pour établir une relation analytique directe entre position du robot et forces appliquées, puis la propriété d'enveloppe convexe de ces mêmes polynômes pour contraindre le frottement tout au long de la trajectoire. Le framework est validé sur un modèle de robot quadrupède, avec code source et matériel complémentaire publiés sur une page de projet dédiée. Pour la robotique à pattes, ce travail s'attaque à un goulot d'étranglement connu : calculer simultanément la séquence de contacts et une trajectoire dynamiquement valide est coûteux en calcul, et de nombreux optimiseurs existants ne vérifient la dynamique qu'en des instants discrets, laissant passer des violations entre ces points. En assurant une satisfaction continue et analytique des contraintes plutôt qu'une approximation par échantillonnage, l'approche vise des trajectoires plus fiables sur des allures variées (marche, trot, saut) sans recalcul correctif coûteux après coup. Pour des intégrateurs travaillant sur des plateformes quadrupèdes du type Spot, Unitree ou ANYmal, ce genre de méthode pourrait alimenter des planificateurs embarqués plus robustes. Il s'agit toutefois d'un résultat académique validé en simulation sur un seul modèle de robot, pas d'un produit commercial ni d'un déploiement de terrain. Cette contribution s'inscrit dans la lignée des recherches sur l'optimisation de trajectoire à contacts implicites et le contrôle prédictif corps entier pour robots légers, un domaine où dominent depuis plusieurs années des méthodes fondées sur la programmation quadratique séquentielle ou l'intégration numérique directe, qui peinent à garantir la cohérence dynamique entre les points d'échantillonnage. La publication d'une version 2 sur arXiv signale une révision après une première soumission, probablement liée à un processus d'évaluation par les pairs. Aucun partenariat industriel, calendrier de pilote ou passage au matériel réel n'est mentionné à ce stade : les auteurs renvoient uniquement vers leur page de projet et le code source pour toute reproduction ou prolongement des résultats.

RecherchePaper
1 source
Flow-Opt : optimisation centralisée et scalable de trajectoires multi-robots par flow matching et optimisation différentiable
3arXiv cs.RO 

Flow-Opt : optimisation centralisée et scalable de trajectoires multi-robots par flow matching et optimisation différentiable

Flow-Opt est une méthode de planification de trajectoires multi-robots publiée sur arXiv (référence 2510.09204v2) qui s'attaque à un verrou connu de la robotique en essaim : l'optimisation centralisée dans l'espace joint de plusieurs robots est théoriquement supérieure (accès à un espace de solutions plus large, trajectoires plus fluides dans les espaces contraints), mais devient informatiquement intractable dès que la flotte dépasse quelques unités. L'approche proposée décompose le problème en deux étapes : un modèle génératif basé sur le flow matching, implémenté via un diffusion transformer (DiT) augmenté d'encodeurs invariants aux permutations pour les positions des robots et la carte, produit des trajectoires candidates ; un Safety-Filter (SF) différentiable, doté d'un réseau de neurones qui prédit une initialisation spécifique au contexte de façon auto-supervisée, garantit ensuite la satisfaction des contraintes à l'inférence. Résultat annoncé : génération de trajectoires pour des dizaines de robots en environnement encombré en quelques dizaines de millisecondes, avec la capacité de résoudre plusieurs dizaines d'instances en parallèle en une fraction de seconde. Ces performances, si elles se confirment hors benchmark contrôlé, changeraient concrètement le dimensionnement des systèmes de gestion de flotte (FMS) pour les AMR en entrepôt ou en environnement industriel. Aujourd'hui, les planificateurs centralisés sont réservés à de petites flottes ou nécessitent des horizons de planification longs ; les approches décentralisées sacrifient l'optimalité globale. Flow-Opt revendique de combler cet écart en rendant le calcul centralisé compatible avec les contraintes temps-réel. La capacité de batching est particulièrement notable : elle permet de traiter des dizaines d'instances simultanément, ce qui ouvre la voie à une planification à re-planification fréquente ou à des architectures de simulation-dans-la-boucle. Il faut cependant noter que les résultats sont présentés sur des benchmarks simulés et que le gap sim-to-real n'est pas adressé dans ce papier. La planification de trajectoires multi-robots centralisée est un problème ouvert depuis les années 2010, avec des travaux fondateurs comme CBS (Conflict-Based Search) et ses dérivés. Les approches par apprentissage profond, notamment les modèles de diffusion appliqués à la planification (DDPM, Score Matching), ont montré des gains de vitesse mais peinaient à garantir la faisabilité des trajectoires produites. Flow-Opt se positionne comme une alternative plus rapide et plus fiable face à ces baselines diffusion, tout en restant dans le registre académique : aucun déploiement industriel n'est annoncé. Les acteurs comme Exotec (Hauts-de-France), qui opère des flottes denses de robots Skypod, ou MiR et Locus Robotics, pourraient être des débouchés naturels si les auteurs industrialisent leur approche. La prochaine étape logique serait une validation sur hardware réel avec des perturbations dynamiques.

UEExotec (Hauts-de-France), opérateur de flottes denses de robots Skypod, est explicitement cité comme débouché naturel si la méthode est industrialisée, ce qui représente un impact potentiel direct sur l'écosystème robotique français.

RecherchePaper
1 source
Placement non préhensile de plusieurs objets par robots mobiles via une planification de trajectoire par diffusion
4arXiv cs.RO 

Placement non préhensile de plusieurs objets par robots mobiles via une planification de trajectoire par diffusion

Des chercheurs proposent un planificateur de trajectoire par diffusion pour le placement précis de plusieurs objets par poussée (manipulation non préhensile) avec un robot mobile. Là où les travaux antérieurs se contentaient de zones cibles grossières, ou traitaient le placement fin avec des manipulateurs sur des benchmarks comme Push-T, la nouveauté est de formuler la poussée multi-objets comme un problème d'affectation multi-cibles à tolérances serrées. Le planificateur repose sur une factorisation causale : chaque étape de débruitage de la trajectoire du robot est suivie d'une étape pour les objets, conditionnée par l'estimation propre du robot. Cela permet d'échantillonner plusieurs issues d'objets pour un même plan robot, et donc de rendre compte de la multimodalité de la poussée. Les auteurs ajoutent des coûts propres à la poussée par robot mobile, utilisés pour le guidage et pour la sélection du meilleur de N échantillons à l'inférence. Sur Push-T, la méthode obtient le meilleur taux de succès parmi celles comparées, avec le plus faible taux de mouvements d'objets physiquement implausibles. Sur trois environnements de poussée de caisses inspirés d'entrepôts, elle place 21,5 points de pourcentage de caisses en plus qu'une base non guidée et replanifie 1,8 fois plus vite qu'un planificateur débruitant conjointement les deux trajectoires. Sur un TurtleBot 3 Burger, avec des formes d'objets absentes des données d'entraînement, 85,0 % des objets sont placés dans la tolérance, contre 37,5 % pour Diffusion Policy. L'intérêt tient à un point souvent sous-estimé : pour un robot mobile, corriger une erreur de placement coûte cher. Un bras à effecteur omnidirectionnel peut reprendre l'objet par n'importe quel côté, alors qu'une base mobile doit effectuer de larges manœuvres de repositionnement. Pousser sans saisir reste pertinent en logistique, où caisses, colis ou bacs sont déplacés sans pince dédiée, mais la précision requise y est rarement atteinte. L'écart entre 85 % et 37,5 % face à Diffusion Policy suggère que la structure du problème (couplage robot-objet, coûts de guidage) pèse davantage que la simple capacité générative du modèle. Il faut toutefois relativiser : il s'agit d'un travail académique non évalué par les pairs (prépublication arXiv), l'essai réel repose sur un petit robot à roues, probablement sur un nombre limité d'essais (le 37,5 % laisse penser à un échantillon de quelques dizaines d'objets), et rien n'indique de déploiement industriel, de charges réalistes ni de cadence mesurée. Ce travail prolonge la lignée des politiques de diffusion appliquées à la manipulation, dont Diffusion Policy est la référence et Push-T le banc d'essai canonique, en les transposant du bras fixe vers la mobilité. Il se situe entre la recherche en manipulation non préhensile et les approches de planification pour robots mobiles en entrepôt, où dominent aujourd'hui les AMR à convoyage et les solutions de préhension dédiées. Les prochaines étapes naturelles seraient des essais sur des plateformes plus grandes, des objets plus lourds et des environnements encombrés ou dynamiques, ainsi qu'une réduction du coût de calcul du guidage et du best-of-N pour une exécution embarquée. Aucun calendrier de transfert vers un produit n'est annoncé.

UEPas d\'impact direct sur la France/UE

RecherchePaper
1 source