Aller au contenu principal
Commande prédictive par contouring augmentée par processus gaussien pour le suivi de trajectoire à 6 DOF d'un AUV holonomeIllustration générée par IA
RecherchearXiv cs.RO 

Commande prédictive par contouring augmentée par processus gaussien pour le suivi de trajectoire à 6 DOF d'un AUV holonome

1 source couvre ce sujet·Source originale ↗·

Compilé et résumé par IA · sources vérifiables en un clic · publié sans lecture humaine préalable · méthodologie

Résumé IASource unique

Des chercheurs proposent une commande prédictive par contouring (MPCC, Model Predictive Contouring Control) non linéaire sur les six degrés de liberté d'un petit véhicule sous-marin autonome (AUV) holonome, enrichie par un apprentissage des erreurs de modèle via régression par processus gaussien (GP). Le résidu appris vient compléter le modèle dynamique nominal et est intégré au problème de commande optimale par un schéma d'optimisation robuste d'ordre zéro, ce qui maintient le contrôleur en temps réel à 25 Hz. La validation porte sur le MOLA (Multimodality, Observing, Low-cost, Agile), un AUV compact, en simulation puis en essais en eau réelle. Les performances sont comparées à deux références : un MPCC nominal sans apprentissage et un contrôleur PID éprouvé sur le terrain. Une étude d'ablation en simulation montre en outre que le choix des variables sur lesquelles porte le résidu appris est déterminant pour la conception du contrôleur. Le résumé disponible ne chiffre pas les gains d'erreur de suivi, ni la durée ou la profondeur des essais.

L'intérêt tient à un problème pratique de l'inspection sous-marine rapprochée. Un véhicule holonome, capable de se déplacer et de s'orienter indépendamment dans toutes les directions, peut observer une structure sous n'importe quel angle, mais exige un suivi précis de la position et de l'attitude, sous contraintes d'états et d'entrées. Le MPCC gère naturellement ces contraintes, mais dépend d'un modèle hydrodynamique que l'on identifie mal : masse ajoutée, traînée et perturbations varient et sont difficiles à mesurer. Apprendre uniquement l'écart au modèle, plutôt que la dynamique complète, est une voie pragmatique, et la tenue des 25 Hz montre que l'approche reste compatible avec un calculateur embarqué. Le fait de se mesurer à un PID de terrain est un signal de maturité, mais il s'agit d'un résultat académique : rien n'indique encore une robustesse sur de longues missions, en courant fort ou face à des changements de charge utile.

Ces travaux s'inscrivent dans la tendance qui combine commande prédictive et apprentissage, déjà établie en robotique aérienne (drones de course, MPCC pour le suivi de trajectoire) et appliquée ici à un milieu où les modèles sont bien moins fiables. Le MOLA appartient à la catégorie des AUV bon marché et agiles, face à des plateformes d'inspection commerciales largement pilotées par PID ou par des commandes plus classiques. Les suites naturelles seraient des essais autour de structures réelles, comme des piles de ponts, des coques ou des infrastructures offshore, ainsi qu'une adaptation en ligne du GP, dont le coût de calcul et la généralisation hors du domaine d'entraînement restent les points à surveiller. Aucun calendrier de déploiement ni partenaire industriel n'est annoncé.

À lire aussi

FATHOM : sélection de trajectoires d'actions par diffusion guidée par un modèle du monde, pour le suivi d'AUV à marqueurs épars
Illustration générée par IA
1arXiv cs.RO 

FATHOM : sélection de trajectoires d'actions par diffusion guidée par un modèle du monde, pour le suivi d'AUV à marqueurs épars

FATHOM est un cadre de contrôle publié sur arXiv (2611.08898) pour le suivi relatif entre véhicules sous-marins autonomes (AUV) coopératifs, à partir de marqueurs lumineux actifs. Ces marqueurs résistent mieux aux variations d'apparence dans l'eau, mais ils fournissent volontairement des observations parcimonieuses, qui deviennent incomplètes ou corrompues en cas d'occlusion, de réflexions ou de bruit de détection pendant les mouvements dynamiques. FATHOM combine trois briques. Un modèle de monde de type RSSM (récurrent state-space model) multimodal, supervisé par la tâche, fusionne les marqueurs structurés, les mesures inertielles, l'historique des actions et la dynamique temporelle en une « croyance » prédictive du suivi. Un a priori d'action par diffusion génère ensuite plusieurs trajectoires multi-propulseurs de type « expert ». Enfin, la dynamique latente apprise prédit les conséquences de chacune, et le système retient la meilleure selon un objectif à horizon glissant. La décision est mise à jour en continu à partir des capteurs embarqués. Les auteurs ne donnent dans le résumé ni chiffres de performance, ni taille de flotte, ni profondeur d'essai. Pour les roboticiens, l'intérêt tient à la manière dont la diffusion est utilisée. La trajectoire générée n'est pas exécutée telle quelle: elle sert de réservoir de candidats, évalués par le modèle de monde avant sélection. Ce schéma de génération puis de sélection atténue le principal défaut des politiques de diffusion en boucle ouverte, qui produisent des actions plausibles mais pas forcément adaptées à l'état réel. Il répond aussi à l'observabilité partielle, constante en milieu sous-marin où le GPS est indisponible et la vision dégradée. Les auteurs affirment que les essais sur un vrai AUV, avec comparaisons à des méthodes fondées sur la pose et ablations de composants, montrent un suivi robuste sur des mouvements nominaux et difficiles, avec visibilité partielle des marqueurs « naturelle » et exécution temps réel embarquée, sans retour de capture de mouvement. C'est un point à nuancer: le résumé ne précise ni les métriques ni l'ampleur des essais, et ce sont des résultats d'une preprint non évaluée par les pairs. La mention de comparaisons « fortes » vient des auteurs eux-mêmes. Ce travail s'inscrit dans la convergence entre apprentissage par modèle de monde, popularisé par la famille Dreamer et ses RSSM, et politiques génératives par diffusion, désormais courantes en manipulation robotique. Son transfert à la robotique sous-marine, où les données sont rares et coûteuses, reste moins documenté. Il s'oppose aux chaînes classiques d'estimation de pose suivies d'un contrôleur, qui échouent dès que les marqueurs disparaissent. Les suites logiques seraient des essais multi-véhicules, des environnements plus turbides et une validation en conditions opérationnelles, par exemple pour l'inspection d'infrastructures ou les essaims d'AUV. Aucun partenaire industriel, calendrier ni déploiement n'est annoncé: il s'agit à ce stade d'un résultat de recherche.

RecherchePaper
1 source
MR-MPCC : commande prédictive par contournage pour le suivi d'un bras manipulateur dans des repères mobiles
Illustration générée par IA
2arXiv cs.RO 

MR-MPCC : commande prédictive par contournage pour le suivi d'un bras manipulateur dans des repères mobiles

MR-MPCC est un cadre de commande publié sur arXiv (2610.21292) pour manipulateurs robotiques à commande en vitesse, conçu pour réguler la pose complète de l'effecteur (6 DOF) lorsque le repère de référence lui-même se déplace. Il repose sur une architecture hiérarchique. Au niveau supérieur, une commande prédictive par contournage (MPCC) optimise l'avancement le long du chemin tout en pénalisant l'erreur de contour et l'erreur d'orientation. En dessous, une couche RMRC (resolved motion rate control) sous contraintes convertit le torseur cartésien commandé en vitesses articulaires admissibles, dans le respect des limites des articulations et des contraintes de sécurité. L'ensemble est implémenté dans une chaîne ROS2 et MuJoCo, puis validé sur un UR5e. Le repère du chemin y est perturbé et suivi par des capteurs électromagnétiques. Les auteurs le comparent à un correcteur PI et à une MPC de suivi indexée sur le temps, soumis à la même perturbation. Ils annoncent une erreur géométrique de suivi plus faible et des écarts réduits dans le repère mobile. Le résumé ne donne aucune valeur chiffrée, ce qui empêche d'évaluer l'ampleur du gain. L'enjeu concerne les tâches à faibles tolérances d'exécution, comme l'usinage ou l'automatisation chirurgicale, où la pièce ou le patient bouge pendant l'opération. Les contrôleurs indexés sur le temps, dont la MPC de suivi classique, associent chaque instant à un point précis de la trajectoire. Si le repère saute ou si le timing dérive, l'erreur relative au chemin s'accumule. Le contournage supprime ce couplage rigide, puisque l'avancement devient une variable d'optimisation et que la fidélité géométrique prime sur le respect de l'horloge. Pour un intégrateur, c'est une piste crédible pour compenser des mouvements de pièce sans recalcul complet de trajectoire. La preuve reste toutefois limitée. Il s'agit d'un banc de laboratoire sur un seul bras, avec des perturbations choisies par les auteurs et deux références de comparaison, dont un PI qui constitue une base peu exigeante. Il n'y a ni test sur process réel, ni mesure de charge de calcul ou de latence en boucle fermée. Le MPCC vient à l'origine de la commande de machines-outils et de la course autonome, où la précision de contour compte plus que la ponctualité. Son transfert vers la manipulation à base mobile ou à cible mobile s'inscrit dans un courant plus large de commande réactive, aux côtés du suivi visuel asservi et des MPC à contraintes de sécurité. Le choix d'un UR5e, bras collaboratif très répandu, et d'une chaîne ROS2 facilite la reproduction par d'autres laboratoires. Les suites logiques sont des essais sur usinage ou gestes chirurgicaux réels, des comparaisons avec d'autres schémas robustes, et une quantification du temps de calcul par cycle. Aucun partenaire industriel ni calendrier de transfert n'est mentionné dans ce résumé.

RecherchePaper
1 source
Contrôle prédictif à modèle boîte grise pour tombereaux articulés, via apprentissage du dérapage par processus gaussien
Illustration générée par IA
3arXiv cs.RO 

Contrôle prédictif à modèle boîte grise pour tombereaux articulés, via apprentissage du dérapage par processus gaussien

Des chercheurs publient sur arXiv (2609.27597) une méthode de commande prédictive (MPC) en gray-box pour les tombereaux articulés (ADT), utilisés dans l'automatisation minière. L'équipe emploie la régression par processus gaussien (GPR) pour apprendre l'angle de dérapage du véhicule, identifié comme la principale source d'imprécision des modèles cinématiques employés dans les MPC. Cette fonction GPR est intégrée à un modèle cinématique standard pour former un modèle hybride gray-box, capable de prédire le dérapage et la vitesse latérale du véhicule. Comparé en simulation à deux MPC white-box purement cinématiques, le modèle réduit l'erreur maximale de suivi latéral de plus de 2 mètres à 0,56 mètre. Pour l'industrie minière et les intégrateurs de robotique mobile lourde, ce résultat s'attaque à un compromis connu : les modèles dynamiques complets sont précis mais demandent un paramétrage complexe et une recalibration à chaque changement d'environnement (charge, pente, nature du sol), tandis que les modèles cinématiques, plus simples et robustes, perdent en précision de trajectoire lors des virages ou des charges asymétriques. L'approche gray-box promet de combler cet écart sans les coûts de recalibration des modèles dynamiques, ce qui intéresse les fabricants de tombereaux autonomes et les opérateurs de mines à ciel ouvert. Ces résultats restent toutefois valides uniquement en simulation, sans essai mentionné sur tombereau réel, ce qui laisse ouverte la question du transfert simulation vers réalité (sim-to-real) pour ce type de correction data-driven. Cette publication s'inscrit dans une tendance de modélisation hybride, associant physique et apprentissage automatique, pour la commande de véhicules autonomes hors route. L'automatisation des tombereaux miniers reste disputée par de grands équipementiers, Caterpillar avec MineStar, Komatsu avec FrontRunner, ou Hitachi et Volvo Construction Equipment, déjà engagés dans le déploiement de flottes de camions autonomes sur des sites d'extraction. Les auteurs ne mentionnent aucun partenariat industriel ni calendrier de validation terrain ; la suite logique serait une expérimentation sur un ADT physique, afin de vérifier si le gain de précision observé en simulation se maintient face aux conditions réelles de sol meuble et de charge variable propres aux mines à ciel ouvert.

UECette approche gray-box pourrait intéresser des équipementiers européens comme Volvo Construction Equipment, déjà engages sur l'automatisation des tombereaux miniers, mais aucune collaboration ni déploiement européen n'est mentionne dans l'article.

RecherchePaper
1 source
MAP2 : poursuite basée sur un modèle et l'accélération, avec MPC et apprentissage résiduel par processus gaussien pour la course autonome
Illustration générée par IA
4arXiv cs.RO 

MAP2 : poursuite basée sur un modèle et l'accélération, avec MPC et apprentissage résiduel par processus gaussien pour la course autonome

Des chercheurs présentent MAP2 (Model- and Acceleration-based Pursuit 2), un contrôleur de poursuite destiné à la course autonome, où le véhicule doit suivre sa trajectoire au plus près des limites d'adhérence tout en gardant une latence de calcul faible. L'algorithme combine une commande prédictive (MPC) cinématique fondée sur la courbure et une correction résiduelle par processus gaussien parcimonieux (Sparse Gaussian Process, SGP). Le MPC optimise les consignes cinématiques sur un horizon de prédiction, puis celles-ci sont converties en ordres de braquage par un modèle de dynamique des pneus, complété par la correction SGP. Les essais sur véhicule réel montrent, par rapport à MAP et à Pure Pursuit (PP), une baisse de l'erreur latérale moyenne de 37,99 % et de 44,65 % respectivement, ainsi qu'un temps au tour moyen réduit d'au moins 1,5 %. L'intérêt tient au compromis visé. Les contrôleurs géométriques comme Pure Pursuit sont légers en calcul, mais reposent sur la géométrie d'Ackermann, qui cesse d'être valide quand les pneus glissent en limite d'adhérence. À l'inverse, les approches par MPC dynamique complet offrent plus de fidélité, au prix d'une charge de calcul plus lourde. MAP2 cherche une voie médiane : un MPC cinématique reste économe, et l'écart entre le modèle et la réponse réelle du véhicule est absorbé par un apprentissage de résidus, sans modèle dynamique exhaustif. Le gain d'erreur latérale est net, mais le gain de temps au tour est modeste (1,5 % au minimum), ce qui suggère que la précision de suivi progresse plus vite que la performance pure. L'abstract ne précise ni la plateforme, ni la vitesse, ni la fréquence de calcul, ni le nombre de tours : il est donc difficile de juger de la robustesse hors du cadre d'essai. Le travail prolonge MAP, un contrôleur qui conservait la simplicité du suivi géométrique tout en exploitant un modèle de pneu et une information d'accélération. Les auteurs reconnaissent que MAP reste fondamentalement géométrique, qu'il dépend de la cinématique d'Ackermann, et que son modèle de pneu peut manquer la dynamique réelle du véhicule. MAP2 répond à ces deux limites. Il s'inscrit dans un domaine très actif, celui de la course autonome sur plateformes à l'échelle réelle ou réduite, où la tenue de trajectoire en limite de dynamique reste un verrou. Les comparaisons se limitent ici à MAP et PP, et non à des MPC dynamiques ou à des méthodes apprises de bout en bout. Le papier, publié sur arXiv en première version (v1), n'annonce pas encore de suite précise ni de déploiement.

RecherchePaper
1 source