RecherchearXiv cs.RO 1 mai 2026

IKSPARK : cinématique inverse avec détection d'obstacles par optimisation convexe

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

IKSPARK (Inverse Kinematics using Semidefinite Programming And RanK minimization) est un solveur de cinématique inverse conscient des obstacles, présenté dans un preprint arXiv (2403.12235v2). Le système prend en charge des morphologies variées : chaînes cinématiques ouvertes et fermées, avec joints sphériques, rotoïdes et prismatiques. Sa formulation exprime le problème IK sous forme de programme semidéfini positif (SDP) avec des contraintes de rang 1 sur des matrices symétriques à traces fixes. Le solveur résout d'abord la relaxation SDP, dont l'infaisabilité certifie formellement l'impossibilité du problème original, avant de récupérer une solution de rang 1 via des méthodes itératives de minimisation de rang à convergence locale prouvée. L'évitement d'obstacles est traité par une formulation convexifiée de contraintes mixtes entières. Les expériences rapportées montrent des taux de succès sensiblement supérieurs aux solveurs non linéaires classiques dans des environnements encombrés, notamment des cellules de travail fixes, et ce sans post-traitement, bien que les benchmarks quantitatifs détaillés n'apparaissent pas dans le résumé public.

L'apport central d'IKSPARK est sa capacité à certifier l'infaisabilité : contrairement aux solveurs basés sur la Jacobienne pseudo-inverse ou le gradient tels que TRAC-IK ou IKFAST, il peut garantir formellement qu'aucune configuration valide n'existe dans un environnement donné, évitant ainsi des cycles de replanification coûteux. Pour les intégrateurs déployant des manipulateurs en cellules industrielles fixes et encombrées, cette propriété améliore directement la robustesse des pipelines de planification de mouvement. L'absence de post-traitement, étape souvent nécessaire avec les approches SDP classiques, représente une avancée pratique non négligeable. La prise en charge native des chaînes cinématiques fermées, souvent mal gérées par les solveurs analytiques standard, élargit par ailleurs l'applicabilité aux robots parallèles et aux mécanismes à morphologie complexe.

La cinématique inverse est un problème fondamental en robotique depuis plusieurs décennies, mais son caractère intrinsèquement non-convexe a longtemps cantonné les approches à garanties globales à des cas très contraints. Les relaxations SDP ont récemment émergé comme piste sérieuse, notamment dans les travaux sur la certification d'optimisation robotique issus de laboratoires comme le MIT ou ETH Zurich. IKSPARK s'inscrit dans cette tendance en l'étendant explicitement à l'évitement d'obstacles. Ses concurrents directs incluent TRAC-IK, BioIK et les méthodes de champ de potentiel, plus rapides en pratique mais dépourvus de garanties de complétude. L'intégration dans des planificateurs de mouvement établis comme MoveIt ou Drake, et la validation sur hardware réel, constitueraient les prochaines étapes logiques, non encore couvertes dans ce preprint.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

Cinématique inverse corps entier par diffusion sur graphe

Une équipe de chercheurs publie sur arXiv (identifiant 2606.00086, daté du 2 juin 2026) GraphDiff-IK, un framework de diffusion sur graphe pour résoudre la cinématique inverse (IK) sur des robots à morphologies variées. L'IK est un problème fondamental : il s'agit de calculer les configurations articulaires permettant à l'effecteur d'atteindre une pose cible dans l'espace. GraphDiff-IK représente le robot comme un graphe cinématique construit directement depuis son fichier URDF, où chaque noeud correspond à une articulation actionnée et chaque arête encode une dépendance cinématique. Sur cette structure, le framework formule l'IK comme un processus de diffusion conditionnelle qui génère directement des configurations articulaires. Il intègre un raisonnement hiérarchique par passage de messages par étapes successives, un conditionnement explicite du torse pour les robots multi-branches, ainsi qu'un retour de cinématique directe bruitée et une supervision dans l'espace des tâches pour renforcer la cohérence géométrique pendant le débruitage. L'approche couvre les bras simples, les systèmes bimanuel et les robots articulés avec torse ou taille. L'intérêt technique est réel : les solveurs IK classiques, qu'ils soient analytiques ou numériques (KDL, trac-IK, OpenRAVE), sont performants mais spécialisés par morphologie et peinent à représenter la nature multi-modale du problème, c'est-à-dire l'existence de plusieurs configurations articulaires valides pour une même pose cible. Cette multi-modalité est précisément ce que la diffusion capture de manière naturelle, ce qui ouvre la voie à des solveurs IK généralisables à une large gamme de plateformes sans ré-entraînement par robot. Pour les systèmes redondants comme les humanoïdes complets, dont le nombre de degrés de liberté dépasse les contraintes de la tâche, cette capacité à explorer l'espace des solutions est particulièrement précieuse. Ce travail s'inscrit dans une vague plus large d'application des modèles de diffusion à la robotique : Pi-0 de Physical Intelligence, GR00T N2 de NVIDIA ou les politiques de diffusion pour le contrôle en sont les exemples les plus visibles. Appliquer ce paradigme à l'IK, plutôt qu'aux politiques de haut niveau, est une extension logique mais non triviale. Il convient cependant de noter qu'il s'agit d'un preprint non encore évalué par les pairs, sans validation sur hardware industriel ni déploiement annoncé. Les prochaines étapes naturelles seraient une intégration dans des pipelines de planification de mouvement et des tests sur des plateformes physiques, notamment des humanoïdes commerciaux dont la cinématique whole-body reste un goulot d'étranglement opérationnel.

RecherchePaper

1 source

2arXiv cs.RO

Algorithme de cinématique inverse par branch-and-bound à intervalles pour la résolution globalement optimale de la redondance

Un préprint révisé sur arXiv (identifiant 2104.12183v2) propose une méthode d'embranchement et de délimitation par intervalles (interval branch-and-bound) pour résoudre le problème général de cinématique inverse (IK) des bras manipulateurs. L'objectif central est de calculer la variété d'auto-mouvement (self-motion manifold, SMM) : l'ensemble complet de toutes les configurations articulaires admissibles permettant d'atteindre une pose précise de l'effecteur terminal. L'algorithme combine cette exploration exhaustive avec un solveur IK numérique rapide utilisé comme heuristique de recherche pour accélérer le parcours de l'espace de solutions. Les expériences numériques portent sur des manipulateurs redondants et non redondants, sans préciser de plateforme hardware particulière ni de robot commercial testé. L'intérêt principal de cette approche réside dans la nature de ses sorties : là où les méthodes par échantillonnage (sampling-based) génèrent des solutions isolées et indépendantes dans l'espace articulaire, la méthode proposée produit des nappes de solutions voisines qui préservent la géométrie locale de la SMM. Cette continuité est précieuse pour la planification de trajectoires optimales, le contrôle en temps réel et l'évitement de singularités. L'algorithme fonctionne également en mode anytime : il retourne des solutions sous-optimales utilisables même si le calcul est interrompu avant convergence complète, propriété utile dans les systèmes à contraintes temps-réel. Cela dit, la validation reste purement numérique en simulation, sans tests sur hardware physique ni benchmarks comparatifs face aux solveurs IK courants tels que KDL, TRAC-IK ou BioIK, ce qui limite la portée des affirmations de performance. Publié initialement en 2021 puis révisé (v2), ce travail s'inscrit dans une ligne de recherche active autour de la résolution globale de l'IK pour bras redondants, défi classique en robotique industrielle et collaborative. Les approches concurrentes incluent les méthodes analytiques (limitées aux architectures simples), les solveurs numériques locaux (rapides mais sensibles aux minima locaux) et les méthodes d'apprentissage automatique (coûteuses à entraîner, peu généralisables hors distribution). La contribution est algorithmique et théorique ; aucune implémentation open-source ni intégration dans des frameworks standards comme MoveIt! n'est mentionnée, ce qui constitue la prochaine étape naturelle vers une adoption industrielle concrète.

RecherchePaper

1 source

3arXiv cs.RO

Exploration de la géométrie intrinsèque des modèles de diffusion par cinématique inverse contrainte

Des chercheurs ont publié sur arXiv (2606.26408) une étude empirique sur la capacité des modèles de diffusion à récupérer la géométrie intrinsèque des données sur lesquelles ils sont entraînés, en utilisant la cinématique inverse contrainte comme terrain d'expérimentation contrôlé. L'équipe a entraîné un unique modèle de diffusion conditionnel sur sept familles de contraintes différentes, appliquées successivement au bras UR5 (6-DOF, Universal Robots) et au Franka Emika (7-DOF). Ces familles de contraintes couvrent un spectre allant des branches discrètes de cinématique inverse jusqu'aux variétés de self-motion (les configurations redondantes d'un bras à 7 DOF pour une même position d'effecteur). La principale mesure évaluée est la dimension intrinsèque récupérée à partir de la fonction score du modèle, comparée à la dimension analytique connue de chaque variété de contrainte. L'intérêt de ce travail pour la robotique tient à la rigueur du banc d'essai : contrairement aux études précédentes sur la géométrie des modèles de diffusion, menées sur des images naturelles dont la géométrie réelle est inconnue, la cinématique inverse fournit une vérité terrain analytique exacte. Les résultats montrent que la dimension intrinsèque estimée correspond à la dimension analytique des degrés de liberté de la variété correspondante, sur les deux robots. En outre, l'interpolation linéaire dans l'espace latent produit des solutions qui restent proches de la variété de contrainte, ce qui indique que le modèle ne capture pas seulement la dimensionnalité mais aussi la structure géométrique locale. Pour les équipes travaillant sur des politiques de diffusion (diffusion policies) pour la manipulation contrainte, cela suggère que ces modèles pourraient généraliser à des espaces de configurations complexes sans supervision géométrique explicite. Ce travail s'inscrit dans un mouvement plus large d'analyse théorique des modèles de diffusion appliqués à la robotique, porté notamment par les succès récents de politiques comme pi-0 (Physical Intelligence) ou des approches VLA (Vision-Language-Action). La question de savoir si ces modèles "comprennent" la géométrie des espaces de configuration est centrale pour évaluer leur capacité de généralisation hors distribution. Les concurrents directs de cette ligne de recherche incluent des approches par flow matching ou par représentations Riemanniennes explicites. Les prochaines étapes naturelles seraient d'étendre l'analyse à des contraintes dynamiques ou à des robots à plus haute redondance, et de valider si ces propriétés géométriques persistent sous des architectures de type Transformer diffusion.

UELes bras UR5 (Universal Robots, Danemark) et Franka Emika (Allemagne) servent de bancs d'essai, ancrant cette recherche dans l'écosystème robotique européen, mais l'impact opérationnel direct reste limité à court terme.

RecherchePaper

1 source

4arXiv cs.RO

LOInK : cinématique inverse optimale apprise via des modèles neuronaux de substitution structurés

Une équipe de chercheurs a mis en ligne le 21 septembre 2026 sur arXiv (référence 2609.21275) une nouvelle méthode nommée LOInK, pour Learned Optimal Inverse Kinematics, qui vise à générer des solutions quasi optimales à des problèmes de cinématique inverse. Entraîné sur des configurations échantillonnées, leurs variables de tâche associées et une fonction de coût donnée, LOInK apprend une application inversible dite bi-Lipschitz qui transforme l'espace des configurations articulaires en un espace latent découplé de la tâche, construit de sorte que les solutions minimisant le coût se retrouvent toutes à l'origine de cet espace. Cette structuration permet ensuite d'échantillonner efficacement ces solutions optimales grâce à un algorithme d'inversion de réseau reposant sur l'operator splitting. Les auteurs valident l'approche sur trois cas : un manipulateur pédagogique à trois degrés de liberté (DOF), un robot quadrupède grimpeur, et un actionneur souple simulé traité comme un cas purement piloté par les données. Sur le robot grimpeur, LOInK génère des solutions quasi optimales en moyenne 31 fois plus vite, et jusqu'à 100 fois plus vite dans certains cas, qu'une méthode classique d'optimisation sous contraintes. Ce gain de vitesse n'est pas anecdotique pour l'industrie robotique : la cinématique inverse est un calcul exécuté en continu par tout robot articulé, humanoïde, bras manipulateur ou quadrupède, pour transformer un objectif de tâche en commande de moteurs, et les solveurs d'optimisation sous contraintes classiques restent souvent trop lents pour du contrôle temps réel sur du matériel embarqué à ressources limitées. En déplaçant le coût de calcul vers une phase d'entraînement réalisée hors ligne, LOInK ouvre la voie à des boucles de contrôle plus rapides sans sacrifier la qualité des trajectoires, un enjeu direct pour la marche et l'escalade des robots à pattes ou pour la manipulation fine. Le cas de l'actionneur souple est particulièrement révélateur : contrairement aux approches génératives existantes, qui doivent échantillonner puis évaluer un grand nombre de solutions candidates faute de modèle analytique fiable pour les matériaux souples, LOInK produit directement des solutions de haute qualité, ce qui ouvre une piste pour la robotique souple, un domaine où le manque de modèles précis freine aujourd'hui le contrôle. Ce travail s'inscrit dans la lignée des méthodes de cinématique inverse par apprentissage qui cherchent à remplacer les solveurs itératifs coûteux, historiquement dominants en robotique, par des réseaux de neurones capables d'amortir le calcul. Il se positionne aussi face aux approches génératives récentes à base de réseaux à variables latentes ou de modèles de diffusion, qui nécessitent d'échantillonner puis de filtrer de nombreuses hypothèses avant de retenir une solution viable, une démarche coûteuse en temps de calcul. Publié comme soumission arXiv de type « new », ce papier reste un preprint non encore relu par les pairs : les résultats reposent uniquement sur des simulations, sans code source ni déploiement matériel mentionnés dans le résumé, et aucune date de publication en conférence ni suite expérimentale sur robot physique n'est précisée à ce stade.

RecherchePaper

1 source