Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
COVER : planification de mouvement en temps fixe avec cartes à couverture vérifiée en environnements semi-statiques
RecherchearXiv cs.RO 

COVER : planification de mouvement en temps fixe avec cartes à couverture vérifiée en environnements semi-statiques

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

Des chercheurs ont publié sur arXiv (référence 2510.03875v2) un framework baptisé COVER (Coverage-VErified Roadmaps), conçu pour résoudre des requêtes de planification de mouvement dans un budget temps fixe, sur un manipulateur 7-DOF effectuant des tâches de pick-and-place dans des environnements de type table rase et étagères. Le principe repose sur des environnements dits semi-statiques : la majorité de l'espace de travail reste identique entre les tâches, tandis qu'un sous-ensemble d'obstacles change de position. COVER décompose l'espace des configurations possibles de chaque obstacle mobile de façon indépendante, construit des roadmaps (graphes de chemins) de façon incrémentale, et vérifie formellement la faisabilité de ces graphes dans chaque partition. Pour les régions vérifiées, la résolution d'une requête est garantie dans un temps borné. Les benchmarks montrent une couverture de l'espace-problème plus large et un taux de succès par requête supérieur aux approches antérieures, notamment face à des obstacles de tailles hétérogènes.

L'enjeu industriel est direct : les planificateurs généralistes comme RRT ou ses variantes ne garantissent pas de temps de réponse borné, ce qui bloque leur usage dans les applications temps-réel (lignes d'assemblage, cellules de palettisation, cobots en cadence synchronisée). COVER apporte une garantie formelle de couverture, absente des travaux précédents, sans discrétiser les configurations d'obstacles en un ensemble fini prédéfini. C'est ce dernier point qui étend l'applicabilité aux scénarios industriels réels, où les positions d'obstacles varient continûment et ne tombent pas dans des cases prédéterminées. Pour un intégrateur, la différence est concrète : un planificateur qui "essaie" n'a pas la même valeur contractuelle qu'un planificateur qui "garantit" dans X millisecondes.

La planification de mouvement certifiée dans des environnements changeants est un problème ouvert depuis des années, à la frontière entre la robotique manipulation et la vérification formelle. Les approches par probabilistic roadmaps (PRM) offrent performance mais pas de garanties ; les méthodes exactes sont trop coûteuses en temps de calcul pour être embarquées. COVER se positionne entre ces deux extrêmes en exploitant la structure semi-statique propre à la majorité des environnements industriels. Les concurrents implicites sont les planificateurs adaptatifs comme STOMP, TrajOpt, ou les approches d'apprentissage par imitation (pi-zero de Physical Intelligence, GR00T N2 de NVIDIA), qui résolvent la planification par inférence neuronale mais sans garantie formelle de complétude. La prochaine étape naturelle serait d'étendre COVER à des environnements avec obstacles dynamiques ou à des manipulateurs montés sur bases mobiles, ce que l'article ne couvre pas encore.

Dans nos dossiers

NVIDIA GR00TPhysical Intelligence — π0arXiv cs.RO

À lire aussi

STITCHER : Planification de trajectoires contraintes en environnements complexes par recherche en temps réel de primitives de mouvement
1arXiv cs.RO 

STITCHER : Planification de trajectoires contraintes en environnements complexes par recherche en temps réel de primitives de mouvement

Un article de recherche publié sur arXiv (2510.14893v4, version révisée) présente STITCHER, un nouveau cadre de planification de trajectoires pour drones qui se passe totalement d'optimisation numérique. Contrairement aux planificateurs modernes qui calculent des trajectoires par optimisation sous contraintes, STITCHER assemble de courts segments de trajectoire préexistants via une recherche sur graphe, pour produire des trajectoires longues portées, quasi optimales et exploitables en temps réel. En simulation, sur deux environnements complexes de 50 mètres sur 50, l'algorithme génère des trajectoires sûres et complètes en quelques millisecondes seulement, un résultat que les auteurs comparent favorablement à trois planificateurs d'optimisation de référence. Des essais matériels ont ensuite été menés sur un quadricoptère personnalisé, capable de suivre les trajectoires calculées en respectant des contraintes non convexes strictes, comme les limites d'angle d'inclinaison et de force des moteurs, tout en atteignant des vitesses de vol jusqu'à 63 km/h. L'enjeu dépasse la prouesse technique isolée. La navigation autonome à grande vitesse dans des environnements encombrés impose des calculs de trajectoire en temps réel, dynamiquement réalisables et sans collision, un problème où les méthodes d'optimisation classiques restent vulnérables aux délais de calcul et à l'instabilité numérique dès que les scénarios deviennent critiques pour la sécurité. En démontrant qu'une approche sans optimisation, fondée sur la recherche de primitives de mouvement, peut égaler voire dépasser la qualité des trajectoires optimisées tout en garantissant des temps de calcul déterministes, STITCHER apporte un argument concret dans le débat entre optimisation et recherche combinatoire pour la planification robotique embarquée, un enjeu direct pour les drones d'inspection, de secours ou de course évoluant en environnement GPS-dénié. La planification de trajectoires agiles s'appuie depuis plusieurs années presque exclusivement sur l'optimisation numérique, jugée seule capable de produire des trajectoires expressives satisfaisant des contraintes complexes d'état et d'actionneurs. Cette dépendance a toutefois un coût en robustesse temporelle, que STITCHER cherche à contourner en revenant à une logique de bibliothèques de primitives de mouvement couplées à une recherche sur graphe, une approche plus ancienne en robotique mobile mais repensée ici pour le vol agile. Il s'agit d'une quatrième révision du travail sur arXiv, signe d'un développement itératif; les auteurs annoncent des tests matériels supplémentaires comme prochaine étape, mais aucun calendrier de déploiement commercial ni partenaire industriel n'est mentionné à ce stade.

RecherchePaper
1 source
Planification en temps constant pour enchaîner mouvement sans collision et comportements de manipulation
2arXiv cs.RO 

Planification en temps constant pour enchaîner mouvement sans collision et comportements de manipulation

Des chercheurs publient, dans la version 3 d'un preprint arXiv (2512.00939), le Behavioral Constant-Time Motion Planner (B-CTMP), un planificateur de mouvement qui étend la planification à temps constant (CTMP) aux tâches de manipulation en deux étapes. Le robot exécute d'abord un mouvement sans collision vers un état d'initiation du comportement, puis déroule un comportement tel qu'une saisie ou une insertion. Le CTMP classique répond à toute requête dans un budget de temps fixé par l'utilisateur (par exemple 10 millisecondes) grâce à une phase de précalcul, dans un environnement connu à l'avance. B-CTMP change deux choses : les voisinages sont construits dans l'espace des poses d'objet plutôt que dans l'espace des configurations du robot, et la couverture est établie par certification statistique plutôt que par un simple test d'atteignabilité. Un plan n'est mis en cache que si des rollouts répétés établissent une borne inférieure de son taux de succès au-dessus d'un seuil choisi, et les auteurs démontrent que ces bornes tiennent simultanément sur tout le cache, à un niveau de confiance donné. Pour un comportement déterministe, un seul rollout suffit, ce qui redonne le test binaire du CTMP. L'évaluation porte sur trois tâches (prélèvement en rayonnage, insertion de prise, remplacement de roue), en simulation et sur robots réels. Le résumé ne donne aucun chiffre de taux de succès ni de nombre d'essais. L'enjeu est de combler un écart entre la planification de mouvement vérifiable et les comportements appris. Les compétences de manipulation riches en contacts progressent vite, mais restent cantonnées à des routines simples et scriptées, faute de garanties de sécurité, d'efficacité et de fiabilité. Le CTMP ne certifie que l'atteignabilité, un prédicat binaire, et ignore le comportement qui accomplit la tâche. Or ce comportement est de plus en plus stochastique, par exemple une politique apprise de type VLA, et aucun rollout hors ligne ne suffit à en prouver le succès. B-CTMP propose une réponse : borner statistiquement le taux de succès du comportement et garder un temps de réponse constant, y compris pour rejeter des poses d'objet infaisables. Pour un intégrateur ou un responsable de ligne, c'est le type de garantie auditable qui manque pour déployer des politiques apprises en production. Les auteurs affirment que les plans certifiés réussissent de façon constante là où les références échouent pendant l'exécution du comportement. Cette affirmation reste à vérifier sur les détails expérimentaux, notamment la diversité des poses testées et les budgets de rollouts. Ce travail prolonge la lignée du CTMP, conçu pour offrir des temps de requête bornés dans des environnements semi-structurés, typiques des cellules industrielles où les objets varient peu. Il se rapproche aussi des efforts de vérification des politiques apprises, face à la tendance dominante qui consiste à évaluer les modèles de manipulation sur des essais limités. La limite principale tient à l'hypothèse d'un environnement connu a priori et d'un monde semi-structuré : la garantie ne s'étend pas à des scènes ouvertes. Il s'agit d'une publication académique, sans produit ni déploiement annoncé. La suite logique serait de tester la méthode avec des politiques apprises plus complexes et sur des tâches plus longues, avec un cache dont la taille et le coût de précalcul restent à documenter.

UEPas d\'impact direct sur la France/UE

RecherchePaper
1 source
Algorithme de planification hiérarchique de trajectoire de couverture pour environnements inconnus
3arXiv cs.RO 

Algorithme de planification hiérarchique de trajectoire de couverture pour environnements inconnus

Des chercheurs présentent dans un preprint publié sur arXiv (arXiv:2609.12595v1) un algorithme de planification de trajectoire de couverture en ligne, conçu pour des robots évoluant dans des environnements totalement inconnus au départ. Le principe repose sur une décomposition progressive : à mesure que le robot avance et découvre des obstacles, la zone à couvrir est découpée en sous-zones disjointes, organisées dans un arbre de décomposition construit de façon incrémentale qui conserve les relations hiérarchiques parent-enfant entre ces sous-zones. Un planificateur global maintient et met à jour en continu un itinéraire de couverture, en priorisant les nouvelles sous-zones enfants selon leur état d'exploration et leur distance au robot, tandis qu'un planificateur local génère les mouvements de couverture à l'intérieur de chaque sous-zone sélectionnée, ce qui permet à la trajectoire de s'adapter au fur et à mesure que l'environnement se révèle. La méthode a été évaluée uniquement en simulation haute-fidélité, sur des scénarios complexes, et comparée à trois algorithmes de référence existants. Les auteurs rapportent une meilleure efficacité de couverture, mesurée par la longueur du trajet parcouru et le taux de recouvrement (overlap ratio) des zones déjà balayées. Pour l'industrie robotique, ce type d'algorithme cible un problème très concret : les robots de nettoyage industriel, de tonte, d'inspection ou agricoles doivent balayer l'intégralité d'une surface plutôt que simplement relier un point A à un point B, et la carte des lieux n'est souvent pas connue à l'avance ou évolue (mobilier déplacé, obstacles temporaires, chantiers). Les approches classiques de coverage path planning supposent généralement une carte déjà connue et calculent un plan hors ligne ; ce travail s'inscrit dans la lignée plus exigeante des méthodes en ligne, qui composent avec une incertitude croissante sur la géométrie de l'espace. Réduire le recouvrement et la longueur de trajet a un impact direct sur l'autonomie énergétique et le temps de cycle des AMR déployés en usine, en entrepôt ou en extérieur. Ceci dit, il s'agit à ce stade d'un résultat purement académique, validé en simulation face à des baselines choisies par les auteurs, et non d'un système testé sur robot physique ni déployé en conditions réelles : l'écart classique entre démonstration simulée et robustesse terrain reste entier. Le papier ne mentionne aucune affiliation industrielle, aucun partenaire de déploiement ni aucun robot commercial précis, ce qui en fait une contribution méthodologique plutôt qu'une annonce produit. Le champ de la planification de couverture en environnement inconnu reste actif depuis plusieurs années, avec des approches concurrentes basées sur la décomposition cellulaire, les grilles d'occupation ou des heuristiques gloutonnes, que les auteurs utilisent justement comme points de comparaison. Publié comme preprint de type "new" sur arXiv, donc non encore revu par les pairs, ce travail ouvre la voie à des tests sur robot physique et dans des environnements réels plus variés, étape nécessaire avant toute adoption par des intégrateurs ou fournisseurs de robots mobiles autonomes.

RecherchePaper
1 source
Planification de trajets robotiques adaptée à la congestion en environnements encombrés
4arXiv cs.RO 

Planification de trajets robotiques adaptée à la congestion en environnements encombrés

Des chercheurs ont publié sur arXiv (réf. 2606.19031, juin 2026) un planificateur de tournées probabiliste pour robots mobiles autonomes (AMR) en espaces publics encombrés. Le système vise à guider un robot de service, qu'il soit guide en centre commercial, livreur en entrepôt de préparation de commandes ou médiateur muséal, à travers une séquence de points de passage en tenant compte du comportement stochastique des foules. L'approche repose sur des cartes CLiFF (Circular Linear Flow Field), des modèles statistiques appris qui prédisent les trajectoires piétonnes à partir d'une observation initiale. Ces prédictions alimentent un processus de décision markovien (MDP) résolu en ligne, autorisant un recalcul d'itinéraire à chaque nouvelle observation de passants. La validation s'appuie sur un jeu de données réel collecté dans un centre commercial. Le problème est concret et régulièrement sous-estimé dans les déploiements AMR : les manoeuvres d'évitement de collision déclenchées par la présence humaine dégradent les temps de cycle de manière non linéaire, particulièrement dans les espaces à densité variable selon l'heure de la journée. Traiter la foule comme un processus stochastique temporel plutôt que comme un simple bruit à filtrer représente un changement d'approche pertinent pour les intégrateurs opérant en logistique retail ou en accueil public. La contribution d'ingénierie centrale est la replanification en ligne sans recalcul global du MDP, ce qui conditionne l'utilisabilité réelle en environnement dynamique. A noter : les métriques de performance (gains de temps de cycle, taux de succès de tournée) ne sont pas quantifiées dans le résumé publié, et l'évaluation reste limitée à un seul site, ce qui limite la généralisation des conclusions. Les cartes CLiFF constituent un cadre existant de modélisation des flux piétons, ici couplé pour la première fois à un MDP online dans un contexte de planification multi-points de passage. La navigation sociale est un champ de recherche actif depuis une décennie, avec des approches concurrentes basées sur les modèles de force sociale, le protocole ORCA, ou des méthodes d'apprentissage profond sur trajectoires piétonnes (GNN, Transformer). Ce travail reste au stade de preprint académique, sans partenaire industriel ni déploiement commercial annoncé. La prochaine étape logique serait une validation multi-sites et une comparaison quantitative directe avec ces méthodes concurrentes, en particulier sur des géométries d'espaces plus complexes et des horizons temporels plus longs.

RecherchePaper
1 source