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

RRT* fonctionne-t-il sur des maillages de terrain accidenté ?

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

Une étude publiée sur arXiv examine si l'algorithme RRT (optimal rapidly exploring random tree), prouvé asymptotiquement optimal dans les sous-ensembles ouverts de l'espace euclidien avec planification locale en ligne droite, reste valide sur un terrain modélisé par un maillage triangulaire, c'est-à-dire une surface 2D plongée dans R^3. La réponse est d'abord négative pour la version d'origine : une surface a un volume nul, donc l'échantillonnage uniforme ne la touche jamais, aucune boule de dégagement n'y tient, et les cordes qui franchissent un pli quittent la surface. La variante « Mesh RRT » à arête naïve (la corde, coûtée par sa longueur) trouve une solution à chaque essai sur des champs de hauteur jusqu'à 75 degrés de pente, mais minimise le mauvais objectif. Après 30 000 itérations en simulation numérique, le coût rapporté est en moyenne jusqu'à 2,7 % sous la géodésique exacte, valeur qu'aucun chemin réel n'atteint, et la route renvoyée est 0,1 à 0,5 % plus longue que cette géodésique. Remplacer chaque corde par un chemin sur la surface, construit à partir de points projetés reliés à travers les arêtes du maillage, donne un coût égal à la longueur exacte d'un chemin faisable. Les routes retournées restent alors à 0,07 à 0,16 % de la géodésique pour toutes les rugosités testées, soit 2 à 3,4 fois plus près qu'avec les cordes sur les terrains les plus rugueux.

L'enjeu pratique est la fiabilité de la métrique : un planificateur qui rapporte un coût inférieur à tout chemin réalisable fausse les comparaisons, les budgets d'énergie et les décisions de replanification pour les robots mobiles, y compris les quadrupèdes et humanoïdes évoluant sur terrain accidenté. Le biais n'est pas corrigé par le réarrangement des arêtes (rewiring), il ne décroît que linéairement avec le pas sur les surfaces polyédriques, et réduire la tolérance de sortie de surface tau échange moins de biais contre moins de connectivité. Les écarts mesurés restent modestes, mais ils sont systématiques et prouvés comme tels. Les résultats portent uniquement sur des terrains simulés, sans validation sur matériel ni comparaison annoncée avec d'autres planificateurs de surface.

Ce travail prolonge RRT*, formalisé par Karaman et Frazzoli, dont les garanties reposaient sur des espaces euclidiens ouverts, hypothèse que les cartes d'élévation et maillages de terrain utilisés en navigation extérieure ne respectent pas. L'implémentation est intégrée à MeshNav3D 0.2.0, dont la publication est annoncée comme en attente. Aucune date ni intégration industrielle n'est précisée.

Dans nos dossiers

arXiv cs.RO

À lire aussi

RoughSense : prédiction légère des vibrations d'un rover sur terrain accidenté par nuages de points et IMU
1arXiv cs.RO 

RoughSense : prédiction légère des vibrations d'un rover sur terrain accidenté par nuages de points et IMU

Des chercheurs présentent RoughSense, une méthode légère de cartographie de la praticabilité du terrain sensible aux vibrations, conçue pour la navigation autonome des rovers, en particulier en environnement souterrain où communication, puissance de calcul et énergie embarquée sont limitées. Le travail est publié sur arXiv sous l'identifiant 2609.03720, en soumission de type "new", c'est-à-dire une prépublication non encore relue par les pairs. La méthode combine deux flux de données en temps réel : un nuage de points LiDAR et une centrale inertielle (IMU). Un premier indicateur de vibration est estimé à partir de la seule géométrie du terrain, en appliquant l'algorithme RANSAC à des portions locales du nuage de points produites par un système de cartographie et localisation simultanées (SLAM). En parallèle, l'IMU capte la vibration réellement subie par le rover pendant son déplacement, et cette mesure sert à corriger en continu l'estimation géométrique via un filtre des moindres carrés récursifs (Recursive Least Squares). L'approche a été testée sur trois terrains : un site analogue lunaire, un terrain extérieur et une mine souterraine, mais le résumé ne fournit aucun chiffre de performance (taux d'erreur, gain de précision, charge de calcul embarquée), ce qui limite l'évaluation de son efficacité réelle à ce stade. L'intérêt de l'approche tient à sa légèreté computationnelle : à l'inverse des méthodes de cartographie de terrain fondées sur l'apprentissage profond, souvent gourmandes en ressources, RoughSense repose sur des algorithmes classiques et peu coûteux, une contrainte centrale pour tout calculateur embarqué sur un rover planétaire ou une plateforme d'exploration souterraine coupée d'un lien de communication fiable. En couplant une estimation géométrique a priori avec une correction en ligne fondée sur la vibration mesurée, la méthode cherche à réduire l'écart classique entre prédiction de terrain et comportement réel du véhicule, un problème récurrent en robotique de terrain où les modèles purement géométriques sous-estiment souvent l'effet de la texture ou de la meuble du sol. Pour des équipes concevant des rovers destinés à l'exploration de tunnels de lave, de grottes ou de mines lunaires, ce type de brique laisse entrevoir une navigation plus autonome sans dépendre d'un lien radio permanent vers un centre de contrôle, enjeu direct compte tenu du délai de communication Terre-Lune ou Terre-Mars. Le papier s'inscrit dans le regain d'intérêt pour l'exploration robotique de sites souterrains extraterrestres, notamment les tunnels de lave lunaires envisagés comme abris naturels pour de futures missions habitées, et pour l'usage de mines terrestres comme environnements analogues avant tout déploiement spatial. Le résumé ne mentionne ni entreprise ni agence spatiale commanditaire, ni acteur français ou européen impliqué : il s'agit d'une contribution académique en prépublication, sans validation par les pairs. Aucun calendrier de suite, partenariat industriel ou mission cible n'est précisé ; le texte se limite à une validation expérimentale sur trois terrains, laissant ouvertes les questions de généralisation à d'autres sols ou véhicules.

RecherchePaper
1 source
Locomotion codée par images sur terrain bruité
2arXiv cs.RO 

Locomotion codée par images sur terrain bruité

Un article publié sur arXiv sous la référence 2609.10273, en soumission croisée, reformule la locomotion à pattes en boucle ouverte sur terrain accidenté non plus comme un transport de matière sur un canal bruité, mais comme un développement en trame finie quantifiée avec effacements. Une commande corporelle de dimension d est transformée en N commandes de contact locales hétérogènes, avec N supérieur à d ; le terrain accidenté efface ou corrompt certains coefficients de cette trame, tandis qu'une morphologie compliante à déclenchement de contact réalise physiquement le décodeur pondéré des sous-trames actives. Dans un modèle linéaire-gaussien, les auteurs montrent que l'équilibre mécanique correspond exactement à la moyenne a posteriori, la raideur tangente à la précision a posteriori et la compliance à la covariance a posteriori. Ils établissent que les trames de Parseval à norme égale sont optimales au sens minimax contre la perte d'un contact, qu'une trame harmonique produit une famille de démarches directement réalisables, et que pour des contacts survivant avec une probabilité q, des trames gaussiennes aléatoires permettent une reconstruction exacte à tout débit dimensionnel analogique inférieur à q, avec une amplification du bruit en 1/(q-R) au-delà du seuil. Ce théorème de codage par trame analogique fixe une limite fondamentale de redondance relative pour la marche à pattes, construite sur le modèle des théorèmes de codage de Shannon, avec une borne directe et une converse. Son apport concret serait de donner aux concepteurs de robots à pattes un cadre principiel pour dimensionner le nombre de points d'appui nécessaires face à un taux d'erreur de terrain donné, plutôt que de s'en remettre à des heuristiques empiriques, et de relier pour la première fois de façon exacte des grandeurs mécaniques mesurables, raideur, compliance, équilibre, à des quantités d'estimation bayésienne. Il s'agit cependant d'un travail purement mathématique : le résumé ne mentionne aucune validation sur robot physique ni aucune simulation chiffrée, et les bornes annoncées restent à confronter à des données de terrain réelles avant toute portée industrielle. La démarche part d'une critique explicite de l'analogie antérieure du canal bruité, jugée de type répétition car chaque contact y porte la même tâche scalaire, sans offrir de taux de tâche positif ni de décodeur adaptatif au jeu de contacts survivants. Les auteurs importent des outils du traitement du signal, les trames finies, et des concepts issus des communications sans fil, la redondance incrémentale, pour dériver une règle orientant la prochaine composante de démarche vers le mode non résolu le plus mou pertinent pour la tâche. Ni plateforme robotique ni laboratoire ne sont précisés dans le résumé, et aucun calendrier de portage vers un robot hexapode ou bipède réel n'est communiqué, ce qui situe pour l'instant ce travail comme une contribution théorique fondatrice plutôt qu'une démonstration appliquée.

RecherchePaper
1 source
Apprentissage par renforcement neuromorphique pour la locomotion de robots quadrupèdes sur terrain accidenté
3arXiv cs.RO 

Apprentissage par renforcement neuromorphique pour la locomotion de robots quadrupèdes sur terrain accidenté

Une équipe de chercheurs a publié mi-mai 2026 sur arXiv (réf. 2605.09595) un framework d'apprentissage par renforcement basé sur l'équilibrium propagation (EP) pour contrôler la locomotion d'un quadrupède Unitree A1 à 12 degrés de liberté sur terrain accidenté. Plutôt que la rétropropagation classique, ils substituent les gradients globaux par des règles d'apprentissage locales pilotées par les états neuronaux, compatibles avec les substrats neuromorphiques et de calcul en mémoire. Le contrôleur combine un générateur de motif central (CPG) bio-inspiré avec une politique d'ajustement postural résiduel, entraîné via une variante PPO (Proximal Policy Optimization) adaptée à l'EP avec un mécanisme de clipping bilatéral du ratio pour stabiliser les mises à jour lors de la relaxation. Les résultats montrent des performances comparables à une baseline PPO classique en taux de succès, suivi de vitesse, consommation des actionneurs et stabilité corporelle, tout en réduisant la mémoire GPU de 4,3× par rapport à la rétropropagation à travers le temps (BPTT). L'ensemble des expériences reste en simulation, aucun déploiement terrain n'est documenté dans la publication. L'enjeu structurel est clair : les politiques de locomotion RL actuelles sont entraînées hors-ligne en simulation massivement parallèle, puis figées au déploiement. Elles ne s'adaptent pas à l'usure des actionneurs, aux variations de charge utile, ou au drift mécanique sur robot réel, limites critiques pour une industrialisation. En remplaçant la rétropropagation par un apprentissage local compatible avec des puces neuromorphiques (type Intel Loihi), cette approche ouvre la voie à une adaptation continue on-robot à faible consommation, sans dépendance à un GPU externe. Le gain de 4,3× en mémoire est déjà tangible pour les équipes embarquées, même si la validation reste entièrement simulée. Ces travaux s'inscrivent dans l'intense activité autour de la locomotion quadrupède par RL, dominée par l'ETH Zurich sur ANYmal et les robots Unitree. L'équilibrium propagation, formalisé par Scellier et Bengio en 2017, reste peu exploré pour le contrôle continu haute dimension, c'est l'une des premières démonstrations sur un robot à 12 DOF. Les approches concurrentes pour l'adaptation en ligne incluent RMA (Rapid Motor Adaptation, UC Berkeley) et les politiques méta-adaptatives de type MAML. L'étape suivante critique serait de valider sur hardware réel avec une puce neuromorphique embarquée et de mesurer la consommation effective en watts, deux points absents de la publication actuelle.

RecherchePaper
1 source
Ce nouveau robot hexapode imite l'insecte-bâton pour marcher sur un terrain accidenté
4Interesting Engineering 

Ce nouveau robot hexapode imite l'insecte-bâton pour marcher sur un terrain accidenté

Des chercheurs de l'université Tohoku au Japon et de VISTEC en Thaïlande ont développé un robot hexapode, baptisé RedMirror, capable d'apprendre à marcher en imitant les patterns de locomotion d'un phasme, l'insecte-bâton Medauroidea extradentata. La méthode repose sur l'apprentissage par renforcement inverse adversarial (AIRL), combiné à l'optimisation de politique proximale (PPO). Le système a été entraîné sur des données biologiques de marche en terrain plat, capturant les mouvements de 18 articulations de pattes de l'insecte. Plutôt que de copier chaque geste, le réseau de neurones a appris les principes de coordination sous-jacents : un premier réseau compare les mouvements du robot aux démonstrations de l'insecte, tandis qu'un second apprend une structure de récompense favorisant un comportement similaire. Le contrôleur exploite l'orientation du corps, les angles articulaires et le contact au sol de chaque patte pour piloter les 18 moteurs du robot. Résultat marquant : la combinaison AIRL plus récompense de vitesse avant atteint une stratégie de marche exploitable en 70 000 pas d'entraînement, contre 200 000 pour un réglage de récompense basé uniquement sur la vitesse. Un test préliminaire a aussi été mené sur un robot RedMirror physique, avec des patterns de coordination qualitativement similaires à la simulation. Cette approche s'attaque à une limite connue des systèmes de démarche robotique classiques, qui reposent sur des motifs fixes, des paramètres réglés à la main et des récompenses prédéfinies, peu robustes face à un terrain inconnu. Entraîné uniquement sur du terrain plat, le robot a continué à marcher sur sol irrégulier avec une vitesse d'avancement à peine réduite, en adoptant une démarche plus ondulatoire adaptée aux surfaces accidentées. Plus significatif encore pour les intégrateurs industriels, le contrôleur a su se réorganiser après la désactivation simulée d'une patte, redistribuant la charge sur les cinq restantes sans reprogrammation. Autre résultat utile en pratique : la structure de récompense apprise par AIRL, contrairement à la politique de marche elle-même, s'est transférée avec succès à un second modèle de robot aux proportions et actionneurs différents, là où un transfert direct de la politique échouait. Cela suggère une voie pour réduire le coût d'adaptation d'un contrôleur bio-inspiré d'une plateforme robotique à une autre, un point clé pour les fabricants de robots multi-pattes destinés aux environnements non structurés, zones sinistrées ou terrains où les robots à roues ou l'AMR classique peinent à circuler. Ce travail s'inscrit dans un courant de recherche en robotique bio-inspirée qui cherche à dépasser les limites du contrôle de marche programmé manuellement, en s'appuyant sur l'apprentissage par imitation à partir de données animales plutôt que sur des générateurs de trajectoire ou des règles de démarche codées à la main. Il reste à ce stade une démonstration de recherche : les tests sur robot physique sont qualifiés de préliminaires par les auteurs eux-mêmes, et l'essentiel des résultats quantitatifs (vitesse, stabilité, transfert inter-robots) provient de simulation. Aucun calendrier de déploiement industriel, partenariat commercial ou montant de financement n'est mentionné. La suite logique annoncée par les chercheurs porterait sur la validation plus poussée en conditions réelles et l'extension de la méthode de transfert de récompense à d'autres morphologies de robots à pattes.

RecherchePaper
1 source