Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
Mouvement basé sur la diffusion, guidé par un modèle : optimisation sous contraintes et planification adaptative
RecherchearXiv cs.RO 

Mouvement basé sur la diffusion, guidé par un modèle : optimisation sous contraintes et planification adaptative

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

Le laboratoire de recherche à l'origine du papier arXiv:2607.14455 (publié le 17 juillet 2026, catégorie "new") présente MD-COAS, une méthode de planification de trajectoire pour robot unique dans des environnements fortement non convexes et contraints. Le système s'appuie sur le Model-Based Diffusion (MBD), une approche récente qui traite la planification comme un tirage d'échantillons dans une distribution a posteriori sur des trajectoires, en utilisant la dynamique connue du robot pour estimer analytiquement la fonction de score à partir de rollouts, sans apprentissage par démonstration. MD-COAS combine deux mécanismes jusqu'ici traités séparément dans la littérature : une méthode de Lagrangien augmenté inexact (iALM), qui agit comme un prior de diffusion "souple" pour la sécurité, et un opérateur de projection "dur" basé sur un ensemble convexe faisable (CFS). L'algorithme ordonnance et co-optimise ces deux mécanismes de façon adaptative, en les couplant à la planification du bruit de diffusion lui-même. Les auteurs le valident sur des benchmarks 2D générés aléatoirement à forte non-convexité et sur une tâche d'évitement d'obstacles pour un bras robotique à 7 degrés de liberté.

Pour l'industrie robotique, ce travail s'attaque à un problème concret : garantir des trajectoires sans collision, dynamiquement faisables et respectant des contraintes de tâche, tout en restant calculable en temps raisonnable. Les approches purement "souples" (contraintes ajoutées au coût) échouent parfois à garantir la sécurité, tandis que les projections "dures" peuvent bloquer la convergence ou dégrader la qualité de trajectoire. Unifier les deux, avec un ordonnancement qui s'adapte au fil du débruitage, vise justement ce compromis, pertinent pour les intégrateurs de bras industriels ou de robots mobiles évoluant en environnement encombré. Les auteurs rapportent des taux de sécurité et de succès supérieurs, une convergence plus rapide et des coûts finaux plus bas que les planificateurs de référence, mais ces gains restent mesurés sur des benchmarks contrôlés, pas en conditions industrielles réelles.

Le papier s'inscrit dans la lignée des travaux sur le Model-Based Diffusion appliqué à la planification de mouvement sous contraintes, un axe de recherche encore jeune qui rivalise avec les méthodes classiques d'optimisation de trajectoire (MPC, RRT*, CHOMP) et les planificateurs par diffusion appris par démonstration. Les auteurs positionnent MD-COAS comme une réponse aux limites des variantes MBD contraintes précédentes, sans toutefois annoncer de déploiement matériel ni de calendrier de transfert vers un robot physique au-delà du bras 7-DDL testé en simulation ou banc d'essai.

Dans nos dossiers

arXiv cs.RO

À lire aussi

Optimisation générative guidée par un modèle et sensible à la géométrie pour la planification de locomotion sous contraintes
1arXiv cs.RO 

Optimisation générative guidée par un modèle et sensible à la géométrie pour la planification de locomotion sous contraintes

Des chercheurs publient sur arXiv (2610.07772) une méthode baptisée 2GO, pour Model-Based Geometry-Aware Generative Optimization, destinée à la planification de locomotion sous contraintes (Constrained Locomotion Planning, CLP) de quadrupèdes et d'humanoïdes. Le robot doit y respecter en même temps l'évitement de collisions, la cohérence des contacts, la faisabilité cinématique et les contraintes de support. 2GO s'appuie sur les approches Model-Based Diffusion (MBD), qui traitent l'optimisation de trajectoire comme un échantillonnage a posteriori. Ces approches utilisent la dynamique connue et des rollouts Monte Carlo pour estimer analytiquement la fonction de score de débruitage, sans apprentissage à partir de démonstrations. Trois mécanismes transforment la géométrie des contraintes actives en opérateurs de débruitage exécutables : une métrique modelée par les normales aux contraintes, un filtrage stochastique dans l'espace tangent et une rétraction fondée sur CFS. 2GO découple aussi le transport génératif de la stochasticité inverse grâce à un calendrier adaptatif qui mêle diffusion et dynamique de type flow. Les essais portent sur la sélection discrète de points d'appui et sur la planification continue de posture. Les auteurs annoncent de meilleurs taux de succès, moins de violations de contraintes et une meilleure compatibilité à l'exécution. L'intérêt est surtout méthodologique. La planification de locomotion sous contraintes reste un point dur des quadrupèdes et des humanoïdes, car la dynamique est de grande dimension et les environnements sont très non convexes (escaliers, terrains discontinus, appuis rares). 2GO suit une voie différente des politiques apprises par imitation ou par apprentissage par renforcement : elle réutilise le modèle physique et se passe de données de démonstration, ce qui retire un coût de collecte. L'idée centrale est que la géométrie des contraintes actives doit orienter la direction du score et le bruit injecté, au lieu d'être traitée comme une simple pénalité. Pour un intégrateur, la promesse est une planification plus fiable aux contacts, où se concentrent les échecs sur terrain réel. Il faut toutefois rester prudent. Le résumé ne donne aucun chiffre : ni taux de succès, ni temps de calcul, ni comparaison chiffrée, ni plateforme matérielle. Rien n'indique non plus si les essais ont eu lieu uniquement en simulation, et la question du temps réel, décisive pour un déploiement embarqué, n'est pas abordée. Il s'agit d'un preprint non évalué par les pairs, sans produit ni déploiement associé. Le travail prolonge les variantes contraintes de MBD, qui intégraient déjà la faisabilité dans les rollouts de score. Les auteurs leur reprochent l'absence de géométrie de contrainte modulée par la tâche et l'usage d'un transport inverse déterministe de type DDPM, sans ordonnancement adaptatif. Il se place face aux approches de diffusion apprise et aux politiques VLA, qui visent plutôt la manipulation et le comportement de haut niveau. Les prochaines étapes à surveiller sont la publication du code, des benchmarks chiffrés et une validation sur robot physique.

UEPas d\'impact direct sur la France/UE

RecherchePaper
1 source
Modélisation par diffusion optimale pour la planification de mouvement multi-robots
2arXiv cs.RO 

Modélisation par diffusion optimale pour la planification de mouvement multi-robots

Des chercheurs présentent MDOC (Model-Based Diffusion Optimal Control), un planificateur de trajectoires pour flottes multi-robots fondé sur la diffusion, décrit dans un preprint publié sur arXiv (2607.12423). Contrairement aux approches récentes qui traitent la planification de trajectoires comme un problème d'inférence probabiliste et apprennent leurs fonctions de score à partir de larges jeux de données de démonstration, MDOC s'appuie directement sur des modèles de dynamique connus, sans données d'entraînement. Sa mécanique de sécurité combine ces modèles avec des projections contraintes par des Control Barrier Functions (CBF), et le système passe à l'échelle multi-robots grâce à la méthode de Conflict-Based Search (CBS), qui résout les conflits de trajectoires entre agents de façon hiérarchique. Les auteurs rapportent, en simulation, de meilleures performances que des planificateurs de référence en termes d'efficacité d'échantillonnage, de fluidité géométrique des trajectoires et de taux de réussite, tout en réduisant le temps de calcul et en garantissant des trajectoires sans collision. L'enjeu dépasse l'exercice académique : la planification de mouvement multi-robots en environnement continu se heurte à une explosion combinatoire de l'espace des trajectoires conjointes, et les méthodes par diffusion existantes peinent à garantir rigoureusement la faisabilité dynamique et les contraintes de sécurité strictes lors de l'échantillonnage. En s'affranchissant de la dépendance aux données de démonstration tout en conservant des garanties formelles de sécurité, MDOC répond à un frein réel à l'adoption industrielle de ces techniques pour des flottes d'AMR ou de robots collaboratifs, où l'absence de collision n'est pas négociable. Le travail s'inscrit dans la lignée des approches récentes qui recadrent la planification de trajectoires comme un problème d'inférence par diffusion, en s'en distinguant par son caractère "model-based" plutôt que piloté par les données. Il se positionne aussi comme une alternative aux méthodes classiques d'optimisation de trajectoire et de recherche multi-agents. À ce stade, les résultats restent limités à des expériences en simulation ; aucun déploiement sur robots physiques n'est mentionné, ce qui en fait une contribution méthodologique à confirmer avant tout usage en conditions réelles.

RecherchePaper
1 source
PATACON : RRT-Connect parallèle sur GPU par fibré tangent pour la planification de mouvement sous contraintes
3arXiv cs.RO 

PATACON : RRT-Connect parallèle sur GPU par fibré tangent pour la planification de mouvement sous contraintes

PATACON est un planificateur de mouvement bidirectionnel exécuté sur GPU, décrit dans une prépublication arXiv (2610.13195v1). Il vise la planification de mouvement contrainte pour des robots à corps entier, notamment des humanoïdes, ainsi que pour des systèmes à deux bras en chaîne fermée. Sa particularité est d'explorer l'espace tangent plutôt que l'espace de configuration ambiant, en exploitant la géométrie locale de la variété définie par des fonctions de contrainte connues. Les auteurs l'ont testé sur deux familles de tâches : la planification à deux bras en chaîne cinématique fermée et la planification contrainte du corps entier d'un humanoïde. Selon leurs résultats, PATACON dépasse les travaux antérieurs à mesure que croissent la dimension de l'espace de configuration et la codimension des contraintes, avec une accélération pouvant atteindre 11,25 fois. Il s'agit de résultats d'expériences en laboratoire, sans déploiement industriel ni produit commercialisé. Le texte ne précise pas non plus les robots, les temps de cycle absolus ni le matériel GPU utilisés. Le point technique visé est le coût de la projection sur la variété de contraintes. Les planificateurs massivement parallèles sur GPU, apparus récemment, ont déjà réduit le coût du test de collision et de la recherche du plus proche voisin. Mais ils continuent de faire avancer leurs échantillons dans l'espace ambiant. Les candidats s'écartent alors de la variété et doivent être reprojetés, une opération qui domine le temps de calcul dans les problèmes fortement contraints et de grande dimension, justement ceux d'un humanoïde. En avançant le long du fibré tangent, PATACON limite ces corrections. L'enjeu est la replanification continue en environnement dynamique, où un robot doit recalculer sa trajectoire en respectant à la fois l'évitement de collisions et des contraintes cinématiques comme la fermeture de boucle ou le maintien d'une orientation. Le gain annoncé croît avec la difficulté, ce qui est le bon sens d'évolution, mais « 11,25 fois » est un maximum, pas une moyenne. Il dépend de la baseline retenue et des scénarios choisis, et seule une lecture complète des benchmarks dira si la tendance se confirme sur des tâches variées. Les auteurs parlent d'un rapprochement du temps réel, pas d'un temps réel atteint. Ce travail s'inscrit dans la lignée des planificateurs de type RRT-Connect, algorithme bidirectionnel classique, et de leurs variantes pour variétés contraintes, longtemps pénalisées par la projection itérative. Les versions parallélisées sur GPU ont ensuite déplacé le goulot d'étranglement, et PATACON s'attaque à ce point précis. Il se positionne face à ces planificateurs GPU antérieurs, que l'extrait ne nomme pas. Pour les intégrateurs d'humanoïdes, l'intérêt est indirect : ces briques de planification complètent les politiques apprises de type VLA plutôt que de les remplacer, en offrant des trajectoires qui respectent des contraintes explicites. Les suites naturelles seraient une validation sur matériel réel et une intégration dans des boucles de replanification embarquées, qui ne sont pas annoncées.

UEPas d\'impact direct sur la France/UE

RecherchePaper
1 source
Guidage des modes au niveau de la trajectoire pour la planification de mouvement contrôlable de robots multiples par diffusion
4arXiv cs.RO 

Guidage des modes au niveau de la trajectoire pour la planification de mouvement contrôlable de robots multiples par diffusion

Une équipe de chercheurs publie sur arXiv (2609.36530) une méthode de planification de mouvement par modèles de diffusion, pensée pour conserver plusieurs solutions faisables tout en tenant compte d'indications grossières fournies en amont. Le principe est de guider la génération dans l'espace des trajectoires « propres », c'est-à-dire reconstruites à chaque pas de la diffusion inverse, plutôt que dans l'espace bruité. Cette trajectoire reconstruite sert d'espace commun pour deux types d'informations. Les coûts de planification, comme l'évitement d'obstacles, sont intégrés par raffinement à base de gradient. Un a priori partiel, par exemple un tronçon de trajectoire ou une région souhaitée, est injecté progressivement aux niveaux de bruit correspondants, avec une force de guidage décroissante au fil des pas. Pour plusieurs robots, il suffit d'ajouter un coût de collision entre agents. Le résumé annonce des essais sur des tâches mono et multi-robots, avec synthèse de trajectoires contrôlable, solutions faisables variées et coordination sûre. Il ne donne aucun chiffre : ni taux de succès, ni nombre de robots, ni temps de calcul, ni matériel utilisé. L'enjeu est technique mais concret pour la coordination de flottes. Un planificateur classique renvoie souvent une seule trajectoire, alors qu'un opérateur ou un système de supervision veut pouvoir dire « passe plutôt par ici » sans figer le résultat. Un guidage trop strict par l'a priori détruit la diversité qui fait l'intérêt des diffusions, et un guidage trop faible ignore l'intention de l'opérateur. Ici, le relâchement progressif de la contrainte cherche le compromis : l'a priori fixe le mode global de la solution dans les premières étapes, puis le modèle affine les détails librement. Pour un intégrateur d'AMR (robots mobiles autonomes) ou de cellules multi-bras, cela pourrait faciliter l'injection de règles de circulation ou de préférences humaines dans un planificateur génératif. Le résumé ne prouve pas que cela tienne hors laboratoire. Il ne dit rien des garanties de sécurité, de la latence en temps réel ni du passage à l'échelle avec le nombre d'agents, trois points décisifs pour un déploiement industriel. Ce travail s'inscrit dans la série de méthodes qui appliquent les modèles de diffusion à la planification de trajectoires, popularisée par des approches comme Diffuser et Diffusion Policy. Ces méthodes ajoutent du guidage par coût, mais restent en difficulté pour combiner des a priori partiels et de la multimodalité. Les alternatives classiques, comme la planification par échantillonnage, l'optimisation de trajectoire ou les approches par conflits pour le multi-agent, offrent davantage de garanties formelles mais peu de génération multimodale pilotable. Il s'agit d'une prépublication (v1) et rien n'indique à ce stade de code publié, de comparaison chiffrée ou de test sur robots réels. La suite logique serait une validation sur matériel, une comparaison avec les planificateurs multi-agents établis et une évaluation du coût de calcul.

RecherchePaper
1 source