RecherchearXiv cs.RO 16 juin 2026

C-3TO : optimisation continue de trajectoires 3D sur champs de distances euclidiennes signées neuronaux

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Une équipe de recherche a publié sur arXiv (identifiant 2509.20084v2) un framework de planification de trajectoires 3D baptisé C-3TO (Continuous 3D Trajectory Optimization), ciblant la navigation autonome de drones en environnements encombrés. Le coeur du système repose sur un champ de distance signée euclidien (ESDF) neuronal mis à jour en temps réel, sur lequel les trajectoires sont optimisées de façon continue plutôt que sur une grille discrétisée. Celles-ci sont paramétrées par des polynômes de cinquième ordre, ce qui garantit la continuité des dérivées jusqu'à l'accélération et au-delà. L'optimisation s'effectue en deux étapes non linéaires successives qui mettent en balance efficacité computationnelle, sécurité vis-à-vis des obstacles et régularité du mouvement. Les expériences menées démontrent que le système génère des trajectoires à la fois collision-free et dynamiquement faisables.

L'intérêt de cette approche tient à un point précis : les méthodes classiques construisent des ESDFs discrètes et interpolent entre les voxels pour obtenir les gradients, ce qui introduit des erreurs numériques lors de l'optimisation. En travaillant directement sur une représentation neuronale continue, C-3TO dispose de gradients exacts sur l'intégralité du chemin, pas seulement aux noeuds d'une grille. Pour les systèmes de replanification locale embarquée sur drone, cela réduit potentiellement le risque de trajectoires sous-optimales autour d'obstacles complexes. La flexibilité du framework dans le réglage de la taille des fenêtres locales et des paramètres d'optimisation le rend adaptable sans redéveloppement majeur, un argument pertinent pour les équipes d'intégration en robotique aérienne.

Le domaine de la planification de trajectoires en temps réel pour UAV est actif depuis plusieurs années, avec des travaux notables autour des EGO-Planner (Zhu et al., 2021) et FASTER (Tordesillas et al., 2022), qui s'appuient eux aussi sur des représentations de distance pour l'évitement d'obstacles. C-3TO se positionne comme une évolution méthodologique de cet écosystème, en substituant le réseau neuronal à la grille voxel traditionnelle. Le paper n'annonce pas de déploiement matériel ni de validation sur plateforme physique en conditions réelles ; les résultats présentés restent à ce stade expérimentaux, et la robustesse sim-to-real n'est pas adressée explicitement.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

Volume balayé signé stochastique par réseau de neurones pour l'optimisation de trajectoire sous contraintes probabilistes en temps réel

Publiée sur arXiv en septembre 2026 (référence 2609.21211), une étude présente une méthode de planification de trajectoires sans collision pour bras manipulateurs, nommée stochastic neural signed swept volume. Vérifier qu'un mouvement continu ne heurte rien oblige aujourd'hui à choisir entre tester quelques états discrets le long du trajet, au risque de manquer un obstacle, ou à calculer le volume complet balayé par le robot, trop coûteux en temps réel ; les modèles neuronaux existants restent trop imprécis pour servir d'autre chose qu'un filtre grossier en amont d'un vérificateur classique. Les auteurs apprennent plutôt une fonction de distance signée du volume balayé sous forme probabiliste, intégrant incertitude et bruit de capteurs dans une optimisation de trajectoire sous contraintes probabilistes, validée sur des manipulations en haute dimension, en simulation et sur robot réel. Pour les intégrateurs et équipes R&D en robotique industrielle, l'intérêt dépasse la démonstration académique : la plupart des planificateurs déployés sacrifient aujourd'hui soit la sécurité, soit la vitesse, faute d'une vérification continue à la fois fiable et rapide. En dotant un réseau de neurones d'une estimation de sa propre incertitude, l'approche vise à le sortir de son rôle habituel de pré-filtre grossier pour l'utiliser directement dans la boucle d'optimisation, ce qui répondrait à la critique récurrente sur la fragilité des modèles de collision appris face au bruit de capteur réel, précisément le scénario testé ici sur matériel physique et pas seulement en simulation. Il s'agit néanmoins d'une prépublication arXiv non relue par les pairs, sans partenaire industriel identifié. Ces travaux prolongent la lignée de recherche sur la vérification continue de collision et l'approximation du volume balayé, longtemps dominée par des calculs géométriques coûteux ou des heuristiques conservatrices avant l'arrivée de fonctions de distance signée neuronales, rapides mais peu fiables. En y ajoutant une formulation probabiliste et une optimisation sous contraintes stochastiques, l'étude cherche à réduire l'écart entre la vitesse des méthodes apprises et la fiabilité exigée pour planifier des mouvements en environnement incertain, un enjeu qui concerne autant les bras industriels que les futurs robots mobiles ou humanoïdes opérant près d'humains. Ni institution ni feuille de route de déploiement ne sont précisées ; l'extension à davantage de degrés de liberté et l'intégration dans des piles logicielles existantes en seraient les suites logiques.

RecherchePaper

1 source

2arXiv cs.RO

SE(3) : champs de potentiel neuronaux pour trajectoires à 6 DOF depuis des images, sans reconstruction 3D explicite

Une équipe de recherche présente sur arXiv (arXiv:2609.24864, 22 septembre 2026) un champ de potentiel neuronal SE(3) qui planifie des trajectoires de préhension à 6 degrés de liberté directement depuis des images RGB posées, sans reconstruction 3D explicite. Le réseau est supervisé par la distance géodésique jusqu'à la prise, calculée dans l'espace libre reconstruit à partir des mêmes images pendant l'entraînement, ce qui évite les minima locaux qui font frôler l'obstacle ou bloquer la trajectoire dans les champs de potentiel classiques. Testé sur deux scènes de table avec des départs obstrués, exécuté sur un bras UR10, il converge à moins de 3 cm de la prise et produit 100% de trajectoires sans collision, contre 25% et 0% pour une supervision par image seule; la marge de sécurité moyenne passe de moins d'un centimètre à 8,6-8,8 cm, les contacts du bras chutent de 20,6-50,4% à 2,7-5,5% des configurations exécutées, la réussite de préhension atteint 90,0% et 40,0% selon la scène, et la planification prend environ 2 secondes contre 67 à 133 secondes pour un RRT appliqué à une reconstruction des mêmes images. Pour les intégrateurs, ce travail cible le goulot d'étranglement du pick-and-place en environnement encombré: la reconstruction 3D préalable, coûteuse et fragile en précision, sur laquelle reposent encore la plupart des pipelines de vérification de collision. En supprimant cette étape tout en corrigeant la faiblesse historique des champs de potentiel, la méthode ramène la planification à une cadence compatible avec des applications industrielles, là où un RRT classique reste 30 à 60 fois plus lent sur les mêmes données visuelles. Les auteurs précisent toutefois que cet écart tient surtout au coût de vérification de collision sur une reconstruction dense, non à la complexité du planificateur, une nuance qui invite à la prudence avant d'extrapoler ces gains à des scènes plus complexes. Les champs de potentiel artificiels sont une technique de planification connue depuis les années 1980, prisée pour sa rapidité mais écartée des usages critiques à cause des minima locaux que ce travail corrige par supervision géodésique plutôt que par réglage manuel des gradients. Les tests restent limités à deux scènes de table et un seul bras robotique, sans déploiement industriel annoncé; les échecs résiduels, attribués à l'exécuteur cartésien plutôt qu'au champ de potentiel lui-même, orientent les prochaines étapes vers des contrôleurs d'exécution plus robustes et des scènes d'encombrement plus denses avant toute validation en conditions réelles.

RecherchePaper

1 source

3arXiv cs.RO

PISTO : inférence proximale pour l'optimisation stochastique de trajectoires

Des chercheurs ont publié sur arXiv (arXiv:2605.07215) un algorithme de planification de trajectoires robotiques appelé PISTO (Proximal Inference for Stochastic Trajectory Optimization). Leur contribution centrale est de démontrer que STOMP, méthode stochastique classique, minimise implicitement une divergence KL par rapport à une distribution de trajectoires de Boltzmann, révélant une structure d'inférence variationnelle (VI) sous-jacente. PISTO exploite cette observation en ajoutant une régularisation KL entre propositions gaussiennes successives, ce qui stabilise les mises à jour et produit une interprétation de type trust-region. L'algorithme reste entièrement sans dérivées et s'appuie sur un échantillonnage Monte Carlo à pondération d'importance. Sur les benchmarks de planification de bras robotiques, PISTO atteint 89 % de taux de succès contre 63 % pour CHOMP et 68 % pour STOMP, tout en générant des trajectoires plus courtes et plus lisses, à deux fois la vitesse des méthodes stochastiques concurrentes. Des validations complémentaires sur des tâches de locomotion et manipulation contact-rich en simulation MuJoCo montrent des performances supérieures aux baselines CEM et MPPI en termes de récompense cumulée. Pour les intégrateurs et ingénieurs en planification de mouvement, l'absence totale de dérivées est une caractéristique décisive : elle permet de traiter des fonctions de coût non-différentiables ou discontinues, fréquentes dans les environnements industriels réels (détection de collisions, zones interdites, contraintes non paramétriques). Le gain de vitesse d'un facteur deux par rapport aux méthodes stochastiques existantes réduit directement les temps de cycle dans les applications de planification en ligne, point critique pour la robotique collaborative et les systèmes pick-and-place haute cadence. La validation sur MuJoCo avec contacts ouvre des perspectives vers la locomotion humanoïde et la manipulation dextre, bien que ces résultats restent pour l'instant entièrement simulés, sans validation sur matériel physique. PISTO s'inscrit dans la lignée de STOMP (développé chez Willow Garage et présenté à l'ICRA 2011) et de ses concurrents gradient-based tels que CHOMP, ainsi que des méthodes stochastiques modernes MPPI (popularisé par NVIDIA en 2017) et CEM. Soumis comme preprint arXiv sans révision par les pairs à ce stade, l'article n'annonce ni déploiement industriel ni partenariat commercial. Son impact pratique dépendra de la mise à disposition du code source et de validations expérimentales sur robot réel, étapes absentes de la publication actuelle.

RecherchePaper

1 source

4arXiv cs.RO

Gradients fonctionnels naturels pour l'optimisation de trajectoires fluides

Une équipe de chercheurs a soumis sur arXiv (référence 2605.28202, mai 2026) un framework d'optimisation de trajectoire pour la manipulation robotique dans des environnements encombrés ou à passages étroits. La méthode introduit ce que les auteurs nomment des "gradients fonctionnels naturels" : plutôt que d'opérer dans un espace discret de waypoints, les mises à jour sont calculées directement dans l'espace fonctionnel, découplant la régularité de la trajectoire du pas de discrétisation temporelle. L'algorithme optimise un objectif lissé par noyau gaussien et emploie un estimateur Monte-Carlo du gradient naturel, ce qui le rend utilisable sans gradients analytiques, un avantage déterminant lorsque la détection de collision ou les simulations à contacts riches empêchent toute différentiation exacte. Les expériences portent sur des tâches de manipulation contrainte aux dégagements géométriques étroits. Pour un intégrateur ou un ingénieur en manipulation, l'apport concret réside dans la capacité à produire des trajectoires faisables là où des planificateurs établis comme CHOMP, TrajOpt ou GPMP2 peinent à converger ou génèrent des mouvements saccadés. La compatibilité "boîte noire" avec n'importe quel simulateur de contacts ouvre également la voie à une intégration dans des pipelines sim-to-real existants sans modifier le moteur physique sous-jacent. Les résultats présentés montrent une amélioration mesurable de la faisabilité et du lissé par rapport à ces baselines, bien que le préprint ne soit pas encore soumis à comité de lecture et que les conditions précises d'évaluation restent à examiner de façon indépendante. L'optimisation de trajectoire est un problème central depuis CHOMP (2009) et TrajOpt (2013) ; l'idée de gradient naturel, issue des travaux d'Amari en apprentissage statistique, n'avait pas encore été formalisée dans l'espace fonctionnel des trajectoires robotiques. Ce travail s'inscrit dans une dynamique active où les méthodes d'optimisation classique doivent maintenir leur pertinence face aux politiques diffusion et aux VLA (Vision-Language-Action models, modèles action guidés par le langage et la vision), qui représentent aujourd'hui une approche concurrente croissante pour la manipulation en espace contraint. Le code source et les vidéos de démonstration sont accessibles sur la page projet des auteurs ; une soumission à ICRA, IROS ou CoRL constituerait la prochaine étape naturelle de validation.

RecherchePaper

1 source