Aller au contenu principal
Fuite en temps minimal du champ de vision conique d'un poursuivant de type Reeds-Shepp : classification et valeur du jeu pour un évadeur plus lent ou aussi rapide
RecherchearXiv cs.RO 

Fuite en temps minimal du champ de vision conique d'un poursuivant de type Reeds-Shepp : classification et valeur du jeu pour un évadeur plus lent ou aussi rapide

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

Une étude publiée sur arXiv (2610.27629, première version) traite d'un problème de jeu différentiel de poursuite-évasion. Un évadeur omnidirectionnel, qui peut se déplacer dans toutes les directions, cherche à sortir le plus vite possible du champ de vision conique frontal d'un poursuivant de type Reeds-Shepp. Ce poursuivant est un véhicule type voiture, capable d'avancer et de reculer avec un rayon de braquage minimal r. Le problème dépend du rapport de vitesses ν et du demi-angle du cône α. Les auteurs résolvent le cas d'un évadeur plus lent ou aussi rapide (sin α < ν ≤ 1) avec les caractéristiques d'Isaacs, puis vérifient la solution en boucle fermée. Le temps d'évasion fini est la première racine d'une équation scalaire. La région où l'évadeur reste piégé est délimitée par les parties non utilisables des rayons du cône et par une barrière qui se referme en un coin convexe sur l'axe frontal. Un solveur indépendant par ensembles de niveaux, raffiné sur des points de comparaison fixes, retrouve ce temps et cette région aux paramètres testés. Il s'agit d'un résultat théorique, sans robot réel ni donnée expérimentale.

L'intérêt tient à la rigueur plus qu'à l'application immédiate. Les auteurs montrent que ce temps d'évasion est la valeur du jeu pour des stratégies non anticipatives, sauf au coin de la barrière. Là, les deux valeurs divergent: celle du poursuivant est infinie, alors que l'évadeur s'échappe avant un temps de barrière τ_I, qui est sa valeur exacte. Le résultat fournit donc une référence analytique pour valider des planificateurs numériques de suivi ou de fuite sous contrainte de capteur. Il ne dit rien de la robustesse en conditions réelles. L'évadeur est idéalisé, l'information parfaite, et le modèle plan et sans bruit.

Le travail prolonge la lignée du « homicidal chauffeur » d'Isaacs et des modèles de Dubins et Reeds-Shepp, ici avec un champ de vision limité, proche d'une caméra frontale sur un véhicule autonome, un AMR ou un robot de sécurité. Le résumé disponible évoque aussi un cas d'évadeur plus rapide, sans en donner le détail. Les suites probables sont des extensions vers des capteurs bruités, des obstacles ou plusieurs agents, ainsi qu'une validation sur plateformes physiques, qu'aucune annonce ne planifie à ce stade.

Impact France/UE

Pas d\'impact direct sur la France/UE

Dans nos dossiers

À lire aussi

Contrôle par contours en style expert : une planification plus rapide que la démonstration, entre expert lent et jeu rapide
1arXiv cs.RO 

Contrôle par contours en style expert : une planification plus rapide que la démonstration, entre expert lent et jeu rapide

Une équipe de recherche en robotique a publié le 22 septembre 2026 sur arXiv (arXiv:2609.22798v1) une méthode baptisée Expert-Play Contouring Control (EPCC), conçue pour exécuter des tâches de manipulation robotique plus vite que les démonstrations utilisées pour les apprendre. Le problème de départ est connu en apprentissage par imitation (IL) : un robot reproduit fidèlement la vitesse de la démonstration humaine, et accélérer artificiellement le mouvement appris échoue souvent car la dynamique entre le robot et l'objet manipulé change à vitesse plus élevée. EPCC combine deux sources de données : des démonstrations expertes lentes, utilisées pour entraîner un générateur de trajectoire latente reformulé en un "contour" de progression de tâche indépendant du temps, et des données de jeu rapide non expert, utilisées pour entraîner un modèle du monde des effets d'actions rapides. Au moment de l'exécution, un planificateur s'appuie sur ce modèle du monde pour choisir les actions qui font progresser le robot le long du contour expert tout en pénalisant les écarts par rapport à la tâche prévue. Sur trois tâches de manipulation visuomotrice testées, EPCC atteint en moyenne un débit deux fois supérieur à la référence IL classique, et 2,2 fois supérieur à la meilleure méthode d'accélération concurrente sur la tâche la plus sensible aux interactions physiques objet-robot. L'intérêt pour l'industrie robotique tient à la séparation proposée entre intention de tâche et couverture dynamique : plutôt que de collecter de nouvelles démonstrations expertes rapides, coûteuses et parfois risquées à réaliser, EPCC extrait la connaissance de vitesse depuis des données de jeu bon marché et non supervisées. Pour les intégrateurs et décideurs B2B en manipulation industrielle, cela ouvre une piste concrète pour réduire les temps de cycle des politiques apprises par imitation sans réentraînement expert coûteux, un goulot d'étranglement classique face aux architectures vision-langage-action visant la généralisation mais rarement optimisées pour la vitesse d'exécution. Le résultat confirme aussi une hypothèse répandue dans le secteur : accélérer une politique apprise sans modéliser la dynamique physique du contact échoue précisément là où cette dynamique compte, ce que confirme la concentration des gains d'EPCC sur les tâches les plus sensibles aux interactions. Le travail se positionne comme une alternative aux approches d'accélération directe de trajectoires apprises, jugées insuffisantes dès que la physique du contact intervient, et à l'apprentissage par renforcement pur, généralement plus coûteux à entraîner. Il ne s'agit pas d'un produit commercialisé ni d'un déploiement industriel réel, mais d'un preprint de recherche évalué sur trois tâches de manipulation en environnement contrôlé, sans robot ni entreprise nommés dans l'abstract. Les auteurs présentent leurs résultats comme un principe généralisable plutôt qu'un système fini, ouvrant la voie à des extensions vers d'autres familles de tâches manipulatoires et à une intégration éventuelle avec des politiques vision-langage-action à plus grande échelle.

RecherchePaper
1 source
Trajectoires à temps minimal pour un robot mobile de type voiture à roues rigides sous contraintes de non-glissement
2arXiv cs.RO 

Trajectoires à temps minimal pour un robot mobile de type voiture à roues rigides sous contraintes de non-glissement

Une équipe de recherche en robotique mobile publie sur arXiv (référence 2609.24832v1, prépublication du 22 septembre 2026 non encore relue par les pairs) une étude sur les trajectoires à temps minimal d'un robot mobile de type voiture évoluant dans un environnement sans obstacles. Le robot est équipé de roues avant motrices dont l'accélération est bornée et dont la vitesse de braquage est limitée, et peut se déplacer en marche avant comme en marche arrière. Les travaux précédents résolvaient ce problème uniquement pour le modèle cinématique du robot, qui suppose un roulement pur sans glissement aux points de contact des roues avec le sol. Cette hypothèse impose en réalité des contraintes de non-glissement, à l'avant comme à l'arrière, qui ne peuvent être traitées qu'en intégrant la dynamique du véhicule. Les auteurs formulent ces contraintes de non-glissement à partir du modèle dynamique, puis ajoutent trois nouvelles primitives de trajectoire aux douze primitives déjà connues du modèle cinématique optimal, portant le total à quinze primitives couvrant l'ensemble des trajectoires optimales possibles. Des solutions analytiques approchées sont proposées pour ces trois nouvelles primitives. Ce résultat compte pour les concepteurs de planificateurs de trajectoire pour robots mobiles à roues, AMR et AGV utilisés en logistique et en industrie, où les algorithmes de planification s'appuient encore largement sur des modèles purement cinématiques par souci de simplicité de calcul. L'étude montre que les contraintes dynamiques de non-glissement modifient réellement la forme des trajectoires optimales par rapport à ce que prédit un modèle cinématique seul, en particulier lors de manœuvres impliquant de fortes accélérations ou des changements rapides de braquage. Cela suggère qu'un planificateur ignorant la dynamique peut proposer des trajectoires théoriquement plus rapides mais physiquement infaisables ou génératrices de glissement incontrôlé une fois exécutées sur un robot réel, un écart typique entre optimisation sur le papier et comportement embarqué. Ce travail s'inscrit dans une lignée de recherches sur la planification de trajectoires temps-optimales pour robots de type voiture, héritière des modèles géométriques classiques (Dubins, Reeds-Shepp) étendus avec des contraintes d'accélération et de vitesse de braquage bornées. L'article reste à ce stade purement théorique, illustré par des exemples de manœuvres représentatives plutôt que par une implémentation sur robot physique, et aucun calendrier de validation expérimentale n'est communiqué.

RecherchePaper
1 source
Replanification en temps réel d'un robot de service via un simple bouton, pour plus de réussite et une meilleure expérience utilisateur
3arXiv cs.RO 

Replanification en temps réel d'un robot de service via un simple bouton, pour plus de réussite et une meilleure expérience utilisateur

Des chercheurs ont publié le 17 septembre 2026 sur arXiv (arXiv:2609.17541v1) une étude sur un système de retour utilisateur en temps réel pour robots de service, permettant de corriger leur comportement par une simple pression sur un bouton. Le principe : lorsqu'un robot échoue à exécuter correctement une tâche, l'utilisateur signale l'erreur via un bouton unique sur une tablette, ce qui déclenche une replanification immédiate de l'action par le robot. Les auteurs ont mené des expériences comparant les performances avec et sans cette fonction de feedback, en évaluant l'expérience utilisateur via des questionnaires sur une échelle de Likert en cinq points. Les résultats montrent une amélioration de 0,5 point sur la question portant sur le caractère imprévu du comportement du robot, et de 0,9 point sur le sentiment d'anxiété ressenti face à ses actions. L'étude ne précise ni le nombre de participants, ni le type de robot ou de tâches testées, ni de partenaire industriel, ce qui limite la portée de ces chiffres à un cadre expérimental restreint. Cette recherche s'attaque à un problème central pour les intégrateurs de robotique de service : aucun système actuel, qu'il repose sur des modèles VLA ou des pipelines de planification classiques, ne peut anticiper l'ensemble des échecs et exceptions en environnement réel. Plutôt que de miser uniquement sur la robustesse algorithmique, les auteurs démontrent qu'une interaction humaine minimale et peu coûteuse à implémenter, un seul bouton, suffit à améliorer simultanément le taux de succès des tâches et la confiance perçue par l'utilisateur, sans dégrader l'expérience par une sursollicitation. C'est un signal utile pour les décideurs B2B déployant des robots en environnement partagé avec des humains (accueil, logistique légère, service) : l'acceptabilité ne dépend pas seulement de la performance brute du robot, mais de la capacité à reprendre la main facilement en cas d'erreur. Ce travail s'inscrit dans une tendance plus large de la recherche en interaction homme-robot, qui cherche des mécanismes de correction légers face aux limites persistantes de la détection autonome d'échecs, un problème encore non résolu malgré les progrès des modèles de fondation en robotique. L'article ne mentionne pas de suite commerciale, de partenariat industriel ni de calendrier de déploiement : il s'agit d'une contribution académique, à un stade de validation expérimentale, sans acteur du secteur privé identifié pour l'instant.

RecherchePaper
1 source
Heuristiques à base de graphes pour le retrait minimal de contraintes en planification de mouvement robotique encombrée
4arXiv cs.RO 

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.

UEPas d\'impact direct sur la France/UE

RecherchePaper
1 source