RecherchearXiv cs.RO 21 octobre 2026

Planification sous bruit avec des opérateurs neuronaux

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Une équipe de chercheurs présente sur arXiv (2610.28623) Planning Under Noise (PUN), un opérateur neuronal qui apprend des champs de valeur tenant compte du bruit d'exécution pour planifier des trajectoires dans des géométries jamais vues. La méthode s'appuie sur une formulation « screened-Poisson » du contrôle optimal stochastique. Les auteurs corrigent deux limites. D'abord, les conditions aux limites : les conditions de Dirichlet nulles sur les obstacles arrêtent les trajectoires échantillonnées dès qu'elles touchent un mur, ce qui affaiblit le signal du but sur les longs trajets. PUN impose à la place des conditions de Neumann réfléchissantes sur les obstacles et une condition de Dirichlet au but. Ensuite, le calcul : sans maillage de l'espace de configuration, l'équipe étend à des dimensions plus élevées le solveur Monte Carlo Walk on Stars (WoSt). Le réseau est entraîné sur des étiquettes Monte Carlo bruitées et partiellement convergées. À l'inférence, une recherche locale bornée est guidée par le champ global prédit. Sur quatre niveaux de bruit, PUN atteint 95 à 100 % de réussite sur le benchmark de replanification 4D, avec le temps d'exécution le plus faible. Au bruit maximal testé en 4D, il gagne 10,7 à 60,6 % de taux de succès relatif sur les autres méthodes, en tournant 3,29 à 32,15 fois plus vite.

Il s'agit d'un résultat de recherche académique, sans produit ni déploiement industriel. Il touche pourtant un point faible de la robotique : l'écart entre un plan nominal et son exécution, où les erreurs de contrôle, le jeu mécanique et les perturbations dégradent des trajectoires pourtant valides. Pour les intégrateurs de manipulateurs ou de robots mobiles en environnement encombré, un planificateur qui généralise à de nouvelles géométries sans relancer un échantillonnage coûteux à chaque requête réduirait la latence de replanification. L'approche montre aussi qu'on peut entraîner un réseau sur des étiquettes de simulation imparfaites, sans payer la convergence complète pour chaque exemple. Il faut toutefois rester prudent : les tests portent sur des benchmarks dont la dimension maximale rapportée est 4D, loin des 7 degrés de liberté d'un bras industriel ou des plus de 30 DOF d'un humanoïde. Les gains relatifs dépendent aussi des planificateurs de référence retenus, que le résumé ne détaille pas.

Ce travail prolonge deux courants. Le premier est la planification par champs de valeur ou par équations aux dérivées partielles, comme l'équation eikonale ou les méthodes de type HJB. Le second est l'apprentissage d'opérateurs neuronaux (Fourier Neural Operators, DeepONet), qui apprennent des correspondances entre fonctions plutôt qu'entre vecteurs. Les concurrents directs sont les planificateurs par échantillonnage (RRT*, PRM), l'optimisation de trajectoire et les politiques de diffusion apprises. Le résumé ne donne aucune validation sur robot réel ni aucune annonce de code ou de pilote. Les suites logiques sont le passage à des dimensions plus élevées et le test sur matériel physique, deux étapes nécessaires avant que les VLA et les piles de planification industrielles puissent s'en servir.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

Metro-WM : planification latente à long horizon avec des sous-objectifs réalisables

Metro-WM, décrit dans l'article arXiv 2609.31868 (version 2), est un cadre de planification hiérarchique pour les modèles du monde de type JEPA (Joint-Embedding Predictive Architecture). Au lieu de faire prédire par un planificateur macro des sous-objectifs sous forme de vecteurs latents, il construit un graphe dont les sommets sont des images réellement observées, issues de démonstrations expertes hors ligne ou de trajectoires à actions aléatoires. Des images provenant d'épisodes différents peuvent être reliées entre elles, ce qui permet de composer des routes vers l'objectif. Les auteurs annoncent un taux de réussite supérieur de jusqu'à 37,33 points de pourcentage à celui de la meilleure approche hiérarchique concurrente. Ils annoncent aussi une exécution jusqu'à 10,9 fois plus rapide, un calcul hors ligne 13 à 56 fois moindre et moins d'hyperparamètres à régler. Ces résultats viennent d'un travail académique, sans déploiement matériel annoncé. La démarche part d'un constat : la commande prédictive (MPC) avec un JEPA donne un bon planificateur « zero-shot » pour atteindre un objectif, mais seulement sur de courts horizons. Les approches hiérarchiques existantes entraînent un planificateur macro à prédire des sous-objectifs latents pour guider le planificateur micro. Les auteurs montrent que le planificateur macro de référence émet régulièrement des sous-objectifs physiquement irréalisables. En ne proposant que des états déjà vus, Metro-WM garantit des cibles atteignables. La planification sur tout le graphe apporte aussi une tolérance aux erreurs d'exécution : si le planificateur micro dérive, le système recalcule immédiatement le meilleur chemin depuis l'état courant. Pour la robotique, cela concerne les tâches longues et multi-étapes, où les erreurs s'accumulent. Les auteurs affirment que les chemins trouvés sont plus courts que ceux des démonstrations, qu'ils dépassent un oracle utilisant la démonstration propre à la requête, et que la méthode résiste à des jeux de données très épars. Ces chiffres restent à prendre avec prudence : l'abstract ne précise ni les benchmarks ni les environnements, et on ignore si la méthode passe à l'échelle de scènes réelles complexes ou à des observations visuelles bruitées. Ce travail s'inscrit dans la montée des modèles du monde latents, dont les JEPA popularisés par l'équipe de Yann LeCun, comme alternative aux politiques entraînées de bout en bout. Il rejoint l'idée plus ancienne de planifier sur des graphes de souvenirs, qui retrouve ici une pertinence avec les représentations apprises. Les concurrents directs sont les méthodes hiérarchiques à sous-objectifs générés, que l'article critique sans les nommer dans son résumé. Les suites probables sont des tests sur des benchmarks de manipulation et de navigation plus riches, puis des essais sur robot réel. Aucune date, aucun partenaire industriel ni aucun calendrier de transfert n'est annoncé à ce stade.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

2arXiv cs.RO

Planification du mouvement de manipulateurs mobiles non holonomes coopératifs

Des chercheurs ont déposé sur arXiv (référence 2502.05462, version 2, 2025) un cadre de planification de mouvement en temps réel conçu pour le transport coopératif d'objets par des robots mobiles manipulateurs (MMR) non-holonomes évoluant en environnement dynamique. L'architecture proposée articule deux niveaux : un planificateur global qui trace un chemin entre position initiale et objectif à travers les zones libres d'obstacles, et une commande prédictive non linéaire (NMPC) qui optimise en temps réel la trajectoire de la base mobile et du bras manipulateur simultanément. Pour délimiter les corridors sûrs autour du chemin calculé, les auteurs introduisent une technique originale basée sur des régions convexes en forme d'ellipses, présentée comme rapide et peu gourmande en calcul. Des expériences en simulation et sur robot physique valident la génération de trajectoires kinodynamiquement faisables et sans collision. La difficulté centrale dans la manipulation coopérative par MMR est de planifier conjointement les degrés de liberté de la base mobile et du bras tout en maintenant la cohérence physique de la prise d'objet entre plusieurs robots, un problème que la plupart des approches existantes traitent de façon découplée ou nécessitent un recalcul hors ligne. Proposer une solution intégrée et exécutable en temps réel représente une avancée méthodologique notable pour les intégrateurs travaillant sur la manutention coopérative en entrepôt ou en environnement semi-structuré. La validation hardware, plutôt qu'uniquement simulée, réduit le gap sim-to-real habituel dans ce type de contribution, même si les conditions expérimentales précises (charge utile, nombre de robots, type de bras) ne sont pas détaillées dans l'abstract publié. La planification de mouvement pour robots non-holonomes à roues est un domaine actif depuis les années 1990, mais la combinaison avec des bras polyarticulés et la coordination multi-robot reste un problème ouvert. Les approches concurrentes incluent les algorithmes RRT (Rapidly-exploring Random Trees), les méthodes de décomposition en espaces de configuration et, plus récemment, les politiques apprises par renforcement. L'adoption du NMPC comme planificateur local s'inscrit dans une tendance académique forte, notamment pour les robots mobiles en environnements contraints. La suite naturelle de ces travaux serait une publication complète avec benchmarks comparatifs quantifiés et tests en condition industrielle réelle.

RecherchePaper

1 source

3arXiv cs.RO

Filtre de sécurité en ligne pour la manipulation d'objets déformables avec des opérateurs neuronaux sans horizon fixe

Des chercheurs ont publié le 1er mai 2026 sur arXiv (arXiv:2605.01069) un filtre de sécurité en ligne pour la manipulation robotique d'objets déformables, fluides, textiles, matières souples. La méthode repose sur deux composants : un opérateur neuronal "horizon-agnostique" qui apprend la dynamique aux équations aux dérivées partielles (PDEs) de ces matériaux à partir de leurs conditions aux limites, et une fonction de barrière de contrôle (Control Barrier Function, CBF) qui certifie la satisfaction des contraintes via un programme quadratique léger. Le filtre intercepte en temps réel la politique nominale de contrôle et la corrige à la marge pour éviter toute violation de contrainte, sans retraining requis quelle que soit la durée du rollout. Évalué sur des tâches de manipulation de fluides dans l'environnement de simulation FluidLab, le filtre améliore le taux de trajectoires sûres de jusqu'à 22 points de pourcentage par rapport aux politiques non filtrées, tout en réduisant le nombre de pas nécessaires pour atteindre l'ensemble sûr. L'enjeu central est la distinction entre sécurité indirecte et garantie certifiée. Les approches d'apprentissage existantes traitent la sécurité via le reward shaping, sans aucune garantie formelle de satisfaction des contraintes au déploiement. Ici, la contrainte de sécurité devient affine dans le taux d'entrée aux frontières, ce qui la rend calculable en temps réel. Pour les intégrateurs déployant des robots en contexte chimique, pharmaceutique ou agroalimentaire, la différence est réglementairement et commercialement substantielle : une politique "apprise à éviter le danger" n'est pas équivalente à une contrainte certifiée formellement. La capacité à généraliser à des longueurs de rollout variables sans retraining réduit également le coût d'adaptation à de nouvelles tâches. La manipulation d'objets déformables reste un angle mort de la robotique industrielle : leur état est continu et haute-dimension, régi par des PDEs complexes. Les opérateurs neuronaux, comme FNO ou DeepONet, ont émergé ces dernières années comme approximateurs de solutions d'EDPs, mais leur intégration dans des boucles de contrôle sûres reste rare. Les CBFs, bien établies pour les systèmes dynamiques à dimension finie, s'appliquent ici pour la première fois à des systèmes à dimension infinie. Ce preprint n'a pas encore été soumis à peer-review et les résultats sont exclusivement en simulation, sans validation sur hardware réel. Les approches concurrentes comme le safe RL (Constrained Policy Optimization, WCSAC) ou le MPC contraint ne sont pas directement comparées, ce qui laisse ouverte la question de positionnement dans l'état de l'art.

RecherchePaper

1 source

4arXiv cs.RO

Planification sur des cartes différentiables de variétés à contraintes avec des solveurs IK généraux

Des chercheurs présentent une nouvelle méthode pour planifier des trajectoires de bras robotiques manipulateurs soumis à des contraintes cinématiques d'égalité, un problème qui restreint les mouvements possibles à un sous-espace de mesure nulle dans l'espace des configurations. L'approche s'appuie sur des solveurs de cinématique inverse (IK) génériques comme IKFast, largement utilisés dans l'industrie mais dont les sorties ne sont normalement pas différentiables, ce qui les rend inutilisables pour l'optimisation de trajectoire par gradient. Les auteurs utilisent le théorème de la fonction inverse pour reconstruire les gradients recherchés à partir du jacobien de cinématique directe classique, une opération standard et déjà différentiable. Ils ajoutent aussi une extension de domaine par moindres carrés et une formulation de la contrainte d'accessibilité compatible avec l'optimisation, qui conserve un signal de gradient exploitable même en dehors de l'espace de travail atteignable. La méthode a été validée par des expériences numériques et une démonstration matérielle sur un bras RB-Y1, qui a saisi une boîte et l'a déposée sur une table. L'intérêt pratique est de rendre différentiables des solveurs IK automatisés déjà déployés massivement dans l'industrie, sans réécrire à la main des fonctions IK analytiques sur mesure pour chaque robot, une tâche coûteuse réservée jusqu'ici à des cas particuliers. Pour les intégrateurs et ingénieurs en robotique, cela signifie pouvoir brancher l'optimisation de trajectoire par gradient sur des chaînes d'outils IK existantes plutôt que de dépendre d'implémentations bespoke. Cela s'inscrit dans une tendance plus large de rapprochement entre planification classique basée sur des contraintes géométriques et optimisation différentiable, sans recourir à l'apprentissage profond ni aux modèles vision-langage-action (VLA) type Pi-0 ou GR00T N2. La démonstration reste toutefois limitée à une seule tâche de prise-dépose sur un unique bras, ce qui en fait une preuve de concept plutôt qu'un résultat généralisable à grande échelle. Le travail s'inscrit dans la littérature sur la planification sous variétés de contraintes, où paramétrer l'espace des configurations faisables via la cinématique inverse analytique est une stratégie reconnue, mais jusqu'ici limitée par le manque de différentiabilité des solveurs automatisés génériques. Publié le 10 septembre 2026 sur arXiv, l'article ne précise pas les auteurs ni leur affiliation dans le résumé fourni, mais met à disposition un site de projet dédié pour la reproduction des résultats. Aucun acteur français ou européen n'est mentionné dans cette publication.

RecherchePaper

1 source