Aller au contenu principal
TPS-A* : planification de trajectoire pour véhicules de forme quelconque avec vérification certifiée des collisions dans l'espace des paramètres de trajectoire
IndustrielarXiv cs.RO 

TPS-A* : planification de trajectoire pour véhicules de forme quelconque avec vérification certifiée des collisions dans l'espace des paramètres de trajectoire

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

Des chercheurs proposent TPS-A, un planificateur de trajectoire global pour véhicules au sol qui prend en compte la forme exacte du véhicule, y compris non convexe, sans surcoût de calcul notable. Il s'agit d'un lattice planner dont les arêtes sont des trajectoires cinématiquement faisables, produites par des générateurs paramétrés. Une grille précalculée pour chaque empreinte au sol renvoie, en un seul passage sur les obstacles locaux, une distance libre certifiée le long de chaque trajectoire candidate. Le coût de vérification de collision par nœud ne dépend donc ni de la complexité de l'empreinte ni du nombre de trajectoires. Les auteurs démontrent que cette grille ne surestime jamais la distance libre réelle de l'empreinte balayée en continu. Sur 300 environnements encombrés, avec l'empreinte réelle et la même pose d'arrivée pour tous les planificateurs, TPS-A résout toutes les requêtes dont la pose d'arrivée est libre en 3 ms en médiane, sur un AMD Ryzen 7 2700X. C'est comparable à hybrid A, dont 45 % des chemins touchent des obstacles, et près de soixante fois plus rapide que le seul autre planificateur sans collision, un state-lattice classique. Avec un but en position seule, il est 89 fois plus rapide qu'hybrid A.

Pour les intégrateurs de robots mobiles et d'AMR, le compromis habituel est de modéliser le véhicule par un disque, ce qui est rapide mais conservateur, ou de vérifier l'empreinte exacte, ce qui est sûr mais coûteux. Ce travail vise à lever ce compromis. L'intérêt concret concerne les engins à géométrie atypique, comme un chariot à fourches que l'étude arrive à docker alors qu'aucun modèle convexe ne l'admet, ou les manœuvres en couloirs étroits. Le taux de 45 % de chemins en collision pour hybrid A* avec l'empreinte vraie rappelle que certaines solutions rapides ne sont pas fiables. Il faut toutefois rester prudent : les chiffres viennent de simulations générées par les auteurs, sur un seul CPU, et une seule démonstration réelle est citée, un robot circulant sur un campus universitaire parmi des piétons.

Ce résultat s'inscrit dans la lignée des planificateurs par treillis et d'hybrid A, devenu une référence pour le stationnement automatisé et les véhicules autonomes. TPS-A s'appuie aussi sur des tirs de Reeds-Shepp, certifiés comme trajectoires des mêmes générateurs, pour atteindre exactement le but avec ou sans cap. Les auteurs annoncent des garanties de chemins sans collision et de sous-optimalité bornée par rapport à leur abstraction en treillis, et un test exact indépendant n'a trouvé aucune collision. Il s'agit d'une prépublication arXiv, sans produit ni déploiement industriel annoncé. La suite dépendra de la disponibilité du code et de tests sur de vrais engins logistiques.

Dans nos dossiers

À lire aussi

Génération de mouvements extrêmes par contrôle hybride en espace nul pour le suivi de trajectoire en ligne droite
1arXiv cs.RO 

Génération de mouvements extrêmes par contrôle hybride en espace nul pour le suivi de trajectoire en ligne droite

Des chercheurs présentent dans un preprint arXiv (2606.03390) une méthode baptisée "extreme motion generation" qui vise à maximiser la longueur du chemin cartésien parcouru par un manipulateur à base fixe sur une trajectoire rectiligne prédéfinie. L'objectif concret : pousser un bras robotique jusqu'aux limites de son espace de travail sans déclencher les butées articulaires, ce qui est critique pour des applications continues comme le revêtement de surface ou le soudage. Le système a été évalué sur 10 000 tâches de suivi de chemin en ligne droite avec un Franka FR3 à 7 degrés de liberté. Résultat : une augmentation de 27 % de la longueur moyenne de trajectoire par rapport à une baseline entièrement basée sur un contrôleur modèle, avec des gains bien supérieurs sur les cas extrêmes. L'intérêt technique réside dans l'architecture hybride proposée. Un contrôleur par apprentissage par renforcement (RL) gère les décisions à long horizon, là où il excelle, tandis qu'un contrôleur modèle classique prend la relève lorsque le manipulateur s'approche des limites articulaires, une zone où la politique RL se dégrade en raison d'une couverture de données insuffisante. La bascule entre les deux modes se fait selon une distance normalisée aux limites articulaires. L'initialisation des configurations articulaires est résolue par un modèle de diffusion conditionnel, qui exploite un prior de mouvement appris pour choisir des configurations de départ favorables. Ce découplage explicite entre prise de décision à long terme (RL) et stabilisation locale (contrôle modèle) est une réponse directe au problème dit du "safety boundary avoidance" dans les trajectoires longues, un problème qui reste mal résolu par les approches purement data-driven. Ce travail s'inscrit dans un corpus croissant autour des contrôleurs hybrides RL+modèle pour la manipulation industrielle, à côté d'approches comme celles de Lux et al. ou des travaux sur le null-space control dans les bras redondants. Il ne s'agit pas ici d'un robot humanoïde ni d'une VLA généraliste, mais d'une contribution ciblée sur les manipulateurs fixes à tâche contrainte, directement pertinente pour les intégrateurs en soudage robotisé ou en peinture automatisée. Le Franka FR3 est un bras de recherche standard à 7 degrés de liberté, ce qui rend les résultats reproductibles mais limite leur généralisation directe à d'autres cinématiques. Les vidéos et le site projet sont accessibles publiquement ; aucun déploiement industriel ni partenariat commercial n'est mentionné dans ce preprint.

UEMéthode directement exploitable sur le Franka FR3 (bras allemand, Franka Robotics GmbH), ce qui la rend pertinente pour les intégrateurs européens en soudage robotisé et revêtement automatisé.

IndustrielPaper
1 source
Un cadre d'apprentissage par renforcement neuromorphique pour la planification de chemin efficace dans les systèmes robotisés de préparation de commandes
2arXiv cs.RO 

Un cadre d'apprentissage par renforcement neuromorphique pour la planification de chemin efficace dans les systèmes robotisés de préparation de commandes

Une équipe de chercheurs a publié sur arXiv (référence 2606.20031) le framework SDQN-RMFS, une chaîne de traitement complète qui associe apprentissage par renforcement et calcul neuromorphique pour la navigation de robots mobiles dans les systèmes d'exécution d'entrepôts (RMFS, Robotic Mobile Fulfillment Systems). Le pipeline fonctionne en deux temps : une politique est d'abord entraînée sur un réseau de neurones artificiel (ANN) classique, en pleine précision, via une stratégie d'entraînement autorisant les collisions afin de densifier les trajectoires informatives. Elle est ensuite convertie en réseau de neurones impulsionnels (SNN, Spiking Neural Network) grâce à une distillation de connaissance à labels durs (hard-label knowledge distillation), technique qui compense le décalage de distribution entre les deux architectures. Déployé sur puce neuromorphique, le système atteint jusqu'à 11 281 fois d'économies d'énergie par rapport à une baseline GPU haute performance, avec une réduction de latence de près de 2×, sans dégradation mesurable de la qualité de décision. Ces résultats sont significatifs pour quiconque opère un entrepôt automatisé à grande échelle : l'énergie consommée par les unités de calcul embarquées constitue un poste de coût non négligeable dès que la flotte dépasse quelques centaines d'AMR (autonomous mobile robots). La contribution technique principale est de démontrer, sur matériel réel et non en simulation, qu'une politique RL peut survivre à la conversion ANN-vers-SNN sans effondrement de performance, un point de friction longtemps considéré comme rédhibitoire pour le déploiement neuromorphique industriel. Le travail valide également l'approche sim-to-real dans un contexte d'entrepôt dense et dynamique, là où les méthodes classiques de planification de chemin (A*, règles heuristiques) peinent à répondre en temps réel sous contrainte de ressources. Les RMFS sont au coeur des entrepôts d'Amazon Robotics (issu de l'acquisition de Kiva Systems), de Geek+ ou d'Hai Robotics, mais aussi du français Exotec, dont le système Skypod mobilise des flottes de plusieurs milliers de robots. Le calcul neuromorphique mobilise des acteurs comme Intel (puce Loihi 2) et des laboratoires académiques européens autour de BrainScaleS. Ce preprint n'a pas encore été soumis à révision par les pairs, et les conditions exactes des expériences matérielles (type de puce, taille de l'entrepôt simulé, densité de flotte) mériteraient d'être précisées avant tout benchmark concurrentiel. Les prochaines étapes logiques seraient un pilote en entrepôt réel et une évaluation sur flottes hétérogènes.

UEExotec (Skypod) et les laboratoires européens autour de BrainScaleS sont directement concernés par cette avancée en calcul neuromorphique qui pourrait réduire drastiquement les coûts énergétiques des flottes AMR à grande échelle.

IndustrielOpinion
1 source
Robot foreur descendant : une première mondiale qui pourrait transformer la construction des data centers
3Interesting Engineering 

Robot foreur descendant : une première mondiale qui pourrait transformer la construction des data centers

Robot DALE de Dewalt (filiale de Stanley Black & Decker), développé avec la société de robotique mobile August Robotics, vient d'être lancé commercialement après une présentation au salon World of Concrete plus tôt cette année. Ce robot est conçu pour le forage vertical descendant dans le béton, une opération jusqu'ici largement manuelle et chronophage sur les chantiers. Il embarque des batteries interchangeables à chaud, un système de supervision à distance, une extraction automatique des poussières et un contrôle qualité assisté par intelligence artificielle. Grâce à la plateforme autonome et multi-robots développée par August Robotics, plusieurs unités DALE peuvent être déployées simultanément sur un même chantier, avec détection d'obstacles et délimitation automatique des zones de travail ; un mode dédié permet aussi de forer à travers des armatures en acier lorsque nécessaire. Selon les chiffres communiqués par Dewalt à l'issue d'un pilote d'un an mené avec une entreprise du secteur (non nommée), le robot aurait atteint une vitesse de forage jusqu'à dix fois supérieure aux méthodes traditionnelles, réduit les délais cumulés de 190 semaines sur 26 phases de construction de data centers, et affiché une précision de 99,97 % sur plus de 230 000 trous percés. Le robot est désormais disponible à la commande sur le site de Dewalt. Ces chiffres, s'ils se confirment en usage réel et à plus grande échelle, marqueraient une avancée notable pour un secteur de la construction de data centers en pleine tension : chaque site nécessite typiquement des milliers de perçages pour ancrer les racks serveurs et les supports des systèmes MEP (mécanique, électrique, plomberie), un travail répétitif, pénible et propice aux erreurs humaines. Pour les intégrateurs et donneurs d'ordre du BTP industriel, la promesse d'un gain de temps aussi important équivaut directement à des économies sur des projets où chaque semaine de retard pèse lourd financièrement, notamment dans la course actuelle à la capacité de calcul. Il faut toutefois noter que ces statistiques proviennent exclusivement du communiqué de Dewalt, sans validation indépendante ni détail sur les conditions précises du pilote, ce qui invite à une lecture prudente des performances annoncées comme un "monde en première mondiale". Ce lancement s'inscrit dans une stratégie plus large de Stanley Black & Decker visant à faire de sa marque Dewalt un acteur de la robotisation des chantiers, au-delà de son cœur historique de l'outillage électroportatif. Le partenariat avec August Robotics, spécialiste des plateformes robotiques autonomes pour la construction, permet à Dewalt d'apporter une brique d'automatisation avancée à ses clients sans développer en interne toute la pile technologique de navigation et de gestion de flotte. Bill Beck, président de la division Tools and Outdoor chez Stanley Black & Decker, a indiqué que l'entreprise entend désormais élargir la distribution de cette technologie à un marché plus vaste. Le secteur du forage robotisé pour la construction reste toutefois un marché naissant, où DALE devra faire ses preuves face à l'adoption progressive d'autres solutions d'automatisation de chantier, dans un contexte où la demande de data centers continue de tirer les investissements en infrastructure.

IndustrielActu
1 source
Des quadrillages aux entrepôts : adapter la planification multi-agents légère en un coup pour les robots à guidage automatique
4arXiv cs.RO 

Des quadrillages aux entrepôts : adapter la planification multi-agents légère en un coup pour les robots à guidage automatique

Une équipe de chercheurs a publié le 21 mai 2026 (arXiv:2605.15799) un nouveau cadre algorithmique baptisé MAWPF (Multi-Agent Warehouse Pathfinding), conçu pour adapter les méthodes classiques de planification multi-agents (MAPF) aux véhicules guidés automatisés (AGV) à transmission différentielle réellement déployés en entrepôt. Contrairement aux formulations MAPF standards qui supposent une grille 2D à quatre connexions avec des déplacements unitaires, MAWPF intègre quatre contraintes physiques réalistes : les agents ne peuvent effectuer que des mouvements rectilignes ou des rotations sur place, les rotations ont un coût multi-étapes (non unitaire), les phases d'accélération et de décélération sont modélisées explicitement, et les collisions par l'arrière entre robots suiveurs sont interdites. Les auteurs ont adapté et comparé quatre algorithmes sous-optimaux représentatifs issus de la littérature MAPF : PP (Prioritized Planning), LNS2 (Large Neighborhood Search 2), PIBT (Priority Inheritance with Backtracking) et LaCAM. Les benchmarks montrent que PP et LNS2 peinent à résoudre des instances à grand nombre d'agents, tandis que les approches basées sur PIBT offrent une meilleure scalabilité, au prix d'un coût de solution plus élevé. Ce travail comble un écart concret entre la recherche en planification combinatoire et les contraintes opérationnelles des entrepôts automatisés, où les AGV à transmission différentielle dominent le marché (flottes Locus Robotics, 6 River Systems, Exotec Skypod). Le fait que les rotations et la cinématique soient désormais intégrées dans le modèle de collision élimine une source fréquente d'échec au déploiement, le "sim-to-real gap" cinématique, sans abandonner la tractabilité de la recherche combinatoire discrète. Pour un intégrateur ou un COO, cela signifie que les algorithmes de planification peuvent être qualifiés sur des métriques proches du comportement réel des véhicules, réduisant les ajustements coûteux en production. Le MAPF classique, formalisé depuis les années 2010 avec des algorithmes comme CBS (Conflict-Based Search) et ses variantes, a longtemps été critiqué pour son manque de réalisme physique. Des travaux récents comme MAPF avec agents de taille variable ou avec contraintes temporelles ont ouvert cette direction, mais la cinématique différentielle restait peu traitée. Sur le plan concurrentiel, Amazon Robotics et Waymo Via investissent dans des approches d'optimisation de flotte propriétaires, tandis que des startups comme Exotec (France) ou Autostore misent sur des architectures matérielles contraintes qui simplifient le problème de planification. La prochaine étape naturelle serait l'extension à la planification lifecycle (avec objectifs de livraison dynamiques) et des tests sur des entrepôts physiques instrumentés, non encore annoncés par les auteurs.

UELes intégrateurs de flottes AGV en Europe, et notamment Exotec (France, Skypod), peuvent s'appuyer sur ce cadre MAWPF pour qualifier leurs planificateurs sur des métriques cinématiques réalistes, réduisant les coûteux ajustements de production liés au sim-to-real gap différentiel.

IndustrielPaper
1 source