Aller au contenu principal
OASIS : inférence de sous-objectifs sous optimisation et contraintes de sécurité pour la navigation de robots mobiles autonomesIllustration générée par IA
RecherchearXiv cs.RO 

OASIS : inférence de sous-objectifs sous optimisation et contraintes de sécurité pour la navigation de robots mobiles autonomes

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 OASIS, un cadre de navigation hiérarchique pour robots mobiles autonomes, décrit dans une prépublication arXiv (2611.11996, version 2). L'architecture combine deux niveaux. Une politique de haut niveau, entraînée par apprentissage par renforcement avec l'algorithme Soft Actor-Critic, génère des sous-objectifs locaux. Un contrôleur prédictif non linéaire (NMPC) les suit en respectant les limites de mouvement, des contraintes géométriques d'évitement de collision et des contraintes de fonctions barrières de contrôle (CBF) d'ordre élevé intégrées au problème d'optimisation. L'originalité tient au retour d'information : les résultats des optimisations du contrôleur sur chaque intervalle de sous-objectif sont résumés puis fournis à la politique à sa décision suivante, sans appel d'optimisation supplémentaire. L'évaluation porte sur cinq scénarios avec obstacles statiques et mobiles, dont des interactions denses et de l'incertitude de perception, et reste donc entièrement en simulation, sans déploiement sur robot physique mentionné.

Le point de départ est un défaut connu des architectures hiérarchiques : un sous-objectif géométriquement pertinent ne garantit pas que le problème de commande sous-jacent soit résolu avec succès. En exposant à la politique l'état d'optimisation récent, OASIS lui permet d'ajuster ses sous-objectifs à la faisabilité réelle du contrôleur. Selon les auteurs, il obtient le meilleur taux de succès agrégé face à des variantes hiérarchiques et à du contrôle direct vers le but. Sur trois graines d'entraînement, il conserve un avantage constant sur la même hiérarchie sans information d'état d'optimisation, avec moins d'échecs primaires d'optimisation pour un temps moyen de calcul du contrôleur comparable. Ce dernier point compte pour l'embarqué, car le gain ne se paie pas en latence. Les résumés ne chiffrent toutefois pas les écarts de succès, et seules trois graines étayent la robustesse statistique.

Ce travail s'inscrit dans la tendance qui marie apprentissage et commande optimale pour la navigation en environnement dynamique : l'apprentissage apporte l'anticipation au-delà de l'horizon du MPC, tandis que les CBF fournissent des garanties de sécurité formelles. Il s'adresse surtout aux intégrateurs d'AMR et aux équipes de navigation en entrepôt ou en milieu partagé avec des humains. Il reste de la recherche académique, loin d'un produit livré. Les suites logiques seraient une validation sur robot réel, un test sur des flux de piétons plus denses et une comparaison avec des planificateurs industriels, étapes que l'abstract n'annonce pas.

Dans nos dossiers

À lire aussi

LEAP : optimisation de trajectoire par lagrangien augmenté et flot de gradient pour robots soumis à des contraintes de contact
Illustration générée par IA
1arXiv cs.RO 

LEAP : optimisation de trajectoire par lagrangien augmenté et flot de gradient pour robots soumis à des contraintes de contact

LEAP, un solveur de contrôle optimal publié sur arXiv (2610.20936v1), s'attaque à la génération de mouvements dynamiquement réalisables pour robots à jambes et manipulateurs en contact. Le problème est de grande taille, non linéaire et non convexe. Les forces de contact doivent respecter les cônes de friction sur toute la trajectoire, et pas seulement à quelques instants isolés. LEAP discrétise le problème par collocation pseudospectrale. Au lieu d'une résolution de type Newton ou SQP, il intègre un flot de gradient primal-dual d'un lagrangien augmenté de Powell-Hestenes-Rockafellar. Ce flot étant raide, les auteurs ont conçu un intégrateur linéairement implicite avec une métrique de Gauss-Newton, un terme de momentum et un contrôleur de pas fondé sur une fonction de mérite, qui garantit la décroissance monotone du lagrangien augmenté. Les tests portent sur cinq plateformes, des sauteurs planaires aux humanoïdes à 32 articulations. LEAP est la seule méthode à résoudre tous les problèmes testés. Il est nettement plus rapide que Crocoddyl et Aligator sur plusieurs benchmarks, et produit des références suivables avec des budgets de calcul plus faibles. Les trajectoires sont validées dans un simulateur haute fidélité et sur matériel. Le résumé ne chiffre toutefois ni les accélérations ni les budgets de calcul. L'enjeu est très pratique pour les équipes qui développent des humanoïdes et des quadrupèdes. Les solveurs actuels dépendent fortement de l'initialisation et passent mal à l'échelle quand le nombre d'articulations augmente. Pour cette raison, la planification de mouvements avec contacts reste souvent un travail d'ingénierie fin, qui exige un bon point de départ et des réglages manuels. Si la robustesse annoncée se confirme, la génération de références pourrait être moins fragile et moins coûteuse en calcul. Ce serait utile pour les pipelines hybrides, où des trajectoires optimisées servent de références à l'apprentissage par renforcement ou de données d'entraînement aux politiques de type VLA. Il faut cependant nuancer. Il s'agit d'un preprint non évalué par les pairs, la couverture de cinq plateformes reste limitée, et le « seul à tout résoudre » dépend du choix des benchmarks. Le code n'est pas disponible. Les auteurs ne le publieront qu'après acceptation définitive, ce qui empêche pour l'instant toute reproduction indépendante. Ce travail s'inscrit dans la lignée des méthodes de programmation dynamique différentielle et de contrôle optimal qui ont structuré la locomotion ces dernières années. Crocoddyl, issu de l'écosystème LAAS-CNRS et Pinocchio en France, et Aligator, développé par l'équipe Willow d'Inria, sont les références open source auxquelles LEAP se compare. Les deux outils sont donc d'origine européenne, ce qui donne à ce benchmark un intérêt direct pour la communauté robotique française. Face à eux, LEAP propose de remplacer les solveurs de second ordre par un flot de gradient stabilisé, mieux adapté aux grandes dimensions. La suite dépendra de la publication du code, de la validation sur d'autres morphologies et de tâches de manipulation, et de la preuve que les temps de calcul permettent une utilisation en boucle de commande prédictive en temps réel. Aucune échéance n'est annoncée à ce stade.

UELEAP se compare à Crocoddyl (LAAS-CNRS) et Aligator (Inria), deux solveurs open source d'origine française, ce qui intéresse directement la communauté française du contrôle optimal.

RecherchePaper
1 source
BubbleCBF : une sécurité constructive pour les systèmes du second ordre, appliquée à la navigation de robots autonomes en environnement inconnu
Illustration générée par IA
2arXiv cs.RO 

BubbleCBF : une sécurité constructive pour les systèmes du second ordre, appliquée à la navigation de robots autonomes en environnement inconnu

Des chercheurs du laboratoire Existential Robotics proposent BubbleCBF, une méthode de filtrage de sécurité pour les systèmes de second ordre, c'est-à-dire ceux dont la commande agit sur l'accélération (robots mobiles, véhicules), publiée sur arXiv en version 1. Le principe part d'une fonction de distance signée (SDF) de l'environnement. À partir d'elle, le système construit des sphères sans collision, les « bulles », dans l'espace des positions. Leur géométrie quadratique et leur recouvrement servent à définir une contrainte de sécurité qui dépend de la vitesse. L'ensemble sûr obtenu est une union d'intersections, appliqué par un filtre de sécurité sous forme de programme quadratique (QP) qui corrige la commande nominale. Les auteurs démontrent, sous des hypothèses jugées modérées sur la dynamique, le recouvrement des bulles et les paramètres de conception, que le contrôleur est bien défini, continu par rapport à l'état et rend l'ensemble invariant vers l'avant. Ils donnent aussi des conditions suffisantes de faisabilité sous commandes bornées. La validation porte sur un robot à entraînement différentiel qui navigue de façon autonome dans des environnements inconnus. Des vidéos sont publiées sur le site du projet. L'article ne fournit pas de chiffres de performance dans son résumé. L'enjeu est un problème bien connu des intégrateurs. Une contrainte de position seule peut exiger une décélération irréalisable, car un robot lancé ne s'arrête pas instantanément. Les fonctions barrières de contrôle (CBF) d'ordre supérieur traitent ce cas en théorie, mais leur faisabilité dépend de la dynamique et de l'autorité de commande disponible, ce qui les rend fragiles en pratique. L'approche est dite constructive : elle fournit une recette de conception avec garanties, au lieu d'un réglage empirique de paramètres. Pour un décideur industriel, cela compte pour les AMR et les plateformes mobiles qui doivent certifier un comportement sûr à des vitesses réalistes, y compris dans des lieux mal cartographiés. Il faut toutefois rester prudent : il s'agit d'un résultat académique, testé sur une plateforme simple. Rien n'indique encore un passage à l'échelle sur des robots à dynamique plus riche, comme des humanoïdes ou des manipulateurs mobiles, ni des performances en environnement dense et dynamique. Ce travail s'inscrit dans la lignée des CBF introduites pour garantir l'invariance d'ensembles de sécurité, puis étendues aux ordres supérieurs pour les contraintes de degré relatif deux. Ces extensions se heurtaient à la faisabilité du QP quand les entrées sont bornées. Les approches concurrentes combinent des filtres de sécurité avec des cartes SDF ou de la perception en ligne, ou reposent sur la commande prédictive, plus coûteuse en calcul. BubbleCBF se distingue par l'usage direct de la SDF et d'un recouvrement de sphères. Les suites logiques seraient des essais sur matériel plus varié, des comparaisons chiffrées avec les CBF d'ordre supérieur existantes et l'intégration à des chaînes de navigation industrielles. Aucun pilote ni calendrier n'est annoncé.

RecherchePaper
1 source
Évaluation comparative d'une interface de contrôle XR à stylet pour la navigation semi-autonome de robots mobiles en environnement de service
Illustration générée par IA
3arXiv cs.RO 

Évaluation comparative d'une interface de contrôle XR à stylet pour la navigation semi-autonome de robots mobiles en environnement de service

Une équipe de recherche publie sur arXiv (référence 2609.31117v1) une étude comparant quatre méthodes de commande pour la navigation semi-autonome de robots mobiles de service en environnement domestique. Le système central utilise un stylet commercial de réalité étendue (XR pen) permettant à l'opérateur de pointer un emplacement dans la pièce, de le sélectionner, puis de faire glisser une flèche augmentée pour définir l'orientation souhaitée du robot à cette destination, le tout visualisé en réalité augmentée superposée au monde réel. Trois autres interfaces ont été développées dans le même cadre logiciel : des contrôleurs de mouvement XR, la reconnaissance de gestes de la main, et une base de référence logicielle standard, RViz, pilotée depuis un ordinateur. Dix participants ont testé les quatre méthodes lors de tâches de navigation dans un environnement reconstituant un domicile. Les résultats montrent que le stylet XR obtient le temps de sélection des tâches le plus court et les sélections les plus constantes, tandis que les contrôleurs de mouvement XR reçoivent les meilleurs scores perçus de charge de travail et d'utilisabilité, devant la base RViz. Cette étude s'inscrit dans un enjeu concret pour les intégrateurs de robotique de service : l'autonomie complète reste peu fiable dans des environnements imprévisibles, ce qui oblige à maintenir un contrôle humain accessible à des utilisateurs non experts. Les résultats nuancent l'idée reçue selon laquelle les interfaces XR par gestes ou contrôleurs seraient naturellement intuitives : ici, ce sont les contrôleurs de mouvement, technologie plus mature, qui l'emportent en expérience utilisateur, tandis que le stylet, malgré sa rapidité mesurée, souffre de limitations techniques d'intégration qui dégradent l'expérience. Pour des décideurs évaluant des solutions de supervision robotique, le message est que performance objective (vitesse, précision de sélection) et perception subjective (charge cognitive, facilité d'usage) ne convergent pas nécessairement vers le même outil, un point à trancher avant tout choix d'interface de téléopération à grande échelle. Le travail part du constat que les robots de service peinent à s'implanter dans les foyers, coincés entre une autonomie encore insuffisante et des méthodes de contrôle jugées peu accessibles aux novices. Les chercheurs ont construit trois interfaces XR au sein du même framework logiciel afin de les comparer directement entre elles et face à RViz, l'outil de visualisation standard de l'écosystème ROS utilisé en robotique de recherche. Le stylet XR testé étant décrit comme récemment commercialisé, les auteurs signalent que son intégration logicielle actuelle reste imparfaite, ce qui freine aujourd'hui son expérience utilisateur malgré ses bons résultats de performance brute. L'étude, menée sur un échantillon restreint de dix participants, ouvre la voie à des travaux futurs visant à améliorer cette intégration technique et à élargir la validation à des populations d'utilisateurs plus larges avant tout déploiement en conditions réelles.

RecherchePaper
1 source
Social-WM : des modèles du monde latents sensibles à la sécurité pour la navigation sociale des robots
Illustration générée par IA
4arXiv cs.RO 

Social-WM : des modèles du monde latents sensibles à la sécurité pour la navigation sociale des robots

Des chercheurs publient Social-WM, un cadre de planification par modèle de monde latent destiné à la navigation sociale des robots, c'est-à-dire le déplacement parmi des piétons et des obstacles. Le système est entraîné uniquement à partir de séquences vidéo RGB égocentriques. Il prédit, en fonction de l'action commandée, l'observation future réellement obtenue après chaque commande. Il apprend ainsi les conséquences pertinentes pour la sécurité. Un second objectif, dit de dynamique inverse « réalisable », associe chaque transition latente observée à l'action effectivement réalisée, et non à l'action nominale demandée. Au déploiement, le robot imagine plusieurs actions candidates dans le modèle de monde. Le modèle inverse estime ensuite leur réalisabilité, et l'écart entre action nominale et action réalisable sert de signal de sécurité avant exécution. Sur le benchmark Social-HM3D, Social-WM atteint 63,77 % de réussite avec 21,67 % de collisions avec des humains. Les résultats restent solides en transfert zéro-shot sur Social-MP3D. L'approche n'utilise ni suivi explicite des piétons, ni état humain privilégié, ni apprentissage par renforcement en ligne. L'intérêt tient à la manière de traiter le problème. Une action « avancer » peut s'exécuter entièrement en espace libre, mais doit être freinée ou modifiée face à un piéton ou un obstacle. Les données de navigation sociale contiennent donc un décalage systématique entre commande et mouvement réel. En apprenant ce décalage plutôt qu'en le supposant nul, le robot dispose d'un indicateur de risque sans module de perception dédié aux humains. Pour un intégrateur, cela réduit la dépendance à des piles de suivi et de prédiction de trajectoires, coûteuses à calibrer. Le fait que la dynamique et la réalisabilité soient indépendantes du but permet de réutiliser le même modèle pour la navigation par position et par image-cible. Il faut toutefois relativiser : un taux de collision de 21,67 % reste très éloigné d'un niveau acceptable en environnement réel, et les résultats proviennent de simulation. Aucun test sur robot physique ni comparaison de coûts de calcul n'est mentionné dans le résumé. Ce travail s'inscrit dans la montée des modèles de monde latents, qui planifient dans un espace de représentation compact plutôt qu'en reconstruisant des pixels, et dans l'effort pour combler l'écart entre simulation et réel en navigation sociale. Les benchmarks utilisés, construits sur les scènes HM3D et Matterport3D, relèvent de la simulation d'intérieur et couvrent mal la variété des lieux publics. Les approches concurrentes reposent généralement soit sur l'apprentissage par renforcement en ligne, soit sur des modules explicites de suivi des piétons. La suite logique est une validation sur plateforme mobile réelle, dans des espaces partagés comme les hôpitaux ou la logistique, où des robots mobiles autonomes (AMR) croisent déjà des opérateurs. Il s'agit pour l'instant d'une préimpression arXiv (v1), non évaluée par les pairs, sans produit ni déploiement annoncé.

RecherchePaper
1 source