Évitement de collisions par fonctions barrières de contrôle géométriques et approximations polynomiales de Bernstein
Des chercheurs ont déposé sur arXiv (référence 2605.30696) un article présentant une nouvelle méthode de navigation sûre pour robots basée sur des fonctions de barrière de contrôle (CBF) couplées à des champs de distance signée approximés par polynômes de Bernstein, baptisés BP-SDFs. L'approche cible un problème concret du pipeline de planification de mouvement : les substituts géométriques classiques comme les sphères ou les super-ellipsoïdes sont soit trop conservateurs dans des environnements non structurés, soit nécessitent un grand nombre de primitives locales, ce qui gonfle le nombre de contraintes et dégrade les performances temps réel. La méthode proposée offre une représentation unifiée pour les robots et les obstacles via un seul champ de distance signé, réduisant le problème de sécurité à une contrainte de distance minimale unique, applicable en boucle fermée grâce à la différentiabilité des polynômes de Bernstein. Les validations sont réalisées exclusivement en simulation, sur des scénarios de navigation mono-robot et d'évitement de collision multi-robots hétérogènes. L'enjeu industriel est réel : les CBFs sont aujourd'hui un outil central pour garantir mathématiquement la sûreté des systèmes robotiques, mais leur passage à l'échelle dans des environnements complexes (entrepôts encombrés, lignes de production partagées entre AMRs hétérogènes) bute souvent sur l'explosion combinatoire des contraintes. Réduire cette inflation tout en conservant des garanties formelles d'invariance de l'ensemble sûr serait un gain direct pour les intégrateurs qui déploient des flottes mixtes. La différentiabilité des BP-SDFs permet en outre d'intégrer la contrainte dans un QP (quadratic program) standard sans approximations supplémentaires, ce qui simplifie l'architecture de contrôle. Les CBFs ont été formalisés et popularisés principalement par le groupe d'Aaron Ames (Caltech) depuis le début des années 2010, et les SDF comme représentation géométrique sont exploités depuis longtemps en planification de mouvement et en apprentissage (NeRF, NeuralSDF). D'autres équipes combinent déjà CBFs et SDFs appris par réseaux de neurones, ou utilisent des CBFs à base de convex decomposition. Cette contribution se positionne dans la continuité de ces travaux avec l'angle spécifique de l'approximation polynomiale, plus analytiquement contrôlable. Étant un preprint sans validation hardware, la distance entre simulation et déploiement réel reste à combler, et aucune timeline ni partenaire industriel ne sont mentionnés.
