Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
Génération de trajectoires et commande des quadrirotors
RecherchearXiv cs.RO 

Génération de trajectoires et commande des quadrirotors

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

Un projet académique publié sur arXiv (2610.34456v1) détaille la conception d'un contrôleur et d'un générateur de trajectoires pour un quadrirotor. L'auteur s'appuie sur la platitude différentielle (differential flatness), une propriété qui permet d'exprimer l'état et les commandes du drone à partir de quelques sorties dites plates, ici la position et le lacet. À partir de points de passage (waypoints), un algorithme produit une trajectoire à snap minimal, c'est-à-dire qui minimise la dérivée quatrième de la position pour obtenir des mouvements lisses. Un simple contrôleur proportionnel-dérivé (PD) assure le suivi. Les résultats sont uniquement en simulation et montrent des profils de position et de vitesse réguliers. Le résumé ne donne ni charge utile, ni erreur de suivi, ni temps de calcul, ni test sur matériel réel.

L'intérêt est pédagogique plus que technologique. Le couple snap minimal et platitude différentielle est une base classique de la planification de drones, et ce travail confirme qu'un PD basique suffit à suivre ces trajectoires en simulation. Il ne dit rien de la robustesse face aux perturbations, au vent, aux erreurs de modèle ou au bruit des capteurs. C'est précisément là que se creuse l'écart entre simulation et réalité (sim-to-real), qui reste le point dur pour les intégrateurs. Aucune comparaison avec des méthodes plus avancées n'est annoncée, comme la commande prédictive (MPC) ou l'apprentissage par renforcement.

Ce travail prolonge les références historiques de la communauté, notamment les travaux sur la génération de trajectoires polynomiales et le contrôle géométrique des quadrirotors, qui ont structuré la recherche depuis les années 2010. Il se situe loin des systèmes de pointe en vol agile ou des politiques apprises de bout en bout. Aucune suite, aucun code ni aucun test en conditions réelles n'est annoncé. Il s'agit donc d'un exercice de synthèse utile pour des ingénieurs qui débutent, pas d'une avancée pour la robotique industrielle.

Dans nos dossiers

arXiv cs.RO

À lire aussi

MimicAgent : compétences quadrupèdes via génération de trajectoire à partir d'instructions
1arXiv cs.RO 

MimicAgent : compétences quadrupèdes via génération de trajectoire à partir d'instructions

MimicAgent est un framework présenté dans un article de recherche publié sur arXiv (2609.24145v1) qui automatise l'apprentissage de compétences dynamiques chez les robots quadrupèdes. Plutôt que de régler manuellement les fonctions de récompense du reinforcement learning, un exercice fastidieux que les auteurs surnomment "graduate student descent", le système s'appuie sur un agent logiciel qui génère, à partir d'un simple prompt textuel, des trajectoires de référence codées. Ces trajectoires, bien que grossières, servent ensuite à entraîner des politiques de RL guidées par l'exemple, validées en simulation et sur robot réel. En utilisant Claude Fable 5.1 comme moteur de leur système agentique, les chercheurs rapportent que 87% des prompts testés génèrent des trajectoires sémantiquement alignées avec la compétence demandée. Le problème ciblé est structurel : contrairement aux humanoïdes, qui exploitent de vastes bases de capture de mouvement humain pour l'apprentissage guidé par l'exemple, les quadrupèdes ne disposent d'aucune référence équivalente et imposent en général une ingénierie de récompense spécifique à chaque compétence. Si la méthode se confirme au-delà des cas démontrés dans l'article, elle promettrait de réduire le temps d'ingénierie nécessaire pour doter un robot quadrupède de nouvelles compétences dynamiques, un enjeu concret pour les intégrateurs cherchant à accélérer leurs cycles de développement. Elle illustre aussi un glissement d'usage des LLM en robotique : générer des données de démonstration plutôt qu'écrire directement des fonctions de récompense. MimicAgent se positionne comme une réponse aux limites d'Eureka, le système antérieur qui tentait d'automatiser le reward shaping via des LLM mais peinait, selon les auteurs, à généraliser à des compétences et morphologies variées. L'approche s'inspire des succès obtenus par le RL guidé par l'exemple chez les humanoïdes, appuyés sur des jeux de données de motion capture à grande échelle. Publié comme simple article arXiv, sans affiliation industrielle mise en avant ni partenariat commercial annoncé, il s'agit à ce stade d'une contribution académique, dont les suites attendues porteraient sur l'extension à davantage de compétences et à des morphologies de robots plus diverses.

RecherchePaper
1 source
Robots humanoïdes : accélérer la génération de trajectoires par diffusion et distillation par cohérence
2arXiv cs.RO 

Robots humanoïdes : accélérer la génération de trajectoires par diffusion et distillation par cohérence

Une équipe de recherche propose un framework de planification de trajectoires contraintes pour bras manipulateurs en interaction homme-robot (HRI). Le point de départ : quand la pose de l'effecteur terminal est entièrement fixée, imposer en plus l'évitement de collisions et d'auto-collisions comme simple tâche secondaire dans l'espace nul devient difficile, ce qui complique la génération de trajectoires sûres. Les chercheurs génèrent d'abord, via les algorithmes RRT et RRT*, un jeu de données de trajectoires respectant ces contraintes, puis entraînent dessus un modèle de diffusion produisant des trajectoires articulaires par échantillonnage guidé. Une distillation de cohérence réduit ensuite le temps d'inférence, et un terme de régularisation du jerk pondéré par articulation est ajouté à la fonction de perte pour lisser les trajectoires. En simulation, le modèle de cohérence génère 150 candidats en moins de 100 millisecondes, avec un taux de réussite élevé, et la régularisation du jerk réduit nettement les à-coups articulaires et à l'effecteur terminal. Ce résultat vise un verrou concret pour les robots collaboratifs travaillant près d'humains : les planificateurs classiques par échantillonnage comme RRT sont trop lents pour du replanning temps réel, tandis que les modèles de diffusion, efficaces pour capturer des distributions de trajectoires contraintes, restent coûteux en inférence à cause du débruitage itératif. En ramenant la génération à quelques étapes sans perte visible de qualité, la distillation de cohérence rapproche les planificateurs appris de la latence exigée par un usage embarqué, un enjeu direct pour les intégrateurs de cobots industriels et les concepteurs de systèmes HRI, où la sécurité ne doit pas se payer en réactivité. Le travail s'inscrit dans la lignée des approches par diffusion appliquées à la planification de mouvement et à l'apprentissage par imitation en robotique, où la vitesse de génération reste le principal obstacle face aux contrôleurs classiques. Les modèles de cohérence, conçus à l'origine pour accélérer la génération d'images, sont ici transposés à la manipulation robotique pour contourner ce compromis vitesse-qualité. Les résultats restent toutefois cantonnés à la simulation : la validation sur bras robotique physique, avec perception humaine réelle, constitue l'étape logique suivante avant tout déploiement en environnement collaboratif.

RecherchePaper
1 source
Évaluation comparative de modèles génératifs de trajectoires pour le contrôle par inférence active
3arXiv cs.RO 

Évaluation comparative de modèles génératifs de trajectoires pour le contrôle par inférence active

Des chercheurs publient sur arXiv (2610.05692, deuxième version) GenAIF, un cadre de commande par inférence active générative. Un seul modèle génératif de trajectoires, entraîné sur des démonstrations et des interventions d'action mesurées, fournit deux éléments. Le premier est une politique conditionnée par un objectif. Le second est une correspondance probabiliste entre états et observations. Les auteurs en tirent trois exigences pour le modèle: des propositions d'actions utiles, une prédiction fidèle sous actions imposées, et une évidence d'observation probabiliste pour la mise à jour des croyances et le calcul du gain d'information attendu. Ils comparent quatre familles (diffusion, Transformers autorégressifs, autoencodeurs variationnels conditionnels ou CVAE, et flow matching) sur une tâche de manipulation MuJoCo avec plusieurs conditions physiques. La diffusion donne le meilleur contrôle sur toutes les dynamiques testées. Le CVAE offre une prédiction à court horizon comparable pour une inférence nettement plus rapide. Après un changement d'inclinaison non annoncé, la diffusion préentraînée met à jour sa croyance le plus vite parmi les modèles d'origine. Un fine-tuning sur des démonstrations de récupération accélère encore l'identification et maintient un suivi précis. Pour les équipes qui construisent des politiques apprises, le résultat chiffre un arbitrage concret entre qualité de contrôle et coût d'inférence. La diffusion est la plus performante mais la plus lourde, le CVAE est un compromis crédible quand la latence compte, et la réutilisation de trajectoires réduit le calcul. L'intérêt tient aussi à la capacité d'adaptation. Un modèle capable de dire quand ses observations contredisent ses prédictions peut détecter un changement physique, comme une charge ou une pente modifiée, sans modèle dynamique explicite. Les limites sont nettes: tout reste en simulation, sur une seule tâche, et le résumé ne donne aucun chiffre de taux de réussite ni de temps de calcul. L'écart simulation-réel n'est donc pas abordé, et il s'agit d'un travail académique, pas d'un produit. Le travail se situe au croisement de deux courants. Les politiques génératives dominent la manipulation apprise: Diffusion Policy, ACT (basé sur un CVAE) et Pi-0 (flow matching) en sont les références. L'inférence active, issue des neurosciences computationnelles, peine à s'imposer en robotique appliquée faute de modèles de dynamique exploitables. GenAIF propose de combler ce manque avec des modèles appris sur démonstrations. La suite logique passe par une validation sur robots physiques, davantage de tâches et des comparaisons directes avec les politiques de type VLA déjà déployées.

UEPas d\'impact direct sur la France/UE

RecherchePaper
1 source
Généralisation de la charge utile pour les commandes anticipatrices dans le suivi de trajectoire de robots à articulations rigides et élastiques
4arXiv cs.RO 

Généralisation de la charge utile pour les commandes anticipatrices dans le suivi de trajectoire de robots à articulations rigides et élastiques

Des chercheurs proposent, dans un preprint arXiv (2610.29356), une méthode pour adapter l'action de commande en boucle ouverte (feedforward) d'un robot manipulateur aux variations de charge utile, sans passer par un modèle dynamique exact. Le travail dérive d'abord le nombre minimal d'objets d'exemple nécessaires pour généraliser par rapport aux paramètres de la charge. Un algorithme permet ensuite d'exécuter la même trajectoire avec une nouvelle charge, à partir de ses seuls paramètres, sans connaître le modèle dynamique du robot, y compris en présence d'articulations élastiques. La méthode est indépendante du contrôleur sous-jacent. Elle est validée en simulation puis sur deux configurations expérimentales : un Franka Emika Panda standard et un Panda équipé d'un poignet élastique. Le résumé ne donne aucune valeur chiffrée (erreur de suivi, gain de précision, nombre d'objets requis). L'enjeu concerne la robotique industrielle classique, bien plus que les humanoïdes. Les robots répétitifs tirent leur précision d'un feedforward fondé sur un modèle fidèle, or ce modèle est difficile à obtenir quand la charge change ou que le robot comporte des éléments élastiques (réducteurs souples, poignets compliants, actionneurs à raideur série). Les approches par apprentissage du feedforward fonctionnent bien pour une tâche donnée, mais se généralisent mal dès que les paramètres changent : il faut réapprendre à chaque nouvelle pièce. Ici, quelques exemples de charges suffiraient pour couvrir toute une famille d'objets, ce qui réduirait le temps de mise en service pour un intégrateur manipulant des pièces variées. Les limites sont à garder en tête : le Panda est un robot de recherche, les essais restent de laboratoire et l'article ne dit rien de la tenue à l'échelle industrielle, des charges lourdes ou de la mesure des paramètres de la charge. Ce travail s'inscrit dans la lignée de la commande par apprentissage itératif (ILC) et des méthodes de compensation de modèle, qui peinent depuis longtemps à transférer ce qu'elles ont appris d'une tâche à l'autre. La plateforme Franka Emika, très répandue dans les laboratoires européens, sert de banc d'essai commun à ces recherches. Le sujet des articulations élastiques recoupe l'intérêt croissant pour les robots compliants et collaboratifs, plus sûrs mais plus difficiles à modéliser. Il s'agit d'un preprint, sans relecture par les pairs à ce stade, et aucune industrialisation ni pilote n'est annoncé. La suite logique serait une validation sur d'autres robots, avec des charges plus variées et des comparaisons chiffrées face aux méthodes concurrentes.

RecherchePaper
1 source