Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
Algorithme de cinématique inverse par branch-and-bound à intervalles pour la résolution globalement optimale de la redondance
RecherchearXiv cs.RO 

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

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

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.

Dans nos dossiers

arXiv cs.RO

À lire aussi

Optimisation par diffusion pour accélérer la convergence des problèmes à temps minimal sur bras doubles redondants
1arXiv cs.RO 

Optimisation par diffusion pour accélérer la convergence des problèmes à temps minimal sur bras doubles redondants

Une équipe de chercheurs a publié sur arXiv (ref. 2504.16670) un cadre d'optimisation par diffusion pour résoudre le problème du temps minimum de déplacement sur un robot à double bras redondant. L'objectif est de minimiser le temps nécessaire pour qu'une configuration dual-arm suive un chemin cartésien relatif défini, tout en respectant les contraintes articulaires et l'erreur cartésienne. Les résultats annoncés sont significatifs : réduction de 35x du temps de calcul et diminution de 34 % de l'erreur cartésienne par rapport à la méthode précédente des mêmes auteurs, qui reposait sur une approche bi-niveaux avec résolution primal-dual. Ce gain de performance est important pour la robotique industrielle collaborative, où les bras doubles, typiquement utilisés en assemblage, en manipulation d'objets encombrants ou en chirurgie assistée, doivent exécuter des trajectoires précises dans des temps de cycle serrés. La méthode antérieure, basée sur le gradient, souffrait de deux limitations structurelles : une charge de calcul élevée rendant la planification en quasi-temps-réel difficile, et une incapacité à imposer directement une contrainte d'erreur cartésienne en norme infinie (L∞) le long de la trajectoire, en raison de la sparsité du gradient. Le passage à un échantillonnage probabiliste via un algorithme de diffusion permet de contourner ces deux problèmes simultanément, ce qui constitue une avancée méthodologique réelle, même si les benchmarks restent pour l'instant sur simulation. Le contexte est celui de l'essor des planificateurs de mouvement basés sur l'apprentissage et les méthodes probabilistes pour les robots à haute redondance cinématique. Les approches par diffusion, popularisées dans la génération d'images puis étendues à la robotique via des travaux comme pi0 (Physical Intelligence) ou des planificateurs de trajectoire neuronaux, gagnent du terrain face aux solveurs classiques (CHOMP, TrajOpt) sur des critères de vitesse et de généralisation. Ce travail s'inscrit dans cette tendance en restant ancré dans un cadre d'optimisation formelle (contrôle optimal), ce qui lui confère une interprétabilité que les approches purement end-to-end n'offrent pas encore. La prochaine étape naturelle serait une validation sur hardware physique avec contraintes temps-réel.

RecherchePaper
1 source
AURA : algorithme de replanification asymptotiquement optimal et robuste à l'incertitude pour les systèmes kinodynamiques
2arXiv cs.RO 

AURA : algorithme de replanification asymptotiquement optimal et robuste à l'incertitude pour les systèmes kinodynamiques

Une équipe de chercheurs a publié sur arXiv (identifiant 2605.27699) un algorithme de planification de trajectoire en ligne baptisé AURA, pour Asymptotically Optimal Uncertainty-Robust Replanning Algorithm, conçu pour les systèmes kinodynamiques, c'est-à-dire des robots soumis à des contraintes à la fois cinématiques et dynamiques, comme les drones, les systèmes sous-actionnés ou les robots à roues non-holonomes. L'architecture repose sur trois composants parallèles : un thread d'exécution principal, un module de replanification continue qui explore l'espace des états pendant le déplacement du robot, et un processus d'optimisation qui ajuste les commandes futures en temps réel pour réduire l'erreur de suivi. L'approche a été évaluée à la fois en simulation et dans des environnements réels sur plusieurs plateformes robotiques, avec des améliorations rapportées en qualité de trajectoire, précision de suivi et performance globale par rapport aux méthodes de référence. Les chiffres précis ne sont pas détaillés dans le résumé de ce preprint. L'apport principal d'AURA réside dans la combinaison de deux problèmes longtemps traités séparément. Les planificateurs à base d'échantillonnage, comme RRT ou ses variantes asymptotiquement optimales (RRT), offrent des garanties théoriques solides mais fonctionnent classiquement hors-ligne : le robot attend la fin du calcul avant de commencer à se déplacer. Par ailleurs, les perturbations réelles, glissement, imprécision des actionneurs, erreurs de modèle, provoquent des écarts entre la trajectoire planifiée et celle réellement exécutée, problème central du fossé sim-to-real. En fusionnant replanification continue et correction des commandes dans un méta-planificateur unique, AURA cherche à combler cet écart sans renoncer aux garanties d'optimalité asymptotique. Pour les intégrateurs travaillant sur des systèmes à haute dimensionnalité où le MPC classique devient computationnellement coûteux, cette approche offre une piste potentiellement viable pour des déploiements en conditions réelles. Ce travail s'inscrit dans un axe de recherche actif depuis la généralisation de RRT par Karaman et Frazzoli en 2011, qui a relancé l'intérêt pour la planification asymptotiquement optimale en robotique. Plusieurs approches concurrentes visent à rendre ces algorithmes utilisables en ligne, notamment via des variantes anytime ou des hybridations avec le contrôle prédictif par modèle. AURA se positionne comme un cadre générique, applicable à différentes classes de systèmes plutôt qu'à une plateforme spécifique. Il s'agit pour l'instant d'un preprint non encore évalué par les pairs, sans déploiement industriel ni partenariat commercial annoncé. La soumission à une conférence majeure de robotique, ICRA, IROS ou RSS, constituerait la prochaine étape naturelle pour valider ces résultats auprès de la communauté.

RecherchePaper
1 source
LOInK : cinématique inverse optimale apprise via des modèles neuronaux de substitution structurés
3arXiv 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
Réparation cinématique après la saisie pour l'insertion robotique par réorientation de l'objet dans la pince
4arXiv cs.RO 

Réparation cinématique après la saisie pour l'insertion robotique par réorientation de l'objet dans la pince

Une prise stable ne garantit pas qu'une insertion robotisée soit cinématiquement faisable. Dans un article déposé sur arXiv (2610.08421v1), les auteurs montrent que la transformation entre l'objet et la pince peut pousser le bras vers des singularités ou des butées articulaires le long de la trajectoire d'insertion imposée. Ils étudient une « réparation » après la saisie. Pour une prise déjà obtenue et une trajectoire d'insertion fixe, ils cherchent la plus petite réorientation de l'objet dans la pince qui rétablisse la faisabilité. Le planificateur évalue chaque candidat avec un graphe de cinématique inverse (IK) sensible aux branches de solutions. Ce graphe maximise la marge de faisabilité minimale sur la trajectoire discrétisée. Un a priori appris, conditionné par la tâche, ordonne les requêtes. La réorientation retenue est exécutée par manipulation extrinsèque guidée par le toucher, c'est-à-dire en s'appuyant sur l'environnement avec un retour tactile. En simulation sur un UR5e, le planificateur sans classement appris réduit de 51,5 % la réorientation moyenne sur les essais réussis, par rapport à une IK séquentielle sur grille. L'ajout du classement appris diminue ensuite de 51,1 % le temps de planification moyen. Des essais sur robot réel valident la chaîne complète. Le résumé ne donne ni taux de réussite, ni types de pièces, ni tolérances d'insertion. L'intérêt est très concret pour l'assemblage industriel. Un échec d'insertion vient souvent moins de la prise elle-même que d'une configuration du bras devenue inatteignable une fois l'objet saisi. Aujourd'hui, ces cas se traitent par une nouvelle prise, un repositionnement manuel ou un réglage de cellule par l'intégrateur. Corriger la pose de l'objet dans la pince, sans lâcher la pièce, pourrait réduire les temps de cycle et le nombre de reprises. L'idée d'une IK séquentielle qui rate des solutions faute de suivre le bon chemin dans l'espace articulaire est aussi pertinente pour les planificateurs du commerce. Il faut cependant relativiser. Les gains chiffrés viennent de la simulation, avec un seul bras de 6 axes, et le résumé ne précise pas l'ampleur des essais réels. Il ne donne ni taux de succès global, ni comparaison avec une simple nouvelle saisie. Les 51,5 % portent sur la réorientation moyenne des seuls essais réussis, pas sur l'ensemble des cas. Ce travail s'inscrit dans la recherche sur la manipulation de précision et l'insertion, où l'on a longtemps traité séparément la planification de prise, la planification de mouvement et le contrôle de contact. Les approches récentes de politiques apprises de bout en bout, VLA compris, progressent sur la généralisation mais restent peu fiables sur les contraintes de précision et de faisabilité cinématique. Cette étude suit plutôt une voie hybride : un planificateur géométrique garantit la faisabilité, et un modèle appris n'accélère que la recherche. La manipulation extrinsèque et le retour tactile deviennent ainsi des briques de réparation plutôt que des fins en soi. Il s'agit d'une publication académique, donc d'un résultat de laboratoire et non d'un produit ou d'un déploiement. Le code, les jeux de tâches et des tests sur d'autres bras ou sur des pièces plus variées seront nécessaires pour juger de la portée réelle de la méthode.

UEPas d\'impact direct sur la France/UE

RecherchePaper
1 source