Aller au contenu principal
Identification et exploitation de la structure dans la co-conception de robots
RecherchearXiv cs.RO 

Identification et exploitation de la structure dans la co-conception de robots

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

Une équipe de recherche publie une nouvelle analyse du co-design robotique, c'est-à-dire l'optimisation conjointe de la morphologie d'un robot et de son système de contrôle, un problème de recherche en haute dimension particulièrement coûteux à résoudre. Les auteurs ont étudié les paysages de co-design de quatre tâches, deux de locomotion en robotique souple et deux de manipulation, et ont identifié trois régularités communes à ces espaces de recherche. D'abord, au sein d'une même région, la qualité des solutions varie principalement le long d'une variété de faible dimension, avec très peu de variation dans les directions orthogonales, ce qui réduit de fait la dimensionnalité effective à explorer. Ensuite, dans les régions de meilleure qualité, cette variance se répartit sur davantage de dimensions, ce qui oblige la recherche à élargir progressivement son périmètre à mesure que la qualité progresse. Enfin, dans ces mêmes régions de haute qualité, les variations dépendent de dimensions conjointes morphologie-contrôle, imposant une exploration couplée des deux paramètres plutôt que séparée. À partir de ces observations, les chercheurs ont conçu un algorithme de co-design qui exploite explicitement cette structure.

Les résultats mesurés sont significatifs pour le secteur : l'algorithme proposé produit des co-designs 36 % meilleurs que ceux des méthodes de référence actuelles, et ces méthodes concurrentes nécessitent environ dix fois plus d'évaluations de fonction pour atteindre une qualité comparable. Pour les équipes qui conçoivent des robots souples ou des systèmes de manipulation, cela représente un gain direct en coût de calcul et en temps d'itération, un facteur souvent limitant quand chaque évaluation implique une simulation physique coûteuse. Le travail apporte surtout une preuve que la performance des algorithmes de co-design ne tient pas qu'à la puissance de calcul brute, mais à la capacité à repérer et exploiter la géométrie sous-jacente du problème, un point utile face à l'hypothèse répandue que plus d'évaluations suffit à compenser une recherche non structurée.

Le co-design morphologie-contrôle reste un domaine de recherche actif, car les approches historiques traitent souvent la forme du robot et sa commande comme deux problèmes séparés, optimisés en alternance ou séquentiellement, ce qui ignore leurs interactions. Les auteurs situent leur contribution par rapport aux algorithmes de recherche évolutionnaire et bayésienne existants, qu'ils utilisent comme lignes de base, et valident leur approche par une étude d'ablation qui isole l'apport de chacun des trois principes identifiés. La publication, une version révisée déposée sur arXiv, ouvre la voie à des méthodes de co-design applicables à des plateformes robotiques réelles, où la réduction du nombre de simulations nécessaires pourrait accélérer sensiblement les cycles de conception.

Dans nos dossiers

À lire aussi

Structure de prédiction latente 4D pour la planification robotique
1arXiv cs.RO 

Structure de prédiction latente 4D pour la planification robotique

Structured 4D Latent Predictive Model : un système de prédiction spatiale en 3D pour la planification robotique Une équipe de recherche publie sur arXiv (identifiant 2607.01166v1) un nouveau modèle baptisé « Structured 4D Latent Predictive Model », conçu pour la planification de tâches robotiques. Contrairement aux modèles prédictifs vidéo classiques, qui travaillent sur des séquences 2D, ce système prédit l'évolution de la structure 3D d'une scène dans un espace latent structuré, à partir d'observations visuelles et d'instructions textuelles. Cette représentation peut être décodée vers plusieurs formats 3D, offrant une compréhension plus complète et géométriquement cohérente de la scène. Le modèle sert de planificateur : il génère des scènes futures qui sont ensuite converties en actions exécutables par un module de dynamique inverse conditionné par l'objectif. Selon les auteurs, les expériences montrent une qualité visuelle élevée et une cohérence 3D et multi-vues nettement supérieure aux meilleurs planificateurs vidéo existants, avec de meilleures performances sur des tâches de manipulation complexes, une bonne généralisation à des conditions visuelles inédites, et une validation sur plateformes robotiques réelles. Un site dédié (structured-4d-model.github.io) présente le projet. L'enjeu dépasse la seule prouesse technique. Les modèles vidéo 2D dominent actuellement l'approche « world model » en robotique, notamment dans les architectures VLA (vision-language-action) qui inspirent des systèmes comme Pi-0 ou GR00T N2. Or ces approches peinent souvent à garantir une cohérence physique et spatiale suffisante pour une manipulation fine. En injectant explicitement une structure 3D dans l'espace latent, ce travail répond directement à une limite identifiée du secteur : le fossé entre démonstrations vidéo impressionnantes et exécution fiable sur du matériel réel, un problème central pour les intégrateurs industriels qui cherchent des systèmes robustes plutôt que des démonstrations sélectionnées. Il s'agit toutefois d'une publication académique à ce stade, sans laboratoire ni entreprise identifiés dans le résumé, et sans date de déploiement annoncée. Elle s'inscrit dans une compétition de recherche intense autour des modèles prédictifs pour la robotique, où plusieurs équipes explorent en parallèle des représentations 3D ou 4D pour dépasser les limites du tout-vidéo. Les prochaines étapes dépendront de la publication du code et de tests indépendants sur des plateformes tierces.

RecherchePaper
1 source
SPARSER : projection variable parcimonieuse par exploitation de la structure séparable en perception robotique
2arXiv cs.RO 

SPARSER : projection variable parcimonieuse par exploitation de la structure séparable en perception robotique

Une équipe de recherche publie SPARSER (Sparsity Preserving Analytic Reduction for Separable Robotic Perception), une méthode d'optimisation pour les problèmes de moindres carrés non linéaires qui structurent une grande partie de la perception robotique, SLAM, localisation de réseaux de capteurs (SNL) et reconstruction 3D par vision (SfM). Le préprint, référencé arXiv:2609.24708v1 et soumis en septembre 2026, exploite la séparabilité: des variables comme les points de repère visuels (landmarks) apparaissent linéairement dans les résidus et admettent une solution fermée une fois les poses du robot fixées. La technique de projection de variables (VarPro) élimine analytiquement ces inconnues linéaires, mais restait jusqu'ici limitée en robotique par les symétries de jauge, l'invariance aux translations et rotations globales. SPARSER construit un opérateur de complément de Schur sans matrice explicite pour calculer efficacement coûts réduits, gradients et produits Hessien-vecteur, ce qui lui permet de s'intégrer à des solveurs NLS itératifs classiques. Sur des jeux de données synthétiques et réels de SLAM, SNL et SfM, la méthode est en moyenne 5 à 7 fois plus rapide que les meilleures approches existantes, sur CPU comme sur GPU, avec des gains dépassant 40x sur certains jeux de données. Sur du SLAM multi-robots corrompu par des données aberrantes, sa variante robuste, fondée sur IRLS, est 2 à 16 fois plus rapide qu'un solveur GNC de référence. Le code C++ et l'ensemble des jeux de données sont publiés en open source. Pour les concepteurs de piles logicielles robotiques, ce gain de vitesse au niveau du solveur d'optimisation, souvent le goulot d'étranglement des systèmes SLAM et de reconstruction 3D embarqués, ouvre la voie à du traitement temps réel sur du matériel plus contraint ou à davantage de robots traités simultanément dans une flotte. Contrairement aux annonces produit du secteur humanoïde, il s'agit ici d'une contribution purement algorithmique et non vérifiée par les pairs: les gains annoncés reposent sur des benchmarks contrôlés par les auteurs eux-mêmes, même si la comparaison porte sur des solveurs état de l'art reconnus plutôt que sur des démonstrations isolées. VarPro existe depuis des décennies pour la régression non linéaire séparable, mais son usage restait marginal en robotique à cause des symétries de jauge propres aux problèmes de pose et de cartographie. SPARSER se positionne face aux bibliothèques de référence du domaine comme GTSAM, Ceres Solver ou g2o pour l'optimisation SLAM, et face aux solveurs robustes de type GNC pour la gestion des données aberrantes en SLAM multi-robots. La publication conjointe du code et des jeux de données doit permettre à la communauté d'intégrer directement SPARSER dans des pipelines existants, la prochaine étape naturelle étant son adoption ou sa validation indépendante par d'autres équipes de recherche en perception robotique.

RecherchePaper
1 source
Identification de modèles de robots indépendante des coordonnées
3arXiv cs.RO 

Identification de modèles de robots indépendante des coordonnées

Une méthode d'identification des modèles dynamiques de robots, décrite dans un article déposé sur arXiv (référence 2603.14656, version révisée), corrige un biais méthodologique connu de la régression aux moindres carrés appliquée à la dynamique inverse. Les formulations classiques mesurent l'écart entre couples prédits et mesurés directement dans l'espace des forces en coordonnées, ce qui rend le résultat dépendant du paramétrage choisi, des unités et de l'échelle de chaque degré de liberté. Les auteurs pondèrent ces résidus par la métrique duale induite par la métrique riemannienne du système, en s'appuyant sur la dualité vecteur-covecteur entre force et vitesse pour ramener l'erreur dans l'espace mécanique physique plutôt que dans un repère arbitraire, via une reformulation en métrique affine et complément de Schur qui préserve la convexité du problème. Testée sur un système inertiel Crazyflie-pendule et sur le robot LandSalp, dominé par la traînée, la méthode gagne en précision d'identification, surtout sur les coordonnées de forme. Un biais lié au seul choix de coordonnées peut fausser silencieusement les couples, frictions ou termes de Coriolis estimés, avec des conséquences directes sur la fidélité d'un jumeau numérique ou la robustesse d'un contrôleur. Rendre l'estimation indépendante du paramétrage promet des modèles reproductibles quel que soit le repère cinématique retenu, un point utile pour les équipes qui ré-identifient des robots après un changement de représentation ou qui combinent des sous-systèmes hétérogènes, drones, robots à jambes ou structures souples. Cela rappelle aussi que l'écart entre simulation et réalité ne tient pas qu'au bruit de mesure ou à la friction non modélisée: une part peut venir d'un artefact purement mathématique introduit par la formulation même de l'identification. L'identification par moindres carrés sur la dynamique inverse reste la méthode de référence en robotique pour calibrer masses, inerties et frictions, mais sa dépendance aux coordonnées est un défaut connu que peu de travaux avaient corrigé sans sacrifier la convexité, condition nécessaire à une résolution rapide et fiable. En mobilisant la géométrie riemannienne plutôt que des normalisations ad hoc, cette contribution justifie physiquement la pondération des résidus, et le choix de deux robots aux régimes opposés, l'un dominé par l'inertie et l'autre par la traînée, vise à démontrer sa généralité au-delà d'un seul type de mécanisme. Publié comme version révisée sur arXiv, l'article ne mentionne aucun déploiement industriel ni intégration dans un outil de calibration commercial: il s'agit pour l'instant d'une contribution méthodologique destinée à la communauté recherche en dynamique des robots.

RecherchePaper
1 source
Ébauche : un outil paramétrique pour explorer la conception de robots
4arXiv cs.RO 

Ébauche : un outil paramétrique pour explorer la conception de robots

Une équipe de chercheurs publie sur arXiv Draft, un outil de génération paramétrique qui compile n'importe quel arbre paramétrique de chaînes sérielles en un modèle MJCF (le format de description de MuJoCo) directement exploitable en simulation, sans passer par la CAO. L'outil s'appuie sur une enquête portant sur 114 actionneurs et 49 descriptions de robots publiées, dont il tire des tendances chiffrées pour fixer les paramètres libres de chaque conception (masses, dimensions, caractéristiques moteur). Pour valider l'approche, les auteurs ont reconstruit les jumeaux numériques de quatre robots du commerce : les masses obtenues s'écartent de la réalité d'un facteur d'erreur moyen géométrique de 1,10, soit environ 10 %. Une démonstration compare enfin trois quadrupèdes à l'aide d'un curriculum d'apprentissage par renforcement en deux étapes. Il s'agit d'une prépublication v1, sans relecture par les pairs, et aucun code ni déploiement industriel n'est annoncé dans le résumé. L'enjeu est celui du coût d'itération. Aujourd'hui, chaque modification de morphologie (longueur d'un segment, choix d'un actionneur) doit être reportée dans la CAO, puis convertie en modèle de simulation avant que le travail sur la commande ne puisse reprendre. Ce cycle freine l'exploration conjointe de la forme et du contrôleur. Les méthodes de co-conception existantes utilisent en général un générateur écrit pour une seule plateforme, ou ne vérifient pas que les conceptions produites sont réalistes au regard de données matérielles réelles. Draft cherche à combiner généralité et ancrage dans le réel. Pour un intégrateur ou un bureau d'études, cela permet de comparer rapidement des variantes de robots avant de s'engager sur du matériel. La validation reste toutefois limitée : seule la masse est citée, avec quatre robots et sans précision sur les inerties, les couples ou la dynamique. Les résultats ne disent donc pas encore si les politiques apprises en simulation se transfèrent au robot physique. Ce travail s'inscrit dans le courant de la co-conception morphologie-contrôle, qui progresse avec la généralisation des politiques entraînées par apprentissage par renforcement massivement parallèle sous simulateurs GPU. Les approches précédentes restaient généralement liées à une plateforme précise, souvent un quadrupède ou une main. Draft cible les chaînes sérielles, ce qui couvre les pattes et les bras, mais pas les mécanismes à boucles fermées ni les structures parallèles. La suite logique serait d'étendre la validation aux inerties et aux limites des actionneurs, puis de tester le transfert vers du matériel réel. Les auteurs n'annoncent à ce stade ni calendrier ni partenaire industriel.

UEPas d\'impact direct sur la France/UE

RecherchePaper
1 source