AC-SMPC : MPC différentiable acteur-critique avec contraintes d'état pour une navigation robotique sûre et rapide

Des chercheurs proposent AC-SMPC, un cadre de navigation pour robots mobiles qui associe apprentissage par renforcement de type acteur-critique et commande prédictive par modèle (MPC) différentiable, avec prise en compte explicite des contraintes d'état. Le travail, publié en préprint sur arXiv (v1), vise la navigation sûre dans des environnements confinés et dynamiques, par exemple plusieurs robots évoluant dans des passages étroits. Les obstacles et le robot sont représentés par des sommets, l'espace de travail par des demi-espaces. La dynamique non linéaire du robot est linéarisée localement, et les contraintes d'évitement de collision, fondées sur des hyperplans séparateurs, sont convexifiées puis intégrées directement dans la couche MPC différentiable. L'acteur ajuste en boucle fermée les paramètres de l'objectif du MPC, qui façonnent le comportement local, tandis que le critique évalue la performance à long terme. Pour les cas où les approximations locales des contraintes ne peuvent pas être satisfaites simultanément, celles-ci sont assouplies par des variables d'écart bornées et pénalisées, ce qui donne un programme quadratique « élastique ». Le résumé ne publie aucun chiffre : ni taux de collision, ni gain de temps de trajet, ni fréquence de calcul. Les tests, menés en simulation puis en expérimentation, portent sur l'évitement dynamique pour plusieurs robots dans des configurations étroites.

L'enjeu est technique mais concret pour les intégrateurs de robots mobiles (AMR) et de flottes en entrepôt ou en usine. Les architectures acteur-critique avec MPC différentiable existantes ne savent pas intégrer facilement des contraintes d'état explicites, ce qui oblige à traiter l'évitement de collision par des pénalités dans la fonction de coût, sans garantie dure. AC-SMPC place ces contraintes au cœur de la couche d'optimisation apprise, ce qui rapproche l'apprentissage de ce que les décideurs exigent : une politique adaptative qui ne sacrifie pas la sécurité au profit de l'efficacité. L'approche tend à montrer que l'on peut conserver l'interprétabilité et la structure d'un contrôleur d'optimisation tout en profitant de l'adaptation par apprentissage. Il faut cependant rester prudent : les contraintes sont des approximations locales, relaxées par des variables d'écart, donc la sécurité reste empirique plutôt que formellement garantie, et l'article ne chiffre ni les gains ni la comparaison avec des références nommées.

Ce travail s'inscrit dans une lignée qui combine MPC et apprentissage, avec des couches d'optimisation différentiables, pour dépasser les limites des planificateurs purement appris, souvent opaques, et des MPC à paramètres fixes, difficiles à régler en milieu dynamique. Il s'adresse à un segment distinct de la course humanoïde et des modèles VLA : la navigation multi-robots en espace restreint. Les concurrents sont les approches d'apprentissage par renforcement de bout en bout, les MPC classiques et les variantes à fonctions de barrière de contrôle. La suite logique serait une validation sur des plateformes réelles plus nombreuses, avec des métriques publiées, une évaluation du temps de calcul embarqué, puis des essais en conditions industrielles. À ce stade, il s'agit d'un résultat de recherche non évalué par les pairs, sans produit ni déploiement annoncé.