RecherchearXiv cs.RO 26 mai 2026

Contrôle par échantillonnage en temps réel sous contraintes strictes : l'approche MPPI avec contraintes de variété

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Une équipe du RCI Lab publie MC-MPPI (Manifold-Constrained Model Predictive Path Integral), un framework de contrôle temps-réel déposé sur arXiv le 26 mai 2026 (arXiv:2605.24813). La méthode répond à une limitation structurelle du MPPI standard : l'impossibilité de garantir des contraintes d'égalité strictes (hard constraints) lors de tâches de manipulation en chaîne fermée. MC-MPPI sépare le problème en deux niveaux : une planification dans un espace latent de faible dimension, apprise par un VAE (Variational Autoencoder) qui encode la variété de contraintes, suivie d'une correction d'exécution par un contrôleur QP (Quadratic Programming) résolvant en un seul appel l'erreur résiduelle. Sur un système bi-bras à 14 degrés de liberté en chaîne fermée, le framework tourne à 100 Hz aussi bien en simulation qu'en conditions réelles, et surpasse significativement les méthodes de référence en précision de suivi de trajectoire.

Le verrou adressé est structurel : les pénalités de coût douces du MPPI standard ne garantissent pas la faisabilité des trajectoires candidates, rendant la méthode inapplicable à la manipulation bimanuelle contrainte, aux systèmes à deux points de contact rigide, ou à toute chaîne cinématique fermée. MC-MPPI conserve le parallélisme massif qui rend MPPI attractif : le VAE génère des trajectoires quasi-faisables sans modification par échantillon, permettant une linéarisation précise des contraintes et réduisant la correction d'exécution à un QP résolu en un seul passage au lieu d'une projection itérative coûteuse. Pour un intégrateur ou un responsable technique industriel, cela ouvre MPPI à des tâches d'assemblage et de manipulation précise jusqu'ici réservées aux solveurs par optimisation itérative comme iLQR ou SQP.

MPPI est une méthode de contrôle prédictif par échantillonnage stochastique, introduite par Williams et al. à Georgia Tech en 2016 et depuis adoptée en navigation robotique et pour les systèmes sous-actionnés. Les extensions contraintes existantes recourent à des projections itératives coûteuses ou à des reformulations variationnelles qui dégradent la fréquence de contrôle. MC-MPPI se distingue en apprenant la géométrie de contrainte hors-ligne via le VAE, limitant la charge en ligne au seul QP. Les approches concurrentes incluent les méthodes CBF-QP (Control Barrier Function), le MPC différentiable, et les planificateurs neuronaux pour la manipulation bimanuelle. L'équipe met à disposition vidéos et implémentation à rcilab.github.io/mcmppi ; des validations sur des configurations plus complexes ou des manipulateurs mobiles constitueraient des étapes naturelles.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

Projection-rétraction MPPI : contrôle exact sur variété de contraintes pour manipulateurs

Des chercheurs du RCI Lab publient sur arXiv (référence 2608.07573v1) une nouvelle méthode de commande pour bras manipulateurs baptisée Projection-Retraction MPPI (PR-MPPI). Le système a été validé sur des plateformes bimanuelles à 14 degrés de liberté (DOF) : en simulation, via un test de stress sur les limites articulaires et un test d'évitement d'obstacles randomisé, puis sur matériel réel avec un humanoïde Unitree H1-2 dont les deux bras évitent de façon réactive un obstacle mobile. Le code source et les vidéos d'expérience sont publiés sur rcilab.github.io/prmppi. Il s'agit d'une publication de recherche académique, sans annonce de produit commercial ni de déploiement industriel. Le Model Predictive Path Integral (MPPI) est une technique de commande prédictive très utilisée en manipulation robotique car elle gère des coûts non convexes sans calcul de gradient, en échantillonnant en parallèle de nombreuses trajectoires candidates, une approche qui tire parti du calcul GPU massivement parallèle. Sa limite connue est que les contraintes strictes, comme une chaîne cinématique fermée que deux bras doivent maintenir exactement pour porter ensemble un objet rigide, ou les limites articulaires et distances de sécurité aux obstacles, ne sont traitées que comme des pénalités douces dans le coût, susceptibles d'être violées dès que le coût de tâche devient dominant. PR-MPPI corrige ce point en projetant, à chaque étape de simulation, la vitesse échantillonnée sur le sous-espace de la contrainte d'égalité puis sur le demi-espace de chaque contrainte d'inégalité, avant de ramener la commande finale sur la contrainte à une tolérance numérique près, indépendamment du poids attribué à la tâche. Pour la manipulation bimanuelle et les humanoïdes évoluant près d'humains ou d'obstacles mobiles, cette garantie de respect exact, et non plus seulement approximatif, des contraintes de sécurité répond à une faiblesse pratique connue des architectures de commande par échantillonnage. Le MPPI est hérité des méthodes de commande prédictive par échantillonnage développées initialement pour les véhicules autonomes, avant d'être largement repris ces dernières années dans la commande corps-complet des bras manipulateurs et des humanoïdes, portée par les gains de calcul parallèle sur GPU. L'article positionne PR-MPPI comme une réponse directe à la principale faiblesse de cette famille de méthodes, la gestion uniquement molle des contraintes strictes, un problème qui concerne potentiellement des architectures de commande similaires chez d'autres constructeurs d'humanoïdes et de bras bimanuels, alors même que le H1-2 d'Unitree a servi ici de plateforme de test réel. Aucun partenariat industriel, pilote commercial ni calendrier de déploiement n'est mentionné : la publication reste, à ce stade, une validation académique en simulation et sur un seul robot en laboratoire, code et vidéos mis à disposition de la communauté recherche.

RecherchePaper

1 source

2arXiv cs.RO

Contrôle de robots souples par apprentissage sur sous-variétés spectrales adiabatiques

Une équipe de chercheurs a publié sur arXiv (référence 2503.10919, version 3) une stratégie de contrôle prédictif pour robots souples entièrement construite à partir de données, fondée sur la théorie des sous-variétés spectrales adiabatiques (aSSMs). Ces structures géométriques de faible dimension émergent le long du chemin désiré du robot dès lors que ses vibrations internes se dissipent bien plus vite que la vitesse de déplacement cible, condition caractéristique des robots fortement amortis. La méthode est validée sur des modèles haute fidélité d'un robot tronc souple en éléments finis et de bras élastiques décrits par la mécanique des tiges de Cosserat, avec des tests complémentaires en présence de bruit expérimental. Les modèles réduits à cinq ou six dimensions obtenus par aSSM surpassent les autres approches data-driven par un facteur allant jusqu'à dix en précision de suivi de trajectoire sur l'ensemble des tâches testées en boucle fermée. Ce résultat s'attaque à un verrou bien documenté du secteur : les modèles linéaires data-driven, notamment les opérateurs de Koopman et les régressions classiques, échouent dès que le robot explore des chemins spatialement étendus sollicitant des régimes fortement non linéaires. L'aSSM contourne ce problème en réduisant la dynamique à une variété invariante attractante de petite dimension, sans nécessiter d'identification paramétrique d'un modèle physique analytique. Pour un intégrateur de systèmes robotiques souples, cette approche ouvre la voie à des contrôleurs prédictifs embarquables sur des robots déformables, avec des débouchés directs en manipulation de précision, inspection industrielle ou chirurgie mini-invasive. La théorie des sous-variétés spectrales (SSM) a été formalisée par George Haller et collaborateurs à partir de 2016 ; l'extension adiabatique pour systèmes à chemin variable constitue une contribution plus récente. Les approches concurrentes incluent les réseaux neuronaux récurrents, le Koopman étendu et les méthodes de réduction d'ordre par projection physique. La validation reste majoritairement numérique, les expériences physiques mentionnées se limitant à tester la robustesse au bruit sans description détaillée d'un banc d'essai réel, ce qui invite à la prudence avant toute extrapolation industrielle. L'article étant un preprint arXiv non encore évalué par les pairs, les performances annoncées méritent confirmation indépendante.

RecherchePaper

1 source

3arXiv cs.RO

GASP : planificateur sûr accéléré par GPU pour une génération de mouvement en temps réel consciente des collisions, avec échantillonnage de trajectoires latentes

Des chercheurs présentent GASP (GPU-Accelerated Safe Planner), un planificateur temps réel de trajectoires dans l'espace articulaire, conscient des collisions, pour environnements connus. L'architecture combine une paramétrisation par B-spline clampée avec un réseau convolutif résiduel qui prédit les points de contrôle intérieurs, complétés par des points de contrôle aux limites insérés analytiquement pour respecter les contraintes de dérivée initiale et finale. Un autoencodeur variationnel conditionnel échantillonne plusieurs trajectoires candidates, décodées et validées en parallèle sur GPU, pour un temps d'inférence proche de la milliseconde. GASP atteint des taux de réussite comparables aux méthodes analytiques tout en réduisant nettement le temps de calcul face à l'optimisation de trajectoire classique sur GPU. Déployé comme planificateur de réinitialisation dans un pipeline d'apprentissage par renforcement appliqué au tennis de table robotique compétitif, il égale le taux de retour de balle de la méthode de référence tout en réduisant d'environ moitié les collisions survenues pendant l'entraînement. Pour l'industrie robotique, l'enjeu est de lever un goulot d'étranglement classique : la planification de trajectoire évitant les collisions reste souvent trop lente pour un contrôle temps réel à haute fréquence, surtout pour des bras à plusieurs degrés de liberté couplés. En ramenant l'inférence à l'échelle de la milliseconde via l'échantillonnage parallèle sur GPU plutôt que la résolution d'une optimisation à chaque pas, GASP illustre une tendance de fond : remplacer l'optimisation itérative par des réseaux entraînés à en approximer la sortie. L'intérêt dépasse la vitesse : moins de collisions pendant l'entraînement réduit aussi le coût et la durée de l'apprentissage de politiques par renforcement. Le domaine s'appuie historiquement sur des méthodes d'optimisation comme CHOMP ou TrajOpt, ou des planificateurs par échantillonnage type RRT, coûteux en calcul dès que la dimension du problème augmente ; les versions récentes accélérées par GPU réduisent ce coût sans l'éliminer, d'où la comparaison directe faite dans l'article. En s'appuyant sur un CVAE plutôt qu'un réseau de prédiction unique, GASP mise sur la diversité de candidats plutôt qu'une trajectoire unique, une stratégie proche de travaux récents de diffusion de trajectoires. Publié sur arXiv sans relecture par les pairs ni mention de code source ouvert ou de partenaire industriel, l'article ne donne aucun calendrier de transfert vers une plateforme robotique commerciale ; la validation reste circonscrite aux tests articulaires décrits et à la tâche de tennis de table présentée.

RecherchePaper

1 source

4arXiv cs.RO

Planification de mouvements par échantillonnage sur variétés riemanniennes avec conscience géométrique

Des chercheurs ont publié sur arXiv (arXiv:2602.00992) un cadre de planification de mouvement par échantillonnage opérant directement sur des variétés riemanniennes, adressant une limitation fondamentale des planificateurs classiques : l'usage de distances euclidiennes dans des espaces de configuration à géométrie non euclidienne. La contribution centrale est une approximation par point médian de la distance géodésique riemannienne, dont les auteurs prouvent la convergence au troisième ordre vers la distance réelle. Un planificateur local complète le système en traçant la variété via des rétractions du premier ordre guidées par des gradients naturels riemanniens. Les validations portent sur un bras plan à deux degrés de liberté, un manipulateur Franka à 7-DoF sous métrique d'énergie cinétique, et la planification de corps rigides dans SE(2) avec contraintes non holonomes. Dans chaque cas, l'approche produit des trajectoires de coût inférieur aux planificateurs euclidiens et aux solveurs géodésiques numériques de référence. L'enjeu industriel est direct : pour les bras manipulateurs redondants (6-DoF et plus), les métriques d'énergie cinétique ou de manipulabilité définissent une géométrie non euclidienne que les RRT et RRT standards ignorent, produisant des trajectoires sous-optimales en énergie et en usure des actionneurs. Ce travail comble le fossé entre deux familles de méthodes : les solveurs géodésiques numériques, fidèles géométriquement mais peu scalables en haute dimension, et les planificateurs par échantillonnage, efficaces mais géométriquement naïfs. La preuve de convergence au troisième ordre est un apport théorique solide ; les expériences restent cependant limitées à 2 et 7-DoF, et la tenue à l'échelle sur des systèmes corps entier (20-DoF et plus) n'est pas encore démontrée. La planification géodésique n'est pas une idée nouvelle : CHOMP et les méthodes de Gaussian Process Motion Planning avaient déjà exploité des métriques tâche-espace, mais dans des cadres d'optimisation sans garanties de complétude probabiliste. Ce travail se distingue en intégrant la géométrie riemannienne dans le paradigme par échantillonnage (famille RRT/PRM), ce qui offre des garanties de complétude asymptotique. Les concurrents directs incluent les variantes RRT à métriques personnalisées et les planificateurs sur graphes de visibilité riemanniens. La suite logique serait une validation sur des manipulateurs industriels courants (Universal Robots, KUKA iiwa) et une intégration dans MoveIt 2 ou NVIDIA Isaac/Lula, deux prérequis pour une adoption réelle en production.

RecherchePaper

1 source